Wprowadzenie
daVinci-MagiHuman Obraz na wideo ożywia jedno zdjęcie w klip 5-10 sekund, nadając mu ruch i głos. daVinci-MagiHuman to otwarty model o 15 mld parametrów od Sand.ai i SII-GAIR, który generuje obraz i ścieżkę dźwiękową razem. Zdjęcie jest pierwszą klatką; prompt mówi, co dzieje się dalej i, w cudzysłowie, co mówi osoba. Ten endpoint zwraca 5-10 sekund w 256p, 720p albo 1080p, w 16:9 lub 9:16, i przyjmuje własną mowę albo piosenkę jako audio_url.
Wybierz tryb według materiału wyjściowego
| Co masz | Tryb |
|---|---|
| opis tekstowy | daVinci-MagiHuman Tekst na wideo |
| zdjęcie, od którego zaczynasz, z własnym audio albo bez | daVinci-MagiHuman Obraz na wideo |
Najważniejsze funkcje
Pierwsza klatka, która się rusza i mówi
Klip zaczyna się od twojego obrazu. W naszym przebiegu bez pliku audio ona odwróciła się od morza, zakłada włosy za ucho i wypowiedziała kwestię w cudzysłowie; transkrypcja ścieżki dźwiękowej zgadzała się słowo w słowo.
Własny głos
Z audio_url wideo powstaje w synchronizacji z twoją mową albo piosenką zamiast wymyślania głosu. W naszym przebiegu z 5-sekundowym nagraniem mowy usta podążały za dostarczonym dźwiękiem, z półuśmiechem i ruchem brwi, a twarz została blisko portretu wejściowego.
Co zmierzyliśmy
Uruchomiliśmy dwa klipy obraz na wideo w 720p i 16:9, oba po 5,0 sekundy i oba około 1358 x 678 przy 25 fps, więc 720p nie jest dokładnie 1280 x 720. Przebieg bez dźwięku zajął około 1 min 45 s; przebieg z 5-sekundowym nagraniem mowy jako audio_url około 3 min 7 s. Nie uruchamialiśmy tego endpointu w 1080p, w 9:16 ani z nagraniem o innej długości niż klip.
Rozdzielczości i kształty
resolution to 256p, 720p (domyślnie) albo 1080p, a aspect_ratio to 16:9 (domyślnie) albo 9:16. Model generuje w niskiej bazowej rozdzielczości, a jego własny etap super-rozdzielczości tworzy wyższe poziomy. Wyższe poziomy kosztują więcej za sekundę; kształt i dźwięk nie zmieniają ceny.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Wymagany. Opisz, co dzieje się po zdjęciu: co robi osoba i, w cudzysłowie, co mówi. od 3 znaków · do 5000 znaków |
image_url | Tak | Pierwsza klatka. Publiczny link, z którego da się pobrać plik bezpośrednio; klip zaczyna się od tego zdjęcia. |
audio_url | Nie | Opcjonalnie. Publiczny link do pliku z mową albo piosenką; wideo powstaje w synchronizacji z nim zamiast wymyślania głosu. |
aspect_ratio | Nie | 16:9 (domyślnie) albo 9:16. Nasze przebiegi obraz na wideo używały 16:9. |
resolution | Nie | 256p, 720p (domyślnie) albo 1080p. Wyższe poziomy kosztują więcej za sekundę. |
duration_seconds | Nie | 5-10 sekund, domyślnie 5, rozliczane za sekundę. |
seed | Nie | Opcjonalna liczba całkowita. Ten sam seed przy tych samych danych wejściowych daje wyniki podobne, a nie gwarantowane identyczne. |
Cennik
Rozliczane za sekundę zamówionej długości; cena za sekundę zależy od rozdzielczości, a dźwięk i proporcje jej nie zmieniają. Nieudane żądania nie są obciążane opłatą.
| Specyfikacja | Cena |
|---|---|
| $0.024 / sekundę |
| $0.048 / sekundę |
| $0.072 / sekundę |
Zastosowania
Portret, który mówi twoim nagraniem
Zdjęcie portretowe plus plik z mową: usta podążają za twoim dźwiękiem, a twarz zostaje blisko zdjęcia.
Postać, która mówi kwestię
Pierwsza klatka i krótka kwestia w cudzysłowie, żeby zobaczyć, jak postać wygląda i brzmi, zanim zainwestujesz w dłuższą całość.
Pionowe klipy ze zdjęcia
Wybierz 9:16 do feedów i relacji. Wszystkie nasze przebiegi na tym endpoincie użyły 16:9, więc sprawdź najpierw pierwszy klip.
Wskazówki
Opisz następny moment
Napisz, co ta osoba robi po zrobieniu zdjęcia: odwraca się do kamery, zakłada włosy, mówi. W naszym przebiegu zaszły wszystkie trzy rzeczy.
Przy własnym audio zostaw słowa
Głos pochodzi z audio_url, więc prompt może ustawiać nastrój, ruch i światło, na przykład he speaks low and teasing, a slow half smile and a raised eyebrow, warm amber light.
Dopasuj nagranie do klipu
Nasz przebieg używał 5-sekundowego nagrania do 5-sekundowego klipu. Nie testowaliśmy nagrania krótszego albo dłuższego niż duration_seconds, więc przytnij audio do długości, którą ustawiasz.
Bez audio zapisz kwestię w cudzysłowie
Wpisz to, co osoba mówi, w cudzysłowie, a model ją wypowie. Testowaliśmy angielski.
Wybór między modelami
Jeśli masz już nagranie głosu i portret i chcesz dłuższego klipu, do 300 sekund, sterowanego tym dźwiękiem, użyj OmniHuman 2.0; Kling Avatar 2.0 to ten sam pomysł. Wybierz daVinci-MagiHuman, gdy chcesz, żeby model wypowiedział kwestię, którą napiszesz, albo potrzebujesz klipu 9:16.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
