Introdução
daVinci-MagiHuman Texto para vídeo transforma um prompt escrito em um clipe curto com voz. O daVinci-MagiHuman é um modelo aberto de 15 bilhões de parâmetros da Sand.ai e da SII-GAIR que gera a imagem e a trilha sonora juntas. Coloque a fala que a pessoa deve dizer entre aspas e o modelo a fala. Este endpoint devolve de 5 a 10 segundos em 256p, 720p ou 1080p, na horizontal 16:9 ou na vertical 9:16. Você também pode enviar a sua própria fala ou música como audio_url.
Escolha um modo pelo material de partida
| O que você tem | Modo |
|---|---|
| uma descrição escrita | daVinci-MagiHuman Texto para vídeo |
| uma foto para partir, com ou sem o seu próprio áudio | daVinci-MagiHuman Imagem para vídeo |
Recursos e destaques
Imagem e voz a partir de um prompt
Uma requisição devolve o vídeo e a trilha sonora. Escreva quem está no quadro, o que faz e, entre aspas, o que diz. Você não escolhe uma voz nem roda uma segunda etapa.
O que medimos
Rodamos dois clipes de texto para vídeo. O primeiro foi em 1080p e 16:9: saiu com cerca de 1904 x 1088, 25 fps, 5,0 segundos, com som, após cerca de 3 min 53 s de processamento. O segundo foi em 720p e 9:16: cerca de 726 x 1270, 5,0 segundos, após cerca de 1 minuto. Transcrevemos a trilha dos dois, e cada um bateu com a fala entre aspas do prompt, palavra por palavra. O tamanho em 720p e 16:9 não é exatamente 1280 x 720 (uma execução de imagem para vídeo deu cerca de 1358 x 678), então trate os tamanhos como aproximados.
Três resoluções, dois formatos
resolution é 256p, 720p (o padrão) ou 1080p. O modelo gera em uma resolução base baixa, e a própria etapa de super-resolução produz as faixas mais altas. aspect_ratio é 16:9 (o padrão) ou 9:16. Faixas mais altas custam mais por segundo; o formato não altera o preço.
O seu próprio áudio
audio_url é opcional. Com um arquivo de fala ou de música anexado, o vídeo é gerado em sincronia com ele, em vez de inventar uma voz. Testamos isso na imagem para vídeo, não neste endpoint.
Idiomas
O publicador lista chinês (mandarim e cantonês), inglês, japonês, coreano, alemão e francês. Testamos inglês.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
prompt | Sim | Descreva quem está no quadro, onde, o que faz e como a câmera olha para a pessoa. Coloque a fala que ela diz entre aspas; o modelo a fala. pelo menos 3 caracteres · no máximo 5000 caracteres |
audio_url | Não | Opcional. Um link público para um arquivo de fala ou de música; o vídeo é gerado em sincronia com ele, em vez de inventar uma voz. |
aspect_ratio | Não | 16:9 para horizontal (o padrão) ou 9:16 para vertical. O formato não altera o preço. |
resolution | Não | 256p, 720p (o padrão) ou 1080p. Faixas mais altas custam mais por segundo. |
duration_seconds | Não | De 5 a 10 segundos, padrão 5, cobrados por segundo. |
seed | Não | Inteiro opcional. A mesma seed com as mesmas entradas gera resultados parecidos, não garantidamente idênticos. |
Preços
Cobrado por segundo da duração solicitada; o preço por segundo depende da resolução, enquanto som e proporção não o alteram. Requisições com falha não são cobradas.
| Especificação | Preço |
|---|---|
| $0.024 / segundo |
| $0.048 / segundo |
| $0.072 / segundo |
Casos de uso
Clipes curtos com fala
Uma saudação, uma abertura ou um teaser: uma pessoa, uma frase, de 5 a 10 segundos, com a voz gerada para você.
Clipes verticais
Defina aspect_ratio como 9:16 para telas de celular. Nossa execução vertical em 720p saiu com cerca de 726 x 1270.
Rascunhos de diálogo
Teste uma frase, um rosto e um cenário juntos antes de planejar uma peça mais longa.
Guia de prompt e dicas práticas
Coloque a fala entre aspas
Diga quem fala e como, depois a fala: says softly: "...". Nossas falas tinham de 8 a 10 palavras para um clipe de 5 segundos.
Descreva o enquadramento, não um aparelho
Em uma execução extra em 9:16, pedir uma selfie com celular colocou um celular no quadro, virado para a câmera por trás. Escreva "looks straight into the camera" e um tamanho de plano, como "vertical medium close-up".
Ordene o prompt
Pessoa e lugar primeiro, depois a ação e a fala, depois luz e câmera: Warm practical light, shallow depth of field, ou Handheld, eye level.
Ouça a primeira execução
A fala é gerada, então reproduza o clipe e compare com a sua frase antes de construir em cima dele. Use seed para manter as entradas estáveis enquanto muda uma coisa, sabendo que o resultado é parecido, não garantidamente idêntico.
Escolhendo entre modelos
Se você já tem a gravação de voz e um retrato e quer um clipe mais longo, de até 300 segundos, guiado por esse áudio, use o OmniHuman 2.0; o Kling Avatar 2.0 é a mesma ideia. Escolha o daVinci-MagiHuman quando quiser que o modelo fale uma frase que você escreve, ou quando precisar de um clipe em 9:16.
Início rápido da API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
