Kling O1（Kling Omni Video O1）は、Kuaishou 初の統合型マルチモーダル動画モデルであり、Novita AI API を通じて 4 つの異なる生成モード（Text-to-Video（T2V）、Image-to-Video（I2V）、Reference-to-Video（Ref2V）、Video Edit）を提供します。各モードは異なる入力を受け付け、異なる問題を解決します。間違ったモードを選ぶと、手間とコストが増えます。このガイドでは、各モードが実際に何をするのか、何が必要なのか、Novita AI での料金、そして一般的な開発者ユースケースで最初に試すべきモードについて説明します。
Kling O1 とは
Kling O1 は、Kuaishou の MVL（Multimodal Visual Language）アーキテクチャ上に構築されています。このアーキテクチャは、テキスト、画像、参照、ビデオ編集のタスクを、個別の専用モデルに振り分けるのではなく、1 つのモデルに統合します。これは実際に重要です。基盤となるモーションモデルとアイデンティティエンコーディングが全モードで共有されるため、あるモードで記述されたキャラクターやオブジェクトは、次のモードでも一貫したビジュアル特性を引き継ぎます。
以前の Kling バージョン（V2.5、V2.6、V3.0 Standard/Pro）と比較すると、Kling O1 には構造的に新しい Ref2V と Video Edit の機能が追加されています。これらの機能は、O1 より前の Standard または Pro ティアには存在しませんでした。O1 の T2V と I2V は共有 MVL 基盤を利用しており、従来世代のモデルと比べてフレーム間の被写体の一貫性が向上しています。
Kling O1 は Kling 3.0（Kling O3 とも呼ばれる）とは異なります。Kling 3.0 は、ネイティブ音声の同時生成と最大 15 秒のクリップを追加した後継モデルです。Novita AI 上の Kling O1 は現在、ネイティブ音声なしで最大 10 秒の動画に対応しています。
4 つのモードの概要
| モード | 主な入力 | 必須の入力 | 長さ | Novita AI での料金 |
|---|---|---|---|---|
| T2V | テキストプロンプト | prompt |
5〜10 秒 | $0.112/s |
| I2V | 画像 + プロンプト | image_url, prompt |
5〜10 秒 | $0.112/s |
| Ref2V | 参照画像 + プロンプト | prompt, image_urls または elements |
3〜10 秒 | $0.168/s |
| Video Edit | ソース動画 + プロンプト | video_url, prompt |
3〜10 秒（Fast: 6〜20 秒） | $0.168/s（Fast: $0.09/s） |
料金は 2026-06-26 に Novita AI のモデルページで確認したものです。指定した動画の長さに応じて秒単位で課金されます。
Novita AI での Kling O1 Text-to-Video（T2V）
Endpoint: POST /v3/async/kling-o1-t2v
T2V は、テキストによる説明から完全に動画を生成します。プロンプトを提供すると、モデルがモーション、照明、カメラワーク、シーン構成をゼロから作成します。画像アンカーがないため、モデルはプロンプトの制約内で完全な創造的自由を持ちます。
T2V を使うべきケース:
- 参照画像やシーンのフレームがない場合。
- ビジュアルの方向性を決める前にコンセプトを探っている場合。
- 1 クリップあたりのコストを抑えて多くのビジュアルバリエーションを生成する必要がある場合。
$0.112/s の場合、5 秒のクリップは $0.56、10 秒のクリップは $1.12 です。T2V は Novita AI で 5 秒と 10 秒の長さに対応しており、アスペクト比は 16:9、9:16、1:1 です。
curl --request POST \
--url https://api.novita.ai/v3/async/kling-o1-t2v \
--header 'Authorization: Bearer $NOVITA_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"prompt": "A red fox trotting through a snowy pine forest, golden hour light, cinematic wide shot",
"duration": 5,
"aspect_ratio": "16:9"
}'
Novita AI での Kling O1 Image-to-Video（I2V）
Endpoint: POST /v3/async/kling-o1-i2v
I2V は静止画像を動画クリップにアニメーション化します。ソース画像が開始フレームになり、プロンプトがその後のモーションとシーン展開を制御します。必要に応じて終了フレームを指定してモデルに目標状態を与えることができ、モデルは開始と終了の間のモーションを補間します。
必須: image_url（開始フレーム）と prompt。終了フレーム（end_image_url）はオプションですが、カットポイントで特定の構図を指定したい場合に役立ちます。
