daVinci-MagiHuman API

sand-ai/davinci-magihuman/text-to-video

Le texte vers vidéo de daVinci-MagiHuman transforme un prompt écrit en clip de 5 à 10 secondes avec une voix : placez la réplique entre guillemets et le modèle la prononce. En 256p, 720p ou 1080p, en 16:9 ou 9:16, avec un fichier audio facultatif.

À partir de $0.024/s

Exécuter le modèle Voir l’API

Entrée

Texte vers vidéo

Prompt314/5000

Audio d’entrée0/1

Déposez un fichier audio ou parcourez · 1 fichier · 90 Mo max. · MP3 · WAV

Format d’image

Résolutioninflue sur le prix

Duréeinflue sur le prix

Seed

Filtre de sécuritéDésactivé

SpicyAPI n’applique aucun filtre de sécurité à ce modèle. Votre prompt et vos médias sont transmis tels quels, et c’est le modèle lui-même qui décide du résultat.

Nous vérifions votre compte avant d’activer l’envoi et le calcul du prix.

Sortie

Prêt pour une nouvelle exécution

Rendu d’exemple

Prolonger

Édition vidéo

Agrandissement vidéo

{
  "model": "sand-ai/davinci-magihuman/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "1080p",
    "duration_seconds": 5,
    "seed": 11,
    "prompt": "Close-up at night on a hotel balcony, city lights blurred behind. A woman in her thirties with a short platinum bob and a black slip dress leans on the rail, looks into the camera with a sly smile and says softly: \"You really thought I'd leave without saying goodbye?\" Warm practical light, shallow depth of field."
  }
}

Introduction

daVinci-MagiHuman Texte vers vidéo transforme un prompt écrit en court clip avec 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. Placez la réplique que doit dire la personne entre guillemets, et le modèle la prononce. Ce point de terminaison renvoie de 5 à 10 secondes en 256p, 720p ou 1080p, en 16:9 ou 9:16. Vous pouvez aussi envoyer 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

L’image et la voix à partir d’un seul prompt

Une requête renvoie la vidéo et sa bande sonore. Décrivez qui est dans le cadre, ce que fait la personne et, entre guillemets, ce qu’elle dit. Vous ne choisissez pas de voix et n’enchaînez pas une seconde étape.

Ce que nous avons mesuré

Nous avons lancé deux clips en texte vers vidéo. Le premier, en 1080p et 16:9, est revenu à environ 1904 x 1088, 25 fps, 5,0 secondes, avec son, après environ 3 min 53 s de traitement. Le second, en 720p et 9:16, à environ 726 x 1270, 5,0 secondes, après environ une minute. Nous avons transcrit la bande sonore des deux, et chacune correspondait mot pour mot à la réplique entre guillemets du prompt. Le 720p en 16:9 n’est pas exactement 1280 x 720 (un essai en image vers vidéo a donné environ 1358 x 678), donc traitez les dimensions comme approximatives.

Trois résolutions, deux formats

resolution vaut 256p, 720p (par défaut) ou 1080p. Le modèle génère à basse résolution, et son propre étage de super-résolution produit les niveaux supérieurs. aspect_ratio vaut 16:9 (par défaut) ou 9:16. Les niveaux supérieurs coûtent davantage à la seconde ; le format ne change pas le prix.

Votre propre audio

audio_url est facultatif. Avec un fichier de parole ou de chanson joint, la vidéo est générée en synchronisation avec lui au lieu d’inventer une voix. Nous l’avons utilisé en image vers vidéo, pas sur ce point de terminaison.

Langues

L’éditeur liste le chinois (mandarin et cantonais), l’anglais, le japonais, le coréen, l’allemand et le français. Nous avons testé l’anglais.

Paramètres de requête

Paramètres de requête de daVinci-MagiHuman · Text to Video
Paramètre	Obligatoire	Description
`prompt`	Oui	Décrivez qui est dans le cadre, où, ce que la personne fait et la manière dont la caméra la filme. Placez la réplique entre guillemets : le modèle la prononce. 3 caractères minimum · 5000 caractères maximum
`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 pour le paysage (par défaut) ou 9:16 pour le portrait. Le format ne change pas le prix. `16:9` · `9:16` · Valeur par défaut: `16:9`
`resolution`	Non	256p, 720p (par défaut) ou 1080p. Les niveaux supérieurs coûtent davantage à la seconde. `256p` · `720p` · `1080p` · Valeur par défaut: `720p`
`duration_seconds`	Non	De 5 à 10 secondes, 5 par défaut, facturées à la seconde. `≥ 5` · `≤ 10` · Valeur par défaut: `5`
`seed`	Non	Entier facultatif. La même seed avec les mêmes entrées donne des résultats similaires, et non garantis identiques. `≥ 0` · `≤ 2147483647`

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.

Tarification
Spécification	Prix
`256p`	$0.024 / seconde
`720p`	$0.048 / seconde
`1080p`	$0.072 / seconde

Cas d’utilisation

Courts clips parlés

Un salut, une introduction ou une bande-annonce : une personne, une réplique, de 5 à 10 secondes, avec la voix générée pour vous.

