Introducción
El endpoint talking-avatar de InfiniteTalk anima desde audio a una persona fotografiada, acepta indicaciones de escena y movimiento y ofrece un seed para comparar un cambio a la vez.
| Campo | Valor |
|---|---|
| Entrada | Imagen y Audio |
| Salida | Video |
| Desarrollador y pesos | MeiGen-AI; pesos abiertos bajo Apache-2.0 |
| Procesos de entrada | talking-avatar: foto + audio; lip-sync: video + audio |
| Rango de grabación | 3–600 segundos |
| Salida y duración | MP4; duración guiada por audio |
| Interpretación en video | Boca, expresiones, movimiento de cabeza y postura pueden regenerarse |
| Máscara de hablante | Imagen |
| Instrucción de video | Descripción opcional de escena y movimiento, hasta 2.000 caracteres |
| Selección de resolución | 480p o 720p; el endpoint de video usa 480p por defecto |
| Duración cobrable | Audio de entrada redondeado hacia arriba al entero, mínimo de tres segundos |
| Multiplicador por nivel | Cada segundo 720p se cobra al doble de la tarifa 480p |
| Función de la semilla | Comparar un cambio; no se garantiza una salida idéntica |
| Almacenamiento de salida | Disponibilidad de 14 días antes de su eliminación |
Funciones y aspectos destacados
Una explicación corta de Saturno
El astrónomo habló junto a su telescopio de azotea durante unos nueve segundos en nuestras pruebas. La interpretación siguió la grabación con movimiento natural sutil.
Un retrato de bar interpreta la frase
El bar en 480p anima a un hombre con corbata aflojada diciendo: «Last call already? Then stay for one more.» Hay movimiento natural de cabeza ante el cálido entorno del bar.
Identifica a la persona y cambia un detalle
Marca a quien habla en blanco en una máscara opcional si comparten foto varias personas. seed fijo ayuda a comparar un ajuste de prompt o resolución a la vez, sin prometer resultados idénticos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
image_url | Sí | Foto que contiene a la persona que debe hablar; si hay varias personas, combínala con una máscara de hablante. InfiniteTalk cobra según los segundos de audio y la resolución. mínimo 1 caracteres |
audio_url | Sí | Grabación de voz de 3 segundos a 10 minutos; su duración determina el cobro por segundo con un mínimo de 3 segundos. mínimo 1 caracteres |
prompt | No | Descripción opcional de escena y movimiento para InfiniteTalk; el precio depende de la duración del audio y de la resolución seleccionada, no de la redacción del prompt. mínimo 1 caracteres · máximo 2000 caracteres |
mask_url | No | Máscara opcional para una foto de grupo: marca en blanco a quien habla. La máscara de hablante no modifica la regla de cobro por segundos de audio y resolución. mínimo 1 caracteres |
resolution | No | 480p o 720p; al elegir 720p, cada segundo de audio cuesta el doble de la tarifa de 480p. |
seed | No | Reutiliza un seed para mantener la misma fuente aleatoria al comparar un cambio a la vez, sin garantizar fotogramas idénticos; no cambia la tarifa por duración y resolución. |
Precios
InfiniteTalk se cobra por segundo de audio de entrada, con un cargo mínimo de 3 segundos. Seleccionar 720p duplica la tarifa por segundo de 480p; las solicitudes fallidas no tienen cargo.
| Especificación | Precio |
|---|---|
| $0.036 / segundo |
| $0.072 / segundo |
Casos de uso
Dale una respuesta grabada a un personaje fijo
Usa talking-avatar cuando partas de un retrato. Tu grabación aporta la voz y la frase, mientras el modelo añade los movimientos al hablar.
Cambia el ánimo de material existente
Elige lip-sync para obtener una interpretación nueva a partir de un clip. En la prueba del taller floral, una grabación que pasó de duda a alegría hizo que levantara la cabeza, animara la expresión y moviera los hombros.
Crea un clip de presentador desde una narración
Combina una foto o video de presentador con una explicación preparada. Se acepta audio de 3 a 600 segundos; revisa el resultado completo si utilizas una grabación más larga.
Dirige a una persona en una escena compartida
Marca en blanco al hablante deseado en una máscara enviada por mask_url. Así seleccionas a una persona del original; la prueba de la florista mostrada usa un solo hablante sin máscara.
Afina la interpretación antes de una ejecución larga
Prueba una grabación breve y una instrucción de movimiento moderada en 480p. Compara un cambio con semilla fija y decide si usar 720p para el clip final con el doble de tarifa.
Guía de prompts y consejos prácticos
Identifica a quien debe hablar
Envía la foto de origen y una grabación dentro de la duración aceptada; para una foto de grupo, agrega una máscara que marque en blanco a quien habla.
