音频转视频 API

音频转视频 API 将声音作为视频生成的驱动或参考。部分工作流让人像开口说话，其他工作流组合音频、图片、文字或视频。所选模型决定声音控制什么，以及需要哪些额外输入。

仅当接口支持这种输入组合时可以。许多音频驱动流程还需要人像、提示词或视觉参考。提交前确认必填字段，不能仅凭任务名称假定声音能定义完整场景。

不同。将音轨放在静态图或波形上属于媒体渲染，AI 音频驱动则通过模型生成或动画化视觉内容。先区分格式封装、人物口播和生成画面，再选择接口。

优先比较明确要求人像与驱动音频的数字人模型，测试口型、脸部运动和图片要求。普通多模态视频接口可能使用音频参考，但不提供同样的口播控制。

应查找明确支持音乐视频或可视化的工作流，并测试节奏和段落跟随效果。普通音频参考能力不保证节拍同步，音乐相关工具与多模态生成可能采用不同输入。

使用无削波、背景噪声较少、没有长段无关内容的清晰音频，核对编码、时长、大小和 URL 要求。口播先用干净单人语音测试，更容易判断口型与节奏。

音频格式与时长符合视频接口要求时可以。先生成并检查旁白，再作为驱动或参考输入，保存文字、音色设置与音轨，以便后续修改。

不会。模型可能保留、重新生成或仅参考音频。按文档核对并试听输出；原音轨必须完全一致时，应检查结果并在需要时安排独立音频合成步骤。

提交模型要求的音频和视觉素材，保存 task_id，通过状态查询或支持的 webhook 获取结果。把任务视为可用创意成品之前，应同时检查画面与音轨。

费用取决于模型、质量和时长规则，可能计算生成秒数、输入时长或其他单位。应连同必要参考素材估算真实请求，不存在适用于所有音频驱动模型的统一单价。

先确认接口针对语音同步或所需节奏行为，再检查音频质量、人像可见程度和时长。先比较短而清晰的样本，再调整参数或生成长片。

所选模型页提供音频、图片和提示词字段、格式与示例，也可读取模型专属 llms.txt。保证来源素材可访问，并在应用中保存返回的任务 ID。