daVinci-MagiHuman API

daVinci-MagiHuman Text zu Video macht aus einem geschriebenen Prompt einen kurzen Clip mit Stimme. daVinci-MagiHuman ist ein offenes Modell mit 15 Milliarden Parametern von Sand.ai und SII-GAIR, das Bild und Tonspur gemeinsam erzeugt. Setzen Sie die Zeile, die die Person sagen soll, in Anführungszeichen, dann spricht das Modell sie. Dieser Endpunkt liefert 5 bis 10 Sekunden in 256p, 720p oder 1080p, im Format 16:9 oder 9:16. Sie können außerdem Ihre eigene Sprachaufnahme oder Ihr Lied als audio_url senden.

Den Modus nach dem Ausgangsmaterial wählen

Bild und Stimme aus einem Prompt

Eine Anfrage liefert das Video und seine Tonspur. Schreiben Sie, wer im Bild ist, was die Person tut und, in Anführungszeichen, was sie sagt. Eine Stimme wählen oder einen zweiten Schritt ausführen müssen Sie nicht.

Was wir gemessen haben

Wir haben zwei Text-zu-Video-Clips erzeugt. Der erste lief in 1080p im Format 16:9: Er kam mit etwa 1904 x 1088, 25 fps, 5,0 Sekunden und Ton zurück, nach etwa 3 Min. 53 Sek. Verarbeitung. Der zweite lief in 720p im Format 9:16: etwa 726 x 1270, 5,0 Sekunden, nach etwa einer Minute. Wir haben die Tonspur beider Clips transkribiert, und jede stimmte Wort für Wort mit der zitierten Zeile im Prompt überein. Die 720p-Größe im Format 16:9 ist nicht exakt 1280 x 720 (ein Bild-zu-Video-Lauf ergab etwa 1358 x 678), behandeln Sie die Größen daher als ungefähre Werte.

Drei Auflösungen, zwei Formate

resolution ist 256p, 720p (Standard) oder 1080p. Das Modell erzeugt mit einer niedrigen Grundauflösung, und seine eigene Hochskalierungsstufe liefert die höheren Stufen. aspect_ratio ist 16:9 (Standard) oder 9:16. Höhere Stufen kosten pro Sekunde mehr; das Format ändert den Preis nicht.

Ihre eigene Tonspur

audio_url ist optional. Mit einer angehängten Sprach- oder Gesangsdatei wird das Video synchron dazu erzeugt, statt eine Stimme zu erfinden. Wir haben das bei Bild zu Video ausprobiert, nicht bei diesem Endpunkt.

Sprachen

Der Hersteller nennt Chinesisch (Mandarin und Kantonesisch), Englisch, Japanisch, Koreanisch, Deutsch und Französisch. Wir haben Englisch getestet.

Kurze gesprochene Clips

Ein Gruß, ein Intro oder ein Teaser: eine Person, eine Zeile, 5 bis 10 Sekunden, mit einer Stimme, die für Sie erzeugt wird.

Vertikale Clips

Stellen Sie aspect_ratio auf 9:16 für Handybildschirme. Unser Hochformat-Lauf in 720p kam mit etwa 726 x 1270 zurück.

Dialogentwürfe

Probieren Sie eine Zeile, ein Gesicht und einen Schauplatz zusammen aus, bevor Sie ein längeres Stück planen.

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "sand-ai/davinci-magihuman/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "duration_seconds": 5,
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p"
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.