I2V を使うべきケース:
- 動かす必要のある既存の画像やデザインがある場合。
- 決定的なビジュアル基盤が必要な場合 — キャラクターやシーンの外観がソース画像で定義されています。
- 既存のアセットからプロダクトデモ、ソーシャルコンテンツ、E コマース用アニメーションを作成している場合。
I2V は $0.112/s で、T2V と同じコストです。主なトレードオフは、I2V は開始フレームを入力画像に固定するため、一貫性は向上しますが、品質の低いソース画像は出力を制限するということです。Novita AI での画像制約: 最小 300×300px、最大ファイルサイズ 10MB、アスペクト比 0.4〜2.5。
curl --request POST \
--url https://api.novita.ai/v3/async/kling-o1-i2v \
--header 'Authorization: Bearer $NOVITA_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"image_url": "https://example.com/product-shot.jpg",
"prompt": "The product slowly rotates to reveal the back panel, soft studio lighting",
"duration": 5,
"aspect_ratio": "1:1"
}'
Novita AI での Kling O1 Reference-to-Video（Ref2V）
Endpoint: POST /v3/async/kling-o1-ref2v
Ref2V は最も柔軟なモードで、O1 の MVL アーキテクチャを最も直接的に活用します。単一の開始フレームではなく、2 つの入力タイプにわたって最大 7 枚の参照画像を指定できます: image_urls（スタイルまたはシーンの参照）と elements（キャラクターまたはオブジェクトのアイデンティティアンカー）。プロンプトでは @Image1、@Image2、@Element1、@Element2 タグを使用して、どの参照をどこに適用するかをモデルに指示します。
これにより、複数のソースアセットからシーンを構成できます。ポートレート写真のキャラクター、ロケーション画像の背景、プロダクト画像の小道具などを、プロンプト内で名前を指定して参照できます。
入力ルール:
promptは必須です。image_urlsとelementsはオプションですが、少なくとも 1 つは意味を持つ必要があります。参照なしのプロンプトだけでも動作しますが、T2V に近い動作になります。- 参照の合計（elements + image_urls）は 7 を超えてはなりません。
elements内の各要素には、複数のreference_image_urls（複数アングルのショット）と、よりクリーンなアイデンティティマッチングのためのオプションのfrontal_image_urlを含めることができます。
Ref2V を使うべきケース:
- 複数のクリップにわたって一貫したキャラクターが必要な場合（エピソードコンテンツ、マーケティングシーケンス）。
- 異なるソース画像のキャラクターやオブジェクトを 1 つのシーンに合成する場合。
- 別の参照セットからビジュアルアイデンティティを維持しながら、モデルに開始フレームから補間させたい場合。
Ref2V は $0.168/s で、T2V および I2V より 50% 高くなります。5 秒のクリップでは $0.84、10 秒では $1.68 です。このプレミアムは、追加の参照エンコーディングステップを反映したものです。ユースケースで画像間のアイデンティティの一貫性が必要ない場合は、$0.112/s の I2V で十分です。
curl --request POST \
--url https://api.novita.ai/v3/async/kling-o1-ref2v \
--header 'Authorization: Bearer $NOVITA_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"prompt": "Take @Image1 as the start frame. @Element1 walks into the scene and picks up the glowing artifact. Cinematic lighting, steady camera.",
"image_urls": ["https://example.com/scene-bg.jpg"],
"elements": [
{
"reference_image_urls": ["https://example.com/character-front.jpg", "https://example.com/character-side.jpg"],
"frontal_image_url": "https://example.com/character-front.jpg"
}
],
"duration": 5,
"aspect_ratio": "16:9"
}'
Novita AI での Kling O1 Video Edit モード
Endpoint（standard）: POST /v3/async/kling-o1-video-edit
