以画面质量与一致性为选择重点
V2.1 Master 的定位侧重画面质量与一致性，适合把注意力放在主体表现、场景氛围和镜头整体观感上。创作时可用文字明确主体、动作、环境和光线，再围绕同一镜头调整描述，比较不同结果，选取适合剪辑与展示的片段。
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 创作方式
- 文生视频、首帧图生视频
- 视频时长
- 5 秒或 10 秒
- 视频画幅
- 16:9、9:16、1:1
- 提示控制
- prompt、negative_prompt；cfg_scale 范围 0–1
- 生成结果
- 视频链接、视频 ID、任务 ID、时长与状态
- 照片口播输入
- 人物照片与音频链接；音频支持 mp3/wav/m4a/aac，≤5MB
以上为本平台对应入口的可用规格；照片口播通过动画化与口型同步完成，不属于模型原生伴音。
核心能力
了解 kling-v2-1-master 能为你的工作带来什么。
从文字构想或现有图片起步
没有现成视觉素材时，可用文生视频探索镜头；已有产品图、人物照或场景图时，可用首帧图生视频从指定画面开始。两种方式分别服务于概念探索和素材动画化，提示词重点描述接下来发生的动作，而不是仅重复图片内容。
让人物照片配合已有声音表达
会说话的照片功能接收人物照片和录制好的音频，先生成照片动画，再完成口型同步。可用提示词补充表情或动作要求，获得最终口播视频及中间动画视频，适合已有声音素材、希望快速形成短段人物表达的制作流程。
适用场景
从具体任务出发，找到模型发挥作用的位置。
产品图片转成展示短片
以产品图片作为首帧，描述想要的动作、环境变化和展示重点，制作适合商品介绍或社交内容的短视频。根据投放位置选择横屏、竖屏或方形画幅，交付可进入剪辑流程的视频素材；本型号不通过尾帧图片指定最终构图。
脚本镜头与氛围预演
将脚本拆成独立镜头，为每段写明主体、动作和场景，用文生视频制作视觉草案。5 秒片段可用于简短动作展示，10 秒片段可容纳更完整的过程表达，输出用于讨论构图、节奏和氛围的预演素材，而非一次完成整部影片。
照片口播与角色短句
准备清晰的单人正脸照片与短段音频，制作介绍、问候或角色台词视频。音频建议不长于选定的视频时长，提示词可补充希望出现的表情和动作。最终视频用于口播交付，中间动画则可用于检查照片动态表现。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
质量取向明确，优先考虑 V2.1 Master
在 V2 Master 与 V2.1 Master 之间选择时，可将 V2.1 Master 作为更关注质量与一致性的候选，用同一提示词或首帧比较实际结果。两者都不能因 Master 名称而被理解为支持全部高级控制。若希望使用尾帧约束，可考虑支持该能力的 V2.5 Turbo pro。
需要声音或多素材编辑时换一种方案
普通视频创作需要同步伴音时，可考虑 V2.6 pro 或 V3；需要原生 4K 时可考虑 V3 系列的对应模式。若任务是多图参考、参考视频或已有视频编辑，可选择 O1 或 V3 Omni。已有照片与音频的短口播，则可继续使用本型号的会说话的照片功能。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 普通视频生成不支持尾帧图片、结构化 camera_control 运镜控制或原生同步伴音。可以在提示词中描述镜头意图，但不能把这种描述等同于可精确设定的运镜参数，也不应按首尾帧插值流程设计任务。
- 本型号按 5 秒或 10 秒短片组织创作，不支持原生 4K 模式，也不提供 Omni 多图参考和参考视频编辑。较长内容宜先拆镜头再剪辑，不要将多个参考素材或延长视频作为默认创作方式。
- 照片口播需要提供已有音频，并非输入台词就自动生成声音。照片建议清晰、单人、正脸，音频文件不超过 5MB，时长尽量匹配视频；侧脸、遮挡或过长音频不宜作为首选素材。
常见问题
解答使用 kling-v2-1-master 时的常见疑问。
V2.1 Master 和 V2 Master 怎样选？
V2.1 Master 更适合作为画面质量与一致性取向的候选。建议使用相同提示词或首帧比较两者的实际结果，而不是只看版本名称。两者在这里都按 5 秒或 10 秒短片使用，不能据此推定更多控制能力。
图生视频可以同时指定首帧和尾帧吗？
本型号采用首帧图生视频：提交 start_image_url，并用提示词描述后续动作，不支持 end_image_url 尾帧约束。若必须指定结束画面，可选择支持首尾帧的型号，例如 V2.5 Turbo pro，再按相应创作方式准备素材。
普通视频和会说话的照片有什么区别？
普通视频从文字或首帧图片生成动态画面，本型号不原生同步生成伴音。会说话的照片则必须提供照片和已有音频，通过动画化与口型同步生成口播视频；其中音频是输入素材，不是模型自动创作的声音。
怎样提交一个本型号的视频任务？
调用 POST /kling/videos，显式设置 model 为 kling-v2-1-master，选择 text2video 或 image2video，并提交提示词及 5 或 10 秒时长。图生视频还需首帧图片链接，完成后通过 video_url 获取生成视频。
批量制作时如何跟踪生成结果？
可设置 async=true，先保存返回的 task_id，再查询任务进度；也可配置 callback_url 接收完成通知。取得结果后按任务 ID 关联视频链接和状态。照片口播同样可采用异步方式，并返回最终视频及中间动画链接。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。