Introducción
Sube un retrato y una grabación de voz. Un prompt opcional orienta la expresión y el movimiento; si no lo usas, la interpretación sigue el audio.
| Campo | Valor |
|---|---|
| Entrada | Imagen y Audio |
| Salida | Video |
| Combinación de entrada | Un retrato y una grabación de voz |
| Formatos de retrato | JPEG, PNG o WebP |
| Límite de duración del audio | Hasta 120 segundos |
| Prompt de interpretación | Opcional; entre 1 y 2,000 caracteres si se incluye |
| Opciones de resolución de salida | 480p o 720p |
| Resolución predeterminada | 720p |
| Relación de tarifas por resolución | Para la misma duración de audio: tarifa 720p = 2 x tarifa 480p |
| Base de facturación | Cada segundo iniciado de la grabación de entrada |
| Cargo mínimo | Cuatro segundos |
| Ejecuciones sin terminar | Sin cargo |
| Entrada del ensayo documentado | Un retrato y 9.2 segundos de audio, con 480p seleccionado |
| Salida del ensayo documentado | MP4, 556 x 740 píxeles, 9.38 segundos |
Funciones y aspectos destacados
Una grabación breve devuelta como MP4
Nuestra ejecución del 18 de noviembre de 2026 combinó un retrato con un clip de voz de 9.2 segundos y devolvió un MP4 de 556 x 740 píxeles y 9.38 segundos. La solicitud seleccionó 480p y pidió una forma de hablar cálida con movimientos de cabeza tranquilos y naturales. Reproduce el ejemplo con sonido para revisar la interpretación.
Define el estilo al hablar
Usa hasta 2,000 caracteres para orientar la expresión y el movimiento. Incluye las palabras en la grabación y describe la interpretación en el prompt: acogedora, serena o concentrada, con los movimientos de cabeza que quieres ver. Mantén la indicación lo bastante breve para contrastarla con el clip terminado.
Elige la tarifa antes de enviar
Puedes elegir 480p o 720p, con 720p como valor predeterminado. Para la misma duración de audio de entrada, 720p cuesta el doble que 480p. Se factura cada segundo iniciado de la grabación de entrada, con un mínimo de cuatro segundos; las ejecuciones que no terminan no generan cargos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
image_url | Sí | El retrato que cobrará vida. mínimo 1 caracteres |
audio_url | Sí | La grabación de voz, hasta 120 segundos, con un cobro mínimo de 4 segundos. mínimo 1 caracteres |
prompt | No | Indicación opcional sobre expresión y movimiento. mínimo 1 caracteres · máximo 2000 caracteres |
resolution | No | Elige 480p o 720p (predeterminado). 720p cuesta el doble que 480p. |
Precios
Talking Avatar Flash se cobra por segundo iniciado del audio de entrada, con un mínimo de cuatro segundos y sin costo si la ejecución no termina.
| Especificación | Precio |
|---|---|
| $0.162 / segundo |
| $0.324 / segundo |
Casos de uso
Una presentación grabada
Combina el retrato de quien presenta con una grabación de bienvenida preparada para un curso o evento. Dale una función concreta a la indicación opcional, como una expresión amable con movimientos de cabeza discretos, y revisa la interpretación antes de compartirla.
Una explicación de producto guiada por la voz
Usa el retrato de un vocero profesional con una grabación que explique el producto. Define las palabras en el audio antes de generar y describe en el prompt la expresión y los movimientos que quieres probar.
Una guía para una exposición
Combina el retrato de un guía con una grabación preparada sobre una pieza de la exposición. Describe una expresión serena y movimientos de cabeza discretos; luego revisa el video junto con la narración antes de incorporarlo a los materiales de la exposición.
Una bienvenida para un taller
Agrega una introducción grabada a la lección al retrato de un instructor de artesanías. Pide una interpretación relajada en el prompt de movimiento y comprueba que el clip terminado siga el ritmo de los materiales didácticos.
Guía de prompts y consejos prácticos
Prepara el retrato y la grabación
Elige un retrato JPEG, PNG o WebP y una grabación de voz de hasta 120 segundos. Escucha el audio completo y define las palabras antes de subirlo.
Indica la expresión y el movimiento
Agrega una indicación breve para la interpretación, como una expresión de bienvenida con movimientos de cabeza discretos. El prompt es opcional y acepta hasta 2,000 caracteres.
Selecciona la resolución de salida
Elige 480p o 720p; el valor predeterminado es 720p. Con la misma duración de audio de entrada, 720p cuesta el doble que 480p.
Revisa el video terminado
Reproduce el clip con sonido y compara los movimientos de la boca, la expresión y el cierre con tu grabación. Evalúa la interpretación en el contexto donde usarás el video.
Haz que un retrato pronuncie tu grabación
Talking Avatar Flash anima un retrato estático a partir de una grabación de voz. Proporciona la imagen y el audio, elige 480p o 720p y agrega indicaciones opcionales de expresión y movimiento. Este flujo sirve para dar la bienvenida a un curso, presentar a un expositor o explicar un producto cuando las palabras ya están preparadas.