Endpoint（fast）: Novita AI の Fast VideoEdit バリアントから利用可能
Video Edit は、既存の動画を入力として受け取り、自然言語プロンプトを使用して変換します。モデルは、タイミング、カメラワーク、アクションの流れといった元のモーション構造を維持しながら、プロンプトに従って被写体、環境、ビジュアルスタイルを変更します。また、Ref2V と同じ @Image1 / @Element1 タグ付けシステムを使用して、参照画像と要素アンカーを指定することもできます。
必須: video_url（ソース動画、3〜10 秒、MP4 または MOV、720〜2160px、最大 200MB）と prompt。
2 つのバリアント:
- Standard VideoEdit: 3〜10 秒のソース動画に対応、$0.168/s。
- Fast VideoEdit: 6〜20 秒のソース動画に対応、$0.09/s — Novita AI 上のすべての Kling O1 モードの中で最も低い秒単価です。
Video Edit を使うべきケース:
- 再撮影なしでスタイルや内容を変更する必要がある映像がある場合。
- 既存の動画で同じ動きを維持したままキャラクターを置き換えたい場合。
- 実写クリップをアニメーションスタイルに変換する必要がある場合。
主な制限: ソース動画がモーションを制御します。Video Edit は被写体の動作を変更することはできません。変更できるのは被写体の外観と、被写体がいる環境だけです。モーションを変更する場合は、代わりに T2V または I2V で新しい映像を生成してください。
curl --request POST \
--url https://api.novita.ai/v3/async/kling-o1-video-edit \
--header 'Authorization: Bearer $NOVITA_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
"video_url": "https://example.com/source-clip.mp4",
"prompt": "Transform the setting to a neon-lit cyberpunk alley, keep the character movements exactly as-is",
"duration": 5
}'
Novita AI での料金
Novita AI 上のすべての Kling O1 モードは、リクエスト時に設定した動画の長さに基づく秒単位課金です。料金は 2026-06-26 に確認したものです。
| モード | エンドポイント | 長さの範囲 | 秒単価 | 5 秒のコスト | 10 秒のコスト |
|---|---|---|---|---|---|
| T2V | /v3/async/kling-o1-t2v |
5〜10 秒 | $0.112 | $0.56 | $1.12 |
| I2V | /v3/async/kling-o1-i2v |
5〜10 秒 | $0.112 | $0.56 | $1.12 |
| Ref2V | /v3/async/kling-o1-ref2v |
3〜10 秒 | $0.168 | $0.84 | $1.68 |
| VideoEdit | /v3/async/kling-o1-video-edit |
3〜10 秒 | $0.168 | $0.84 | $1.68 |
| VideoEdit Fast | （Novita AI の Fast バリアント） | 6〜20 秒 | $0.090 | — | $0.90 |
Novita AI の新規ユーザーは無料クレジットを受け取れます。料金は変更される可能性があるため、最新の料金は Novita AI の料金ページ で確認してください。
最初に使うべきモードは？
コンセプトの探索が目的の場合、または特定の画像アセットがない場合は、T2V から始めましょう。必須パラメータは 1 つ（prompt）だけで、アセットの準備は不要で、最も簡単に始められます。
動かす必要のある画像がある場合は、I2V に移行します。プロダクト画像、キャラクターイラスト、シーン背景はすべて I2V の開始フレームとして適しています。T2V と同じ価格で、より視覚的なコントロールが可能です。
クリップ間のアイデンティティの一貫性が重要な場合は、Ref2V を使用します。たとえば、複数のシーンに登場するキャラクターや、特定の人物と特定の環境を組み合わせる場合です。50% の価格プレミアムを考慮してください。単一クリップの生成には必要ありません。
既存の映像のビジュアルを大幅に変更する必要があるものの、モーションはそのまま維持したいポストプロダクションワークフローには、Video Edit を予約しておきましょう。$0.09/s の Fast バリアントは、生成速度がそれほど重要でない長めの編集（6〜20 秒）に最もコスト効率の高いオプションです。
| 状況 | 推奨モード |
|---|---|
| 画像がない、アイデアを探索中 | T2V |
| プロダクトやシーンの画像があり、動きを付けたい | I2V |
| 複数のクリップで同じキャラクターが必要 | Ref2V |
| 動画映像があり、見た目を変えたい | VideoEdit（standard） |
| 長めの編集（6〜20 秒）、コスト重視 | VideoEdit Fast |
