Introducción
daVinci-MagiHuman Imagen a video inicia un clip desde tu foto y le da movimiento y voz. daVinci-MagiHuman es un modelo abierto de 15 mil millones de parámetros de Sand.ai y SII-GAIR que genera la imagen y la banda sonora juntas. La foto es el cuadro inicial; el prompt dice qué pasa después y, entre comillas, lo que dice la persona. Este endpoint devuelve de 5 a 10 segundos a 256p, 720p o 1080p, en 16:9 o 9:16, y acepta tu propio archivo de habla o canción como audio_url.
Elige un modo según el material inicial
| Lo que tienes | Modo |
|---|---|
| una descripción escrita | daVinci-MagiHuman Texto a video |
| una foto para partir, con o sin tu propio audio | daVinci-MagiHuman Imagen a video |
Funciones y aspectos destacados
Un cuadro inicial que se mueve y habla
El clip parte de tu imagen. En nuestra prueba sin archivo de audio, ella giró desde el mar, se puso el pelo detrás de la oreja y dijo la frase entre comillas; la transcripción de la banda sonora coincidió palabra por palabra.
Tu propia voz
Con audio_url definido, el video se genera en sincronía con tu habla o canción en lugar de inventar una voz. En nuestra prueba con un clip hablado de 5 segundos, los labios siguieron el audio suministrado, con media sonrisa y movimiento de cejas, y el rostro se mantuvo cerca del retrato de entrada.
Lo que medimos
Ejecutamos dos clips de imagen a video a 720p y 16:9, ambos de 5.0 segundos y ambos de unos 1358 x 678 a 25 fps, así que 720p no es exactamente 1280 x 720. La prueba sin audio tardó unos 1 min 45 s; la prueba con un clip hablado de 5 segundos como audio_url tardó unos 3 min 7 s. No ejecutamos este endpoint a 1080p, en 9:16 ni con una grabación de distinta duración al clip.
Resoluciones y formatos
resolution es 256p, 720p (por defecto) o 1080p, y aspect_ratio es 16:9 (por defecto) o 9:16. El modelo genera con una resolución base baja, y su propia etapa de superresolución produce los niveles superiores. Los niveles superiores cuestan más por segundo; el sonido y el formato no cambian el precio.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Describe qué pasa después de la foto: lo que hace la persona y, entre comillas, lo que dice. Con |
image_url | Sí | El cuadro inicial. Un enlace público y descargable directamente; el clip parte de esta foto. |
audio_url | No | Opcional. Un enlace público a un archivo de habla o canción; el video se genera en sincronía con él en lugar de inventar una voz. |
aspect_ratio | No | 16:9 (por defecto) o 9:16. Nuestras pruebas de imagen a video usaron 16:9. |
resolution | No | 256p, 720p (por defecto) o 1080p. Los niveles superiores cuestan más por segundo. |
duration_seconds | No | De 5 a 10 segundos, por defecto 5, cobrados por segundo. |
seed | No | Entero opcional. El mismo seed con las mismas entradas da resultados parecidos, no garantizados idénticos. |
Precios
Se cobra por segundo de la duración solicitada; la tarifa por segundo depende de la resolución, mientras que el sonido y la relación de aspecto no la cambian. Las solicitudes fallidas no se cobran.
| Especificación | Precio |
|---|---|
| $0.024 / segundo |
| $0.048 / segundo |
| $0.072 / segundo |
Casos de uso
Un retrato que habla con tu grabación
Un retrato más un archivo de habla: los labios siguen tu audio y el rostro se mantiene fiel a la foto.
Un personaje que dice una frase
Un cuadro inicial y una frase corta entre comillas, para ver cómo se ve y suena el personaje antes de comprometerte con más.
Clips verticales desde una foto
Elige 9:16 para feeds e historias. Todas nuestras pruebas de este endpoint usaron 16:9, así que revisa un primer clip.
Guía de prompts y consejos prácticos
Describe el momento siguiente
Escribe lo que pasa después de tomada la foto: ella gira hacia la cámara, se pone el pelo detrás de la oreja, habla. En nuestra prueba ocurrieron las tres cosas.
Con tu propio audio, omite las palabras
La voz viene de audio_url, así que el prompt puede fijar el ánimo, el movimiento y la luz, por ejemplo he speaks low and teasing, a slow half smile and a raised eyebrow, warm amber light.
Ajusta la grabación al clip
Nuestra prueba usó una grabación de 5 segundos para un clip de 5 segundos. No probamos una grabación más corta o más larga que duration_seconds, así que recorta tu audio a la duración que elegiste.
Sin audio, pon la frase entre comillas
Pon entre comillas lo que dice la persona y el modelo lo habla. Probamos inglés.
Cómo elegir entre modelos
Si ya tienes la grabación de voz y un retrato y quieres un clip más largo, de hasta 300 segundos, guiado por ese audio, usa OmniHuman 2.0; Kling Avatar 2.0 es la misma idea. Elige daVinci-MagiHuman cuando quieres que el modelo diga una frase que escribes, o necesitas un clip de 9:16.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "sand-ai/davinci-magihuman/image-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
