当文字无法准确说明某个角色、商品、动作或环境时，Kling 4.0 全能参考可以把这些信息交给视觉素材。关键是明确每份素材的职责：一张图负责主体身份，另一张图负责场景，视频负责动作或运镜。没有解决素材之间的矛盾，只是不断增加数量，反而可能让模型更难判断。
本文按 2026 年 10 月 24 日核对的 PoYo Kling 4.0 接口说明。官方创作端与不同 API 平台的功能和字段需要分别确认。
不同素材放进哪个字段
| 素材职责 | PoYo 字段 | 提示词中的引用 |
|---|---|---|
| 人物、产品、场景或风格图片 | reference_image_urls | @Image1、@Image2 |
| 动作、表演或运镜视频 | reference_video_urls | @Video1、@Video2 |
| 多张图片定义的同一个主体 | kling_elements[].element_input_urls | @Element1、@Element2 |
| 一段视频定义的主体 | kling_elements[].element_input_video_urls | @Element1、@Element2 |
| 精确开场构图 | 参考模式中一张 image_urls | 作为首帧 |
图片主体需要 2–4 张同一主体的图片，第一张为正面，后面补其他视角。视频主体使用一段视频。同一个主体二选一，不要同时填写两种形式。引用序号由数组顺序决定，@Element1 不是系统自动识别的对象名称。
真实案例：人物与温室分别参考
PoYo 的温室样例把第一张图分配给成年博物观察者，第二张图分配给玻璃温室环境。提示词用黄色雨衣、挎包和黄铜灯作为身份锚点，再描述从局部细节到宽景揭示的相机运动。
任务 BIIA0RLIILB65JTX 请求了 15 秒、1080p、16:9，使用两张参考图片。记录扣费为 637.5 credits，与不带视频输入的 15 × 42.5 credits 一致。原始任务使用旧式引用 @image_1、@image_2，PoYo 仍接受；新请求可以使用 @Image1、@Image2。
可下载原始请求和样例记录。观看时检查灯是否保持在指定手中、脸和衣服是否容易识别、桥与温室的空间关系是否连贯。这些是审核项目，不是只要使用参考图就必然成立的结果。
从两张职责明确的参考图开始
下面是相同职责划分的简化模板，并非生成上方保存视频的完整原始提示词：
{
"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"
]
}
}
产品视频可以用清晰白底图负责外观，用场景图负责构图。提示词写明不能变化的细节，例如瓶盖结构、轮廓、材质、颜色或标签位置。如果两张图里的瓶子实际上是不同版本，应先选定一个基准，不要让模型自行融合。
上传前核对数量和时长
PoYo 最多接受 10 张参考图片、5 段参考视频、7 个主体，其中视频主体最多 3 个；顶层参考素材合计最多 15 项。主体在总素材数中按一项计算，不把内部的每张主体照片再次当作顶层素材。额外首帧也占用 10 张图片和 15 项总数的额度。
每段输入视频必须为 3–30 秒，所有参考视频与主体视频的真实时长总和不超过 30 秒。参考生成允许额外一张首帧，不能再加尾帧。需要首尾两张边界帧时，应使用普通图生视频模式，不混入参考数组或主体。
怎样判断额外素材有没有帮助
先保留一份只有清晰主体参考的基线，再加入场景图比较变化。只有当文字不足以说明动作或镜头时，才考虑视频参考。目标是减少歧义，不是把所有输入位置填满。
审核时同时看开头、中段和结尾，检查脸部特征、产品比例、道具关系，以及是否意外输出参考图拼贴。如果画面在转机位后开始漂移，可以先测试更克制的运镜，而不是立即增加更多图片。
费用和未开放字段
图片参考、纯图片主体使用不带视频输入的价格。视频参考或视频主体会进入带视频输入计费，且至少按两倍输出时长计算，具体见价格指南。
官方模型介绍包含更广的多模态创作用法；PoYo 当前 schema 未开放音频参考字段、十张定时关键帧或 4K 输出。接口边界见 API 入门；需要保留已有片段的动作与时间关系时，继续阅读视频编辑教程。