Omni Reference resulta útil cuando un prompt por sí solo no basta para identificar el personaje, el producto, el movimiento o el entorno exacto que necesitas. La clave está en dar a cada referencia una tarea distinta: una fija el sujeto, otra la escena y un vídeo puede guiar el movimiento. Añadir recursos sin resolver sus contradicciones puede hacer que la tarea sea menos clara.
Este tutorial sigue el endpoint de Kling 4.0 en PoYo, revisado el 24 de octubre de 2026. Las funciones de la app oficial para creadores y los campos de API de cada proveedor deben verificarse por separado.
Asigna cada recurso al campo correcto
| Función del recurso | Campo de PoYo | Referencia en el prompt |
|---|---|---|
| Aspecto, escena, producto o estilo a partir de imagen | reference_image_urls | @Image1, @Image2 |
| Referencia de movimiento, interpretación o cámara | reference_video_urls | @Video1, @Video2 |
| Un sujeto mostrado en varias imágenes | kling_elements[].element_input_urls | @Element1, @Element2 |
| Un sujeto definido mediante un vídeo | kling_elements[].element_input_video_urls | @Element1, @Element2 |
| Composición inicial exacta | Una entrada de image_urls en modo referencia | Fija el primer fotograma |
Los sujetos definidos con imágenes requieren de dos a cuatro imágenes del mismo sujeto, con una vista frontal en primer lugar. Un sujeto definido con vídeo contiene un solo vídeo. Usa una única forma por sujeto, no ambas. La numeración de las referencias sigue el orden dentro de cada array; @Element1 no es un nombre de objeto que la API invente automáticamente.
Un ejemplo grabado con dos imágenes
En la muestra del invernadero de PoYo, la naturalista adulta corresponde a la primera referencia y el entorno del invernadero de cristal a la segunda. La solicitud fija el impermeable, la bandolera y el farol como anclas de identidad y después describe una progresión de cámara desde un detalle cercano hasta una revelación más amplia.
La tarea grabada BIIA0RLIILB65JTX solicitó 15 segundos en 1080p, 16:9, con dos imágenes de referencia. Su cargo registrado es de 637,5 créditos, que coincide con la tarifa sin vídeo de 42,5 créditos por segundo de salida. La muestra usa la notación heredada @image_1 y @image_2, que PoYo también acepta. En solicitudes nuevas puedes usar la forma más clara @Image1 e @Image2.
Descarga la solicitud original y los metadatos de la muestra. Comprueba si el farol se mantiene en la mano prevista, si el rostro y la ropa siguen siendo reconocibles y si la disposición del puente se mantiene coherente. Trátalas como preguntas de revisión, no como propiedades garantizadas de cualquier solicitud con referencias.
Empieza con dos referencias y funciones explícitas
Este patrón abreviado usa las mismas dos funciones. Es una plantilla nueva, no el prompt exacto que produjo el vídeo guardado:
{
"model": "kling-4.0",
"input": {
"prompt": "Use @Image1 for the adult naturalist's identity, mustard raincoat and brass lantern. Use @Image2 for the glass conservatory and narrow mossy bridge. She takes two careful steps across the bridge, keeping the lantern in her right hand. One slow side-following shot, realistic foot contact and reflections. Do not display reference images as a collage.",
"duration": 5,
"resolution": "720p",
"aspect_ratio": "16:9",
"reference_image_urls": [
"https://storage.poyo.ai/blog/kling-4-0-series-20261024/conservatory-person-0437038b5fbc.png",
"https://storage.poyo.ai/blog/kling-4-0-series-20261024/conservatory-scene-1b878de0f5cc.png"
]
}
}
Para un producto, asigna la identidad a un packshot limpio y la composición a una referencia de escena aparte. Nombra los detalles que no pueden variar: geometría del tapón, silueta, material, color o posición de la etiqueta. Si dos imágenes muestran versiones distintas del mismo frasco, elige una versión de referencia antes de generar.
Cuenta los límites antes de subir
PoYo admite hasta 10 imágenes de referencia, cinco vídeos de referencia y siete sujetos, con un máximo de tres sujetos definidos con vídeo. El límite conjunto de la solicitud es de 15 recursos. Cuenta cada sujeto una sola vez en ese nivel; no cuentes cada foto interna del sujeto como un recurso independiente de nivel superior. Un primer fotograma opcional también cuenta para los límites de 10 imágenes y 15 recursos.
Cada vídeo de entrada debe durar entre 3 y 30 segundos. Los vídeos de referencia y de sujeto juntos no pueden superar los 30 segundos reales. Una solicitud de generación con referencias puede incluir un primer fotograma, pero no un último fotograma adicional. Para un flujo con fotogramas de inicio y fin, usa imagen a vídeo normal sin arrays de referencia ni sujetos.
Comprueba si una referencia extra ayuda
Mantén una línea base con una única referencia de identidad clara. Añade una imagen de escena y revisa qué ha cambiado. Añade un vídeo de movimiento solo si la cámara o la interpretación no se pueden describir adecuadamente. El objetivo es reducir la ambigüedad, no llenar todos los huecos de entrada.
Revisa juntos el inicio, la parte central y el final. Comprueba los rasgos del personaje, las proporciones del producto, las relaciones entre objetos y los montajes no deseados de imágenes de referencia. Si el resultado se desvía tras un giro de cámara, prueba con una cámara más contenida antes de añadir más recursos visuales.
Facturación y campos no admitidos
Las referencias de imagen y los sujetos definidos solo con imágenes usan la tarifa sin vídeo. Un vídeo de referencia o un sujeto definido con vídeo activa la facturación con entrada de vídeo, incluido el mínimo del doble de la duración de salida. La guía de precios muestra ejemplos resueltos.
La presentación oficial del modelo describe flujos creativos multimodales más amplios. El esquema actual de PoYo no expone un campo de referencia de audio, diez imágenes de fotogramas clave temporizados ni salida en 4K. Usa la guía de la API para conocer los límites de entrada actuales y el tutorial de edición cuando necesites conservar el propio metraje de origen.