Video Modelskling-ai
معرفی و مستندات مدل هوش مصنوعی v2.5-turbo-pro-image-to-video
مستندات مدل پیشرفته تبدیل تصویر به ویدیو v2.5-turbo-pro-image-to-video از Kling AI، ارائه شده توسط ای آی کار (AI-KAR).
معرفی و بررسی فنی
⚡ وضعیت پشتیبانی از زبان فارسی
این مدل از زبان فارسی به صورت متوسط پشتیبانی میکند. برای دریافت بهترین نتیجه، توصیه میشود از توضیحات متنی (prompt) انگلیسی استفاده کنید.
مدل v2.5-turbo-pro-image-to-video از Kling AI، که توسط ای آی کار (AI-KAR) ارائه میشود، یک مدل پیشرفته هوش مصنوعی برای تولید ویدیو از تصاویر است. این مدل قادر است با دریافت یک تصویر و یک توضیح متنی (prompt)، یک ویدیوی کوتاه با کیفیت بالا تولید کند. این مدل به ویژه برای تولید محتوای خلاقانه، تبلیغات، آموزش و سرگرمی مناسب است. با استفاده از این مدل، کاربران میتوانند به راحتی ایدههای خود را به ویدیو تبدیل کنند، بدون نیاز به مهارتهای تخصصی در زمینه تولید ویدیو. این مدل از الگوریتمهای پیشرفته یادگیری عمیق برای تحلیل تصویر ورودی و تولید ویدیو استفاده میکند. یکی از ویژگیهای برجسته این مدل، توانایی آن در درک و تفسیر دقیق توضیحات متنی است. این به کاربران اجازه میدهد تا با ارائه توضیحات دقیق و جزئی، ویدیویی مطابق با نظر خود تولید کنند. همچنین، این مدل از قابلیتهای پیشرفتهای برای کنترل سبک و محتوای ویدیو برخوردار است. کاربران میتوانند با استفاده از پارامترهای مختلف، جنبههای مختلف ویدیو را تنظیم کنند، از جمله مدت زمان ویدیو، میزان تاثیرگذاری prompt، و عناصر ناخواسته در ویدیو. این مدل به طور مداوم در حال بهبود است و با هر نسخه جدید، کیفیت و قابلیتهای آن افزایش مییابد. تیم توسعهدهنده ای آی کار (AI-KAR) به طور مداوم در حال بررسی و ارزیابی عملکرد این مدل است و تلاش میکند تا با ارائه بهروزرسانیهای منظم، تجربه کاربری را بهبود بخشد. این مدل از API قدرتمندی برخوردار است که به توسعهدهندگان اجازه میدهد تا آن را در برنامهها و سرویسهای خود ادغام کنند. با استفاده از API، توسعهدهندگان میتوانند به راحتی ویدیوهای تولید شده توسط این مدل را در برنامههای خود نمایش دهند، ویرایش کنند و به اشتراک بگذارند. این مدل از نظر امنیتی نیز بسیار قوی است و از اطلاعات کاربران محافظت میکند. تمام دادههای ورودی و خروجی رمزگذاری میشوند و در سرورهای امن نگهداری میشوند. ای آی کار (AI-KAR) به حریم خصوصی کاربران اهمیت زیادی میدهد و تمام تلاش خود را برای حفظ امنیت اطلاعات آنها به کار میگیرد. در مجموع، مدل v2.5-turbo-pro-image-to-video یک ابزار قدرتمند و کارآمد برای تولید ویدیو از تصاویر است که به کاربران امکان میدهد به راحتی ایدههای خود را به واقعیت تبدیل کنند.
مشخصات فنی (API References)
| پارامتر | نوع | توضیحات و مقادیر |
|---|---|---|
model | stringRequired | مدل مورد استفاده برای تولید ویدیو. مقدار ثابت: klingai/v2.5-turbo/pro/image-to-video مقادیر مجاز (کلیک برای کپی): |
image_url | stringRequired | یک لینک مستقیم به یک تصویر آنلاین یا یک تصویر محلی کدگذاری شده به صورت Base64 که به عنوان پایه بصری یا اولین فریم برای ویدیو استفاده میشود. |
prompt | stringRequired | توضیحات متنی صحنه، موضوع یا عملی که میخواهید در ویدیو تولید شود. |
duration | integer | طول ویدیوی خروجی بر حسب ثانیه. مقادیر مجاز: 5 یا 10 مقادیر مجاز (کلیک برای کپی): |
negative_prompt | string | توضیحات عناصری که باید در ویدیوی تولید شده از آنها اجتناب شود. |
cfg_scale | number | مقیاس CFG (Classifier Free Guidance) معیاری است برای اینکه مدل چقدر به prompt شما پایبند باشد. حداکثر مقدار: 1 |
generation_id | stringRequired | شناسه تولید (generation ID) که از درخواست ایجاد ویدیو دریافت شده است. |
نمونه کدهای درخواست
نکته مهم برای توسعهدهندگان:
برای احراز هویت، حتما کلید API خود را جایگزین YOUR_API_KEY کنید. هدر Authorization الزامی است.
import requests
import time
# Insert your AI-KAR API Key instead of <YOUR_AI-KARAPI_KEY>:
api_key = "<YOUR_AI-KARAPI_KEY>"
base_url = "https://api.ai-kar.com/v1"
# Creating and sending a video generation task to the server
def generate_video():
url = f"{base_url}/generate/video/kling/generation"
headers = {
"Authorization": f"Bearer {api_key}",
}
data = {
"model": "klingai/v2.5-turbo/pro/image-to-video",
"prompt": "Mona Lisa puts on glasses with her hands.",
"image_url": "https://s2-111386.kwimgs.com/bs2/mmu-aiplatform-temp/kling/20240620/1.jpeg",
"duration": "5",
}
response = requests.post(url, json=data, headers=headers)
if response.status_code >= 400:
print(f"Error: {response.status_code} - {response.text}")
else:
response_data = response.json()
return response_data
# Requesting the result of the task from the server using the generation_id
def get_video(gen_id):
url = f"{base_url}/generate/video/kling/generation"
params = {
"generation_id": gen_id,
}
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"
}
response = requests.get(url, params=params, headers=headers)
return response.json()
def main():
# Running video generation and getting a task id
gen_response = generate_video()
gen_id = gen_response.get("id")
print("Generation ID: ", gen_id)
# Trying to retrieve the video from the server every 10 sec
if gen_id:
start_time = time.time()
timeout = 1000
while time.time() - start_time < timeout:
response_data = get_video(gen_id)
if response_data is None:
print("Error: No response from API")
break
status = response_data.get("status")
print("Status:", status)
if status == "waiting" or status == "active" or status == "queued" or status == "generating":
print("Still waiting... Checking again in 10 seconds.")
time.sleep(10)
else:
print("Processing complete:/n", response_data)
return response_data
print("Timeout reached. Stopping.")
return None
if __name__ == "__main__":
main()نمونه پاسخ موفق (JSON)
RESPONSE (200 OK)
{
"id": "60ac7c34-3224-4b14-8e7d-0aa0db708325",
"status": "completed",
"video": {
"url": "#",
"duration": 8
},
"duration": 8,
"error": null,
"meta": {
"usage": {
"tokens_used": 120000
}
}
}