Selecciona el nivel y los controles de comparación
Elige 480p o 720p y agrega opcionalmente un prompt de escena; reutiliza un seed al comparar un ajuste sin esperar resultados idénticos.
Una interpretación hablada desde una foto
El endpoint talking-avatar de InfiniteTalk combina image_url y audio_url en un video con sincronización labial. La foto aporta persona y escena; la voz grabada impulsa la interpretación. El movimiento natural de cabeza y cuerpo acompaña la boca animada. Úsalo para retratos narrados, clips de presentadores o un intercambio breve de personaje basado en una grabación.
Es la versión estándar de InfiniteTalk, publicada por MeiGen-AI como código abierto bajo Apache-2.0. Los controles abarcan foto, voz, dirección opcional, selección de hablante, resolución y seed. Planea desde esas entradas sin importar ajustes de otra implementación.
Parámetros y funciones
| Parámetro | Obligatorio | Qué proporcionar |
|---|---|---|
image_url | Sí | Foto del hablante adulto que tengas derecho a utilizar. |
audio_url | Sí | Voz grabada autorizada, de 3 segundos a 10 minutos. |
prompt | No | Descripción breve de escena y movimiento al hablar. |
mask_url | No | Máscara grupal con el hablante marcado en blanco. |
resolution | Elige un nivel | 480p o 720p; determina la tarifa por segundo. |
seed | No | Valor fijo para comparar un cambio sin prometer salida idéntica. |
Usa solo adultos y evita toda suplantación. Verifica derechos de foto y voz por separado. Si aparecen varias personas, la zona blanca identifica a quien debe hablar. La descripción de escena no sustituye ese control.
El precio sigue la grabación
Las solicitudes completadas se cobran por segundos de audio de entrada, con mínimo de tres segundos. En 720p cada segundo cuesta el doble que en 480p. Las solicitudes fallidas no tienen cargo. Consulta el precio vigente en la página de InfiniteTalk al planear.
Elige juntos duración y resolución. Una prueba corta en 480p permite revisar la interpretación antes de una grabación larga. Pasar a 720p modifica la tarifa sin establecer que boca o movimiento coincidan con un render anterior.
Redacta dirección para el retrato
La grabación lleva las palabras
Prepara el diálogo en el audio. Usa prompt opcional para detalles visibles: entorno, ambiente, expresión y un movimiento pequeño. Para una foto de bar, una dirección posible es: «Un hombre de casi cuarenta años con corbata aflojada habla suavemente al otro lado del bar con una pequeña media sonrisa bajo luz ámbar cálida».
Adapta la instrucción a lo visible en la fuente. Ropa, luz y entorno concretan la dirección, pero deben describir el retrato que animarás. Este es un flujo hablado de foto y audio; los ejemplos no establecen reemplazo de vestimenta o fondo.
Facilita evaluar el movimiento
Empieza con una acción de habla y una señal moderada, como asentir o inclinar la cabeza suavemente. Revisa esa señal en el clip antes de añadir otra. Un presentador adulto explicando un tema y un personaje adulto hablando bajo en un bar necesitan ambientes distintos, aunque ambos tengan movimiento contenido.
Para comparar, conserva foto, grabación, resolución y seed mientras cambias una frase. Mantener seed facilita comparar un cambio, sin prometer el mismo video o fotogramas idénticos. Juzga la interpretación viendo y escuchando cada salida.
Qué demostraron las muestras
- Astronomía en la azotea: el retrato junto al telescopio interpretó unos nueve segundos de habla sobre Saturno. Mostró sincronización labial y movimiento sutil y natural de cabeza.
- Bar nocturno: el retrato de hombre con corbata aflojada en 480p interpretó «Last call already? Then stay for one more.» Hubo movimiento natural de cabeza acompañando la frase.
Son observaciones de los ejemplos, sin prometer lo mismo para cualquier retrato o grabación. No verifican máscaras de hablante, comparaciones de seed ni el rango completo de diez minutos. Contrasta inicio, pausas y final de tu grabación con el movimiento generado.
Restricciones y elección de otro modelo
El audio fuera de 3 segundos a 10 minutos excede los límites declarados. Una duración admitida no implica que las muestras cortas validen calidad sostenida en todo ese rango. La máscara grupal selecciona un hablante; las muestras no demuestran diálogo alternado multivoz.
Descarga los archivos dentro de 14 días; después se eliminan. Conserva el clip con registro de foto, audio y ajustes si importan futuras revisiones.
Elige Talking Avatar para la versión del mismo modelo abierto enfocada en velocidad; InfiniteTalk ofrece la estándar con 720p. Considera HeyGen Avatar IV si necesitas imagen de fondo, expresividad ajustable o cinco niveles de resolución a igual tarifa. Compara esos controles con tu proyecto sin asumir la misma interpretación.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "meigen-ai/infinitetalk-v1/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"resolution": "480p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.


