Introduction
daVinci-MagiHuman Image vers vidéo lance un clip à partir de votre photo et lui donne du mouvement et une voix. daVinci-MagiHuman est un modèle ouvert de 15 milliards de paramètres de Sand.ai et SII-GAIR qui génère l’image et la bande sonore ensemble. La photo sert de première image ; le prompt décrit ce qui se passe ensuite et, entre guillemets, ce que dit la personne. Ce point de terminaison renvoie de 5 à 10 secondes en 256p, 720p ou 1080p, en 16:9 ou 9:16, et accepte votre propre fichier de parole ou de chanson en audio_url.
Choisir un mode selon le point de départ
| Ce que vous avez | Mode |
|---|---|
| une description écrite | daVinci-MagiHuman Texte vers vidéo |
| une photo de départ, avec ou sans votre propre audio | daVinci-MagiHuman Image vers vidéo |
Fonctionnalités et points forts
Une première image qui bouge et parle
Le clip part de votre image. Dans notre essai sans fichier audio, elle s’est détournée de la mer, a replacé une mèche derrière l’oreille et a prononcé la réplique entre guillemets ; la transcription de la bande sonore correspondait mot pour mot.
Votre propre voix
Avec audio_url renseigné, la vidéo est générée en synchronisation avec votre fichier de parole ou de chanson au lieu d’inventer une voix. Dans notre essai avec un clip parlé de 5 secondes, les lèvres ont suivi l’audio fourni, avec un demi-sourire et un mouvement de sourcil, et le visage est resté proche du portrait d’entrée.
Ce que nous avons mesuré
Nous avons lancé deux clips image vers vidéo en 720p et 16:9, tous deux de 5,0 secondes et tous deux à environ 1358 x 678 à 25 fps : le 720p n’est donc pas exactement 1280 x 720. Sans audio, l’essai a pris environ 1 min 45 s ; avec un clip parlé de 5 secondes en audio_url, environ 3 min 7 s. Nous n’avons pas utilisé ce point de terminaison en 1080p, en 9:16, ni avec un enregistrement d’une durée différente du clip.
Résolutions et formats
resolution vaut 256p, 720p (par défaut) ou 1080p, et aspect_ratio vaut 16:9 (par défaut) ou 9:16. Le modèle génère à basse résolution, et son propre étage de super-résolution produit les niveaux supérieurs. Les niveaux supérieurs coûtent davantage à la seconde ; le format et le son ne changent pas le prix.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
prompt | Oui | Décrivez ce qui se passe après la photo : ce que fait la personne et, entre guillemets, ce qu’elle dit. 3 caractères minimum · 5000 caractères maximum |
image_url | Oui | La première image. Un lien public, téléchargeable directement ; le clip part de cette photo. |
audio_url | Non | Facultatif. Lien public vers un fichier de parole ou de chanson ; la vidéo est générée en synchronisation avec lui au lieu d’inventer une voix. |
aspect_ratio | Non | 16:9 (par défaut) ou 9:16. Nos essais en image vers vidéo ont utilisé le 16:9. |
resolution | Non | 256p, 720p (par défaut) ou 1080p. Les niveaux supérieurs coûtent davantage à la seconde. |
duration_seconds | Non | De 5 à 10 secondes, 5 par défaut, facturées à la seconde. |
seed | Non | Entier facultatif. La même seed avec les mêmes entrées donne des résultats similaires, et non garantis identiques. |
Tarification
Facturé à la seconde de la durée demandée ; le prix à la seconde dépend de la résolution, tandis que le son et le ratio d’image ne le modifient pas. Les requêtes en échec ne sont pas facturées.
| Spécification | Prix |
|---|---|
| $0.024 / seconde |
| $0.048 / seconde |
| $0.072 / seconde |
Cas d’utilisation
Un portrait qui parle avec votre enregistrement
Une photo de visage et un fichier de parole : les lèvres suivent votre audio et le visage reste proche de la photo.
Un personnage qui dit une réplique
Une première image et une courte réplique entre guillemets, pour voir comment le personnage ressemble et sonne avant de vous engager davantage.
Clips verticaux à partir d’une photo
Choisissez 9:16 pour les fils et les stories. Tous nos essais sur ce point de terminaison ont utilisé le 16:9 ; vérifiez donc un premier clip.
Guide de prompt et conseils pratiques
Décrivez l’instant suivant
Écrivez ce que la personne fait après la prise de la photo : elle se tourne vers la caméra, replace ses cheveux, parle. Dans notre essai, les trois se sont produits.
Avec votre propre audio, laissez les mots de côté
La voix vient de audio_url, donc le prompt peut fixer l’ambiance, le mouvement et la lumière, par exemple he speaks low and teasing, a slow half smile and a raised eyebrow, warm amber light.
Faites correspondre l’enregistrement au clip
Notre essai utilisait un enregistrement de 5 secondes pour un clip de 5 secondes. Nous n’avons pas testé d’enregistrement plus court ou plus long que duration_seconds ; découpez donc votre audio à la durée que vous avez choisie.
Sans audio, placez la réplique entre guillemets
Mettez ce que dit la personne entre guillemets et le modèle le prononce. Nous avons testé l’anglais.
Choisir entre les modèles
Si vous avez déjà l’enregistrement vocal et un portrait et voulez un clip plus long, jusqu’à 300 secondes, piloté par cet audio, utilisez OmniHuman 2.0 ; Kling Avatar 2.0 repose sur la même idée. Choisissez daVinci-MagiHuman quand vous voulez que le modèle prononce une réplique que vous écrivez, ou quand vous avez besoin d’un clip en 9:16.
Démarrage rapide de l’API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
