Omni Reference przydaje się wtedy, gdy sam prompt nie określa dokładnie postaci, produktu, ruchu ani otoczenia, których potrzebujesz. Kluczowe jest, by każdej referencji przypisać osobne zadanie: jedna ustala obiekt, druga scenę, a wideo może prowadzić ruch. Dodawanie zasobów bez rozwiązania sprzeczności między nimi może sprawić, że zadanie stanie się mniej jasne.
Ten poradnik opiera się na endpoincie Kling 4.0 w PoYo, sprawdzonym 24 października 2026. Możliwości oficjalnej aplikacji dla twórców i pola API specyficzne dla danego dostawcy weryfikuj osobno.
Przypisz zasób do właściwego pola
| Rola zasobu | Pole PoYo | Odwołanie w prompcie |
|---|---|---|
| Wygląd z obrazu, scena, produkt lub styl | reference_image_urls | @Image1, @Image2 |
| Referencja ruchu, gry aktorskiej lub kamery | reference_video_urls | @Video1, @Video2 |
| Jeden obiekt pokazany na kilku obrazach | kling_elements[].element_input_urls | @Element1, @Element2 |
| Jeden obiekt zdefiniowany przez wideo | kling_elements[].element_input_video_urls | @Element1, @Element2 |
| Dokładna kompozycja otwarcia | Jeden wpis image_urls w trybie referencyjnym | Ustala pierwszą klatkę |
Obiekty zdefiniowane przez obrazy wymagają od dwóch do czterech obrazów tego samego obiektu, z widokiem z przodu na początku. Obiekt zdefiniowany przez wideo zawiera jedno wideo. Dla każdego obiektu użyj jednej formy, nie obu naraz. Numeracja referencji wynika z kolejności w danej tablicy; @Element1 nie jest nazwą obiektu, którą API wymyśla automatycznie.
Zarejestrowany przykład z dwoma obrazami
W przykładzie z oranżerią PoYo pierwsza referencja wyznacza dorosłą badaczkę przyrody, a druga - otoczenie szklarni. Żądanie podaje płaszcz przeciwdeszczowy, torbę i latarnię jako kotwice tożsamości, a następnie opisuje ruch kamery od detalu z bliska do szerszego odsłonięcia.
Zarejestrowane zadanie BIIA0RLIILB65JTX dotyczyło 15 sekund w 1080p, 16:9, z dwoma obrazami referencyjnymi. Zapisane obciążenie to 637,5 kredytu, zgodnie ze stawką bez wideo wynoszącą 42,5 kredytu za sekundę wyniku. Przykład używa starszego zapisu @image_1 i @image_2, który PoYo także akceptuje. W nowych żądaniach możesz stosować czytelniejszą formę @Image1 i @Image2.
Pobierz oryginalne żądanie i metadane przykładu. Sprawdź, czy latarnia pozostaje w zamierzonej dłoni, czy twarz i ubranie są nadal rozpoznawalne i czy układ mostu pozostaje spójny. Traktuj to jako pytania do oceny, a nie gwarantowane właściwości każdego żądania z referencjami.
Zacznij od dwóch referencji i jasno określonych zadań
Ten skrócony wzór używa tych samych dwóch ról. To nowy szablon, a nie dokładny prompt, który wygenerował zapisane wideo:
{
"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"
]
}
}
W przypadku produktu przypisz tożsamość czystemu zdjęciu packshotowemu, a kompozycję - osobnej referencji sceny. Nazwij szczegóły, które nie mogą się zmienić: geometrię zakrętki, sylwetkę, materiał, kolor lub rozmieszczenie etykiety. Jeśli dwa obrazy pokazują różne wersje tej samej butelki, przed generowaniem wybierz jedną wersję wiążącą.
Policz limity przed przesłaniem
PoYo dopuszcza do 10 obrazów referencyjnych, pięć filmów referencyjnych i siedem obiektów, z najwyżej trzema obiektami zdefiniowanymi przez wideo. Łączny limit żądania to 15 zasobów. Obiekt liczy się na tym poziomie raz; nie licz każdego wewnętrznego zdjęcia obiektu jako osobnego zasobu najwyższego poziomu. Opcjonalna pierwsza klatka także wlicza się do limitu 10 obrazów i 15 zasobów.
Każde wideo na wejściu musi trwać 3-30 sekund. Filmy referencyjne i filmy obiektów razem nie mogą przekraczać 30 rzeczywistych sekund. Żądanie generowania z referencji może zawierać jedną pierwszą klatkę, ale nie dodatkową ostatnią. W workflow z dwiema klatkami granicznymi użyj zwykłego trybu obraz na wideo, bez tablic referencji i obiektów.
Sprawdź, czy dodatkowa referencja pomaga
Zachowaj wersję bazową z jedną wyraźną referencją tożsamości. Dodaj obraz sceny, a potem oceń, co się zmieniło. Wideo z ruchem dodawaj tylko wtedy, gdy kamery lub gry aktorskiej nie da się opisać wystarczająco dobrze. Celem jest ograniczenie niejednoznaczności, a nie wypełnienie wszystkich miejsc na wejściu.
Oceniaj razem początek, środek i koniec. Sprawdzaj cechy postaci, proporcje produktu, relacje między obiektami i niechciane montaże z obrazów referencyjnych. Jeśli po obrocie kamery wynik zaczyna się rozjeżdżać, wypróbuj spokojniejszy ruch kamery, zanim dodasz kolejne zasoby wizualne.
Rozliczanie i nieobsługiwane pola
Referencje obrazowe i obiekty zdefiniowane tylko przez obrazy korzystają z cennika bez wideo. Film referencyjny lub obiekt zdefiniowany przez wideo uruchamia rozliczanie wideo na wejściu, wraz z minimum równym dwukrotności czasu trwania wyniku. Przewodnik po cenniku zawiera przykłady obliczeń.
Oficjalny przegląd modelu opisuje szersze multimodalne workflows twórcze. Obecny schemat PoYo nie udostępnia pola referencji audio, dziesięciu obrazów kluczowych klatek z czasami ani wyniku w 4K. Aktualne granice wejść sprawdzisz w przewodniku po API, a poradnik o edycji przyda się, gdy trzeba zachować sam materiał źródłowy.