La grabación contiene lo que se dice. Usa el prompt como una indicación de interpretación: qué expresión debe mostrar el rostro y cómo debe moverse la cabeza mientras habla la persona. Distinguir esas funciones facilita preparar las entradas y evaluar el video devuelto.
Prepara el retrato y el audio
Proporciona un retrato JPEG, PNG o WebP en image_url y una grabación de voz en audio_url. Ambos campos requieren un valor que no esté vacío. El audio puede durar hasta 120 segundos, así que comprueba la duración del archivo completo antes de enviarlo.
Elige un retrato en el que puedas examinar claramente el rostro. Escucha la grabación de principio a fin y define las palabras, las pausas y el cierre antes de generar. Elimina una toma que no quieras o un silencio accidental al preparar el audio, en lugar de intentar corregir el contenido hablado mediante el prompt de movimiento.
Campos de entrada
Usa las dos URL obligatorias para los materiales originales y después configura los campos opcionales según la interpretación y la altura de salida que busques.
| Campo | Función | Valor aceptado |
|---|---|---|
image_url | Retrato que se animará | Cadena obligatoria no vacía; JPEG, PNG o WebP |
audio_url | Grabación de voz que aporta las palabras | Cadena obligatoria no vacía; hasta 120 segundos |
prompt | Indicaciones de expresión y movimiento | Opcional; entre 1 y 2,000 caracteres si se incluye |
resolution | Configuración de altura de salida | 480p o 720p; valor predeterminado 720p |
Escribe indicaciones que puedas revisar
Describe la expresión y el movimiento en una instrucción breve y coherente. Para una bienvenida, puedes pedir una expresión amable y movimientos de cabeza estables. Para una explicación, una expresión concentrada con movimientos pequeños y medidos ofrece otra dirección que evaluar. Ajusta la instrucción al propósito de la grabación.
Evita llenar el prompt con otra versión del guion. Si debes cambiar el nombre de un producto, un detalle de la lección o un saludo, modifica el audio antes de enviar la siguiente solicitud. Usa el campo de texto para la interpretación que quieres ver mientras se reproduce esa grabación.
Cuando no necesites indicaciones escritas, omite prompt. Si lo incluyes, usa un valor no vacío y respeta el límite de 2,000 caracteres. Para comparar dos indicaciones, mantén el mismo retrato, grabación y resolución, y modifica una instrucción concreta de expresión o movimiento. Guarda ambos prompts con sus resultados para revisar la diferencia.
Elige la resolución y calcula el cargo
Las alturas de salida disponibles son 480p y 720p. Si omites resolution, se selecciona 720p. Con la misma duración de audio de entrada, 720p cuesta el doble que 480p. Elige la configuración antes del envío y usa el precio que aparece en esta página para planear la solicitud.
Se factura cada segundo iniciado del audio de entrada y se aplica un mínimo de cuatro segundos. Una grabación de menos de cuatro segundos también usa ese mínimo. En grabaciones más largas, una fracción de segundo cuenta como un segundo iniciado. Basa tu estimación en la grabación original y la resolución seleccionada, en lugar de la duración del video devuelto. Las ejecuciones que no terminan no generan cargos.
Nuestro resultado con retrato y audio
El 18 de noviembre de 2026, nuestra ejecución night-sky-talk combinó un retrato con un clip de voz de 9.2 segundos en la configuración 480p. Devolvió un MP4 de 556 x 740 píxeles y 9.38 segundos. La indicación de movimiento fue:
He speaks warmly with calm, natural head movement.
Abre el ejemplo con sonido para revisar cómo el retrato hablado presenta la grabación. En esta ejecución, el audio de entrada y el video devuelto tienen duraciones medidas distintas; usa la grabación de entrada para calcular el cargo basado en el audio.
Revisa antes de compartir
Mira el clip terminado junto con el retrato y la grabación originales. Compara los movimientos de la boca con las palabras, examina la expresión durante las pausas y escucha hasta el final. Considera si la interpretación encaja en el lugar que ocupará dentro de tu lección, presentación o explicación de producto.
Si quieres ajustar la interpretación, identifica una expresión o un movimiento específico que cambiar. Si lo que se dice necesita una corrección, prepara una grabación nueva. Conserva las entradas, el prompt y la resolución con el resultado para que la siguiente solicitud tenga un punto de partida claro.
Compara otras opciones de avatares hablados
Elige este endpoint cuando tu tarea comience con un retrato y una grabación preparada de hasta 120 segundos, y sus opciones de 480p o 720p se ajusten al uso previsto. Para otro flujo de avatares hablados, compara las páginas de talking-avatar/v1 e infinitetalk/v1. Revisa sus campos de entrada, configuraciones y precios visibles en relación con los materiales originales que usarás antes de elegir una familia de modelos.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "spicyapi/talking-avatar-flash/talking-avatar",
"input": {
"audio_url": "https://example.com/reference.mp3",
"image_url": "https://example.com/reference.png",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