Clips verticaux

Réglez aspect_ratio sur 9:16 pour les écrans de téléphone. Notre essai en portrait en 720p est revenu à environ 726 x 1270.

Brouillons de dialogue

Testez une réplique, un visage et un décor ensemble avant de planifier une pièce plus longue.

Voir les tutoriels des principaux cas d’utilisation

Guide de prompt et conseils pratiques

Placez la réplique entre guillemets

Dites qui parle et comment, puis la réplique : says softly: "...". Nos répliques comptaient de 8 à 10 mots pour un clip de 5 secondes.

Décrivez le cadrage, pas un appareil

Lors d’un essai supplémentaire en 9:16, demander un selfie avec un téléphone a placé dans le cadre un téléphone orienté vers la caméra depuis l’arrière. Écrivez « looks straight into the camera » et une taille de plan comme « vertical medium close-up ».

Ordonnez le prompt

La personne et le lieu d’abord, puis l’action et la réplique, puis la lumière et la caméra : Warm practical light, shallow depth of field, ou Handheld, eye level.

Écoutez le premier essai

La parole est générée : lisez le clip et comparez-le à votre réplique avant de construire dessus. Utilisez seed pour garder les entrées stables pendant que vous changez une chose, en sachant que le résultat est similaire et non garanti identique.

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/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"

La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.

Le modèle que vous cherchez n’est pas là ?

Dites-nous lequel ajouter et à quoi il vous servira. Les demandes vont directement à l’équipe qui décide des prochains modèles.

Avant de lancer

À savoir avant de lancer daVinci-MagiHuman

Tous les modes: Les clips durent de 5 à 10 secondes, en 256p, 720p ou 1080p, en 16:9 ou 9:16. Les dimensions reviennent proches des valeurs nominales, sans être exactes : le 720p en 16:9 a donné environ 1358 x 678 et le 1080p environ 1904 x 1088. Nous avons testé la parole en anglais et n’avons pas testé le chant. Ce que montre un clip dépend de votre prompt et de notre politique d’utilisation.
Texte vers vidéo: La personne et la scène viennent de vos mots : décrivez donc le cadrage. Une demande de selfie avec un téléphone a fait apparaître un téléphone dans le cadre lors d’un test supplémentaire. Nous n’avons pas utilisé audio_url sur ce point de terminaison.

Prompts

Exemples de prompts daVinci-MagiHuman à copier

Collez-en un tel quel dans le playground, puis changez une seule chose à la fois.

Texte vers vidéo
Qui, où, la réplique entre guillemets, puis la lumière
Résultat de ce prompt
Close-up at night on a hotel balcony, city lights blurred behind. A woman in her thirties with a short platinum bob and a black slip dress leans on the rail, looks into the camera with a sly smile and says softly: "You really thought I'd leave without saying goodbye?" Warm practical light, shallow depth of field.
Pourquoi ça marche. La personne et le lieu viennent en premier, la réplique reste entre guillemets avec sa manière d’être dite, et la lumière clôt le prompt. Notre transcription correspondait à la réplique mot pour mot.
Essayer ce prompt
Texte vers vidéo
Dire où se pose le regard
Résultat de ce prompt
Vertical medium close-up on a rainy neon-lit street at night. A man in his late twenties with freckles, short ginger hair and a wet denim jacket looks straight into the camera, laughs and says: "Okay, I'm lost, but honestly? Best night of the trip." Rain drips from his hair, pink and blue sign reflections on the wet pavement behind him. Handheld, eye level.
Pourquoi ça marche. « Looks straight into the camera » a fixé le cadrage. Lors d’un essai supplémentaire, demander un selfie avec un téléphone a plutôt fait apparaître un téléphone dans le cadre.
Essayer ce prompt

Pourquoi SpicyAPI

Pourquoi utiliser daVinci-MagiHuman sur SpicyAPI

Aucun filtre de notre part
Nous n’ajoutons aucun filtre de contenu. Ce que le modèle génère, vous le recevez.
Testé, pas supposé
Les niveaux de contenu viennent de vraies générations que nous avons lancées et vérifiées, avec la date du test sur la page.
Payer au résultat, en dollars
Ni abonnement ni crédits. Les tâches échouées ou expirées ne sont généralement pas facturées. Certains modèles facturent les refus de contenu comme indiqué sur leur page ; consultez ces conditions avant l’envoi.
Une clé pour tous les modèles
Une seule clé API et un seul solde couvrent les modèles d’image, de vidéo, d’audio et de chat ; explorez davantage de modèles depuis le même compte.

À propos de daVinci-MagiHuman

Un modèle de 15 Md de paramètres qui génère ensemble l’image et la voix : une personne qui parle face caméra, à partir d’un texte ou d’une photo, en 5 à 10 secondes jusqu’à 1080p.

Lire le guide complet de daVinci-MagiHuman : tests, exemples et FAQ

Atelier