Novita AI で Kling O1 API を呼び出す方法
Novita AI 上の 4 つの Kling O1 モードはすべて非同期です。各リクエストはすぐに task_id を返します。ステータスが succeed になるまでタスク結果エンドポイントをポーリングします。
# Step 1: Submit your generation task (example: T2V)
RESPONSE=$(curl --silent --request POST \
--url https://api.novita.ai/v3/async/kling-o1-t2v \
--header "Authorization: Bearer $NOVITA_API_KEY" \
--header "Content-Type: application/json" \
--data '{"prompt": "Your prompt here", "duration": 5, "aspect_ratio": "16:9"}')
TASK_ID=$(echo $RESPONSE | python3 -c "import sys,json; print(json.load(sys.stdin)['task_id'])")
# Step 2: Poll for results
curl --request GET \
--url "https://api.novita.ai/v3/async/task-result?task_id=$TASK_ID" \
--header "Authorization: Bearer $NOVITA_API_KEY"
レスポンスには status フィールドが含まれます。succeed の場合は、videos 配列に出力 URL が含まれます。一般的な生成時間は、動画の長さとモードに応じて 30〜120 秒です。
API キーは Novita AI ダッシュボード から取得できます。新しいアカウントには、本番ボリュームを決める前に 4 つのモードすべてをテストできる無料クレジットが付与されます。
まとめ
Novita AI 上の Kling O1 は、単一の統合 API を通じて、開発者に 4 つの異なる動画生成モード（T2V、I2V、Ref2V、Video Edit）を提供します。T2V と I2V は、$0.112/s で一般的な生成ユースケースをカバーします。Ref2V は、$0.168/s で繰り返し登場するキャラクターのためのマルチ参照アイデンティティ合成を追加します。Video Edit は、モーションを維持したまま既存の映像を変換し、長いクリップ向けに $0.09/s の Fast バリアントを提供します。適切なモードを最初に選ぶことで、コストを節約し、摩擦を減らせます。画像アセットがない場合は T2V、ある場合は I2V、クリップ間のアイデンティティの一貫性が重要な場合は Ref2V、モーションがすでに撮影済みの場合は Video Edit から始めましょう。すべてのモードは Novita AI 上で同じ非同期タスクパターンを共有するため、複数のモードを 1 つのパイプラインに統合するために必要な追加コードは最小限です。
*Novita AI は、開発者に動画、画像、音声、言語モデルへのホスト型アクセスを統一 API を通じて提供する AI クラウドプラットフォームです。 *
よくある質問
**Novita AI 上の Kling O1 T2V と I2V の違いは何ですか？ **
T2V はテキストプロンプトのみから動画を生成します — 画像は不要です。I2V は画像を開始フレームとして受け取り、プロンプトに従ってアニメーション化します。どちらも $0.112/s で、5〜10 秒のクリップに対応しています。探索には T2V を、特定のビジュアルアンカーがある場合は I2V を使用してください。
**I2V にはできない、Kling O1 Ref2V の機能は何ですか？ **
Ref2V は、複数の入力スロットにわたって最大 7 枚の参照画像を受け付け、キャラクターのアイデンティティ、シーン背景、スタイルのために別々のソースを組み合わせることができます。プロンプト内で各入力を名前で参照します（@Element1、@Image1）。I2V は単一の開始フレームを使用し、名前付き参照システムはありません。
**Kling O1 は Kling 3.0 と同じですか？ **
いいえ。Kling O1（2025 年 12 月リリース）は、ベースとなる統合型マルチモーダル動画モデルです。Kling 3.0（Kling O3 とも呼ばれ、2026 年 2 月リリース）は、ネイティブ音声の同時生成と最大 15 秒のクリップを追加した後継モデルです。Novita AI 上の Kling O1 は、ネイティブ音声なしで最大 10 秒の動画に対応しています。
**VideoEdit standard と VideoEdit Fast はどう使い分けますか？ **
Standard VideoEdit は 3〜10 秒のソースクリップを $0.168/s で受け付けます。Fast VideoEdit は 6〜20 秒のクリップを $0.09/s で受け付けます。ソース動画が 10 秒未満で、ターンアラウンドタイムが重要な場合は Standard を使用してください。長いクリップがある場合や、バッチのポストプロダクション作業を行っている場合は、Fast の方が大幅に安くなります。
