Omni Reference пригодится, когда одного промпта недостаточно, чтобы точно задать нужного персонажа, продукт, движение или окружение. Главное — дать каждому референсу отдельную задачу: один задаёт субъекта, другой — сцену, а видео может управлять движением. Если добавлять ассеты, не устранив противоречий между ними, задача может стать только менее понятной.
Туториал основан на эндпоинте Kling 4.0 в PoYo, проверенном 24 октября 2026 года. Возможности официального приложения для креаторов и поля API других провайдеров нужно проверять отдельно.
Сопоставьте ассет с нужным полем
| Роль ассета | Поле PoYo | Ссылка в промпте |
|---|---|---|
| Внешность, сцена, продукт или стиль по изображению | reference_image_urls | @Image1, @Image2 |
| Референс движения, игры актёра или камеры | reference_video_urls | @Video1, @Video2 |
| Один субъект на нескольких изображениях | kling_elements[].element_input_urls | @Element1, @Element2 |
| Один субъект, заданный видео | kling_elements[].element_input_video_urls | @Element1, @Element2 |
| Точная композиция первого кадра | Одна запись image_urls в режиме референсов | Задаёт первый кадр |
Субъект, заданный изображениями, требует от двух до четырёх изображений одного и того же субъекта, причём первым должен идти вид спереди. Субъект, заданный видео, содержит одно видео. Для каждого субъекта используйте только одну форму, а не обе. Нумерация референсов следует порядку внутри каждого массива; @Element1 — это не имя объекта, которое API придумывает автоматически.
Записанный пример с двумя изображениями
В примере PoYo с оранжереей первый референс задаёт взрослую исследовательницу-натуралиста, а второй — стеклянную оранжерею. Запрос фиксирует дождевик, сумку и фонарь как опорные детали внешности, а затем описывает движение камеры от крупного плана детали к более широкому раскрытию сцены.
Записанная задача BIIA0RLIILB65JTX запрашивала 15 секунд в 1080p, 16:9, с двумя референсными изображениями. Зафиксированное списание — 637,5 кредита, что соответствует тарифу без видео в 42,5 кредита за секунду результата. В примере используется устаревшая запись @image_1 и @image_2, которую PoYo тоже принимает. В новых запросах можно использовать более понятную форму @Image1 и @Image2.
Скачайте исходный запрос и метаданные примера. Проверьте, остаётся ли фонарь в нужной руке, узнаваемы ли лицо и одежда, сохраняется ли логичная планировка мостика. Считайте это вопросами для проверки, а не гарантированными свойствами любого запроса с референсами.
Начните с двух референсов и явно распределённых ролей
Этот сокращённый шаблон использует те же две роли. Это новый шаблон, а не тот самый промпт, по которому было получено сохранённое видео:
{
"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"
]
}
}
Для продукта поручите передачу внешности чистому предметному снимку (packshot), а композицию — отдельному референсу сцены. Назовите детали, которые не должны «поплыть»: геометрию крышки, силуэт, материал, цвет или расположение этикетки. Если на двух изображениях разные версии одного флакона, перед генерацией выберите одну эталонную.
Посчитайте лимиты до загрузки
PoYo допускает до 10 референсных изображений, пяти референсных видео и семи субъектов, из которых не более трёх могут быть заданы видео. Общий лимит запроса — 15 ассетов. На этом уровне субъект считается один раз: не считайте каждую фотографию внутри субъекта отдельным ассетом верхнего уровня. Необязательный первый кадр тоже учитывается в лимитах в 10 изображений и 15 ассетов.
Каждое входное видео должно длиться 3–30 секунд. Референсные видео и видео субъектов вместе не могут превышать 30 реальных секунд. Запрос генерации по референсам может включать один первый кадр, но не дополнительный последний кадр. Для сценария с двумя граничными кадрами используйте обычный режим «изображение в видео» без массивов референсов и субъектов.
Проверьте, помогает ли дополнительный референс
Сохраните базовый вариант с одним чётким референсом внешности. Добавьте изображение сцены и посмотрите, что изменилось. Добавляйте видео движения, только если камеру или игру актёра нельзя достаточно точно описать словами. Цель — уменьшить неоднозначность, а не заполнить все доступные слоты.
Оценивайте начало, середину и конец вместе. Проверяйте черты персонажа, пропорции продукта, взаимное расположение объектов и нежелательные монтажи из референсных изображений. Если после поворота камеры результат «плывёт», попробуйте более сдержанную камеру, прежде чем добавлять новые визуальные ассеты.
Тарификация и неподдерживаемые поля
Референсные изображения и субъекты, заданные только изображениями, тарифицируются по ставке без видео. Референсное видео или субъект, заданный видео, включает тарификацию с видеовводом, в том числе минимум в удвоенную длительность результата. Разобранные примеры — в руководстве по ценам.
Официальный обзор модели описывает более широкие мультимодальные творческие сценарии. Текущая схема PoYo не предоставляет поле аудиореференса, десять ключевых кадров с таймингом или вывод в 4K. Актуальные границы ввода смотрите в руководстве по API, а если нужно сохранить само исходное видео — в туториале по редактированию.