Введение
daVinci-MagiHuman Text to video превращает написанный промпт в короткий клип с голосом. daVinci-MagiHuman — открытая модель на 15 млрд параметров от Sand.ai и SII-GAIR, которая создаёт картинку и звуковую дорожку вместе. Поставьте реплику, которую должен произнести человек, в кавычки, и модель её произнесёт. Эндпоинт возвращает от 5 до 10 секунд в 256p, 720p или 1080p, в 16:9 или 9:16. Также можно передать свою речь или песню как audio_url.
Выберите режим по исходному материалу
| Что у вас есть | Режим |
|---|---|
| письменное описание | daVinci-MagiHuman Text to video |
| фото, с которого начнётся видео, с вашим аудио или без него | daVinci-MagiHuman Image to video |
Ключевые возможности и особенности
Картинка и голос из одного промпта
Один запрос возвращает видео и его звуковую дорожку. Напишите, кто в кадре, что он делает и, в кавычках, что говорит. Выбирать голос и запускать второй шаг не нужно.
Что мы измерили
Мы запустили два клипа в text-to-video. Первый — 1080p в 16:9: пришло около 1904 x 1088, 25 fps, 5,0 секунды, со звуком, после около 3 мин 53 с обработки. Второй — 720p в 9:16: около 726 x 1270, 5,0 секунды, после около минуты. Мы расшифровали звуковую дорожку обоих, и каждая совпала с репликой из промпта слово в слово. Размер 720p в 16:9 — не ровно 1280 x 720 (запуск image to video дал около 1358 x 678), поэтому считайте размеры приблизительными.
Три разрешения, два формата кадра
resolution — 256p, 720p (по умолчанию) или 1080p. Модель генерирует в низком базовом разрешении, а собственный этап сверхразрешения даёт старшие уровни. aspect_ratio — 16:9 (по умолчанию) или 9:16. Старшие уровни стоят дороже за секунду; формат кадра цену не меняет.
Свой звук
audio_url необязателен. С прикреплённым файлом речи или песни видео создаётся в синхронизации с ним, а не с придуманным голосом. Мы запускали это на image to video, а не на этом эндпоинте.
Языки
Издатель перечисляет китайский (путунхуа и кантонский), английский, японский, корейский, немецкий и французский. Мы тестировали английский.
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
prompt | Да | Опишите, кто в кадре, где, что делает и как камера на него смотрит. Поставьте реплику, которую он говорит, в кавычки: модель её произнесёт. Не менее 3 символов · Не более 5000 символов |
audio_url | Нет | Необязательно. Публичная ссылка на файл речи или песни; видео создаётся в синхронизации с ним, а не с придуманным голосом. |
aspect_ratio | Нет | 16:9 для альбомной ориентации (по умолчанию) или 9:16 для портретной. Формат кадра цену не меняет. |
resolution | Нет | 256p, 720p (по умолчанию) или 1080p. Старшие уровни стоят дороже за секунду. |
duration_seconds | Нет | От 5 до 10 секунд, по умолчанию 5, оплата за секунду. |
seed | Нет | Необязательное целое число. Одинаковый seed при тех же входных данных даёт похожие, но не гарантированно идентичные результаты. |
Стоимость
Оплата за секунду заявленной длительности; цена за секунду зависит от разрешения, а звук и соотношение сторон её не меняют. Неудачные запросы не тарифицируются.
| Спецификация | Стоимость |
|---|---|
| $0.024 / секунду |
| $0.048 / секунду |
| $0.072 / секунду |
Сценарии использования
Короткие клипы с речью
Приветствие, интро или тизер: один человек, одна реплика, от 5 до 10 секунд, голос создаётся за вас.
Вертикальные клипы
Выберите aspect_ratio 9:16 для экранов телефонов. Наш портретный запуск в 720p пришёл около 726 x 1270.
Черновики диалогов
Проверьте реплику, лицо и место действия вместе, прежде чем планировать более длинный ролик.
Руководство по промптам и практические советы
Ставьте реплику в кавычки
Скажите, кто говорит и как, затем саму реплику: says softly: "...". Наши реплики были по 8–10 слов для 5-секундного клипа.
Описывайте кадр, а не устройство
В дополнительном запуске в 9:16 просьба о селфи с телефоном поставила в кадр телефон, направленный на камеру сзади. Напишите "looks straight into the camera" и размер плана, например "vertical medium close-up".
Порядок в промпте
Сначала человек и место, затем действие и реплика, затем свет и камера: Warm practical light, shallow depth of field или Handheld, eye level.
Прослушайте первый запуск
Речь генерируется, поэтому проиграйте клип и сравните его с вашей репликой, прежде чем на нём строить. Используйте seed, чтобы входные данные оставались неизменными, пока вы меняете одно, понимая, что результат похож, но не гарантированно идентичен.
Выбор между моделями
Если у вас уже есть запись голоса и портрет и вы хотите более длинный клип, до 300 секунд, который ведётся этим аудио, используйте OmniHuman 2.0; Kling Avatar 2.0 — та же идея. Выбирайте daVinci-MagiHuman, когда нужно, чтобы модель произнесла написанную вами реплику, или нужен клип 9:16.
Быстрый старт API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.
