---
url: /avatar.md
description: >-
  简创AIGC 数字人文档：两种方案——视频 + 音频只换口型（videoretalk，0.08 元/秒）、图片 +
  音频让图片说话（wan2.2-s2v，480P 0.5 元/秒、720P 0.9 元/秒）。都走 POST
  /v1/video/generations，基地址 https://api.jcaigc.cn/v1。
---

# 数字人

[← 返回全部能力](/)

数字人让画面里的人按音频开口，给什么原料决定用哪种方案：

| 方案 | 入参 | 模型 | 效果 |
|------|------|------|------|
| [视频对口型](#方案一-视频对口型) | 视频 + 音频 | `videoretalk` | **只换口型**，机位、动作、背景全部沿用原视频 |
| [图片说话](#方案二-图片说话) | 图片 + 音频 | `wan2.2-s2v` | 让人像图开口说话，画面由音频驱动 |

已经有一段拍好的人物视频、只想换人声（改词、翻译、重录），用第一种；
手上只有一张人像图，用第二种。

## 接口一览

数字人**没有单独的端点**，两种方案都复用视频接口 —— 提交时带的是 `video_url` 还是 `image_url`，网关据此自动选通道。

| 接口 | 方法与路径 | 说明 |
|------|-----------|------|
| 提交数字人任务 | `POST /v1/video/generations` | 带 `video_url` 走视频对口型，带 `image_url` 走图片说话 |
| 轮询任务结果 | `GET /v1/video/generations/{task_id}` | 与[视频板块](/video/)完全一致 |

基地址 `https://api.jcaigc.cn/v1`，请求头带 `Authorization: Bearer <密钥>`（也接受 `x-api-key`），密钥是[控制台](https://jcaigc.cn)里的 apiKey。

::: warning 模型名要与方案对上
网关按入参选通道、按你传的模型名发给上游，两者错配会在上游报错：
视频对口型传 `videoretalk`，图片说话传 `wan2.2-s2v`。
:::

## 方案一：视频对口型

入参是**一段视频 + 一段音频**，模型 `videoretalk`：生成口型与音频匹配的新视频，
人物继续做原来的动作、镜头继续走原来的运镜，只有嘴型被换掉。

### 请求参数

| 参数 | 必填 | 说明 |
|------|------|------|
| `model` | 是 | 固定用 `videoretalk` |
| `video_url` | 是 | 人物视频地址 |
| `audio_url` | 是 | 驱动音频地址；别名 `audio` 同样接受 |
| `ref_image_url` | 否 | 参考人脸图，画面里有多人时用它指定对哪张脸；传了 `video_url` 时，图片别名（`image_url`、`image`、`img_url`、`first_frame_image`）也会当作参考图 |
| `video_extension` | 否 | 音频比视频长时是否延长画面，默认 `false` |
| `query_face_threshold` | 否 | 人脸匹配置信度，取值 120–200，默认 170，**越小越宽松**；仅在给了 `ref_image_url` 时生效 |

`resolution` / `size` 对这条通道没有意义（模型不分分辨率档位），传了会被忽略。

### 输入要求

| 输入 | 要求 |
|------|------|
| 视频 | mp4 / avi / mov，时长 2–120 秒，≤300MB，帧率 15–60fps，边长 640–2048；人物正面出镜的近景效果最好 |
| 音频 | wav / mp3 / aac，时长 2–120 秒，≤30MB；要干净的人声，先去掉背景音乐与环境噪音 |
| 参考图（可选） | jpeg / jpg / png / bmp / webp，≤10MB，长宽比 ≤2，最大边长 ≤4096；须是视频里出现过的那个人物的清晰正脸 |

生成结果默认**不延长画面**：与输入视频等长，音频超出视频的部分会被截断。
想让画面跟着音频走，传 `"video_extension": true`，上游会把画面延长到与音频等长。

::: tip 多人画面才需要参考图
不传 `ref_image_url` 时，默认对画面里占比最大的人物对口型。
画面里只有一个人就不用传。
:::

### 请求示例

```bash
curl -X POST https://api.jcaigc.cn/v1/video/generations \
  -H "Authorization: Bearer 123e4567-e89b-12d3-a456-426614174000" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "videoretalk",
    "video_url": "https://你的存储/speaker.mp4",
    "audio_url": "https://你的存储/voice.mp3"
  }'
```

## 方案二：图片说话

入参是**一张人像图 + 一段音频**，模型 `wan2.2-s2v`：生成口型跟着音频走的数字人视频。
适合口播、讲解、课程这类需要批量产出的内容。

### 请求参数

| 参数 | 必填 | 说明 |
|------|------|------|
| `model` | 是 | 固定用 `wan2.2-s2v` |
| `image_url` | 是 | 人像图地址；别名 `image`、`first_frame_image`、`img_url` 同样接受 |
| `audio_url` | 是 | 音频地址；别名 `audio` 同样接受 |
| `resolution` | 否 | 分辨率档位，取 `480P` / `720P`，同时决定计费档位 |

::: warning 图片与音频必须同时给
只给 `audio_url`、既没有 `image_url` 也没有 `video_url` 时会直接返回 `400`。
人像图建议用正脸、光线均匀、肩部以上构图的图，口型效果更稳定。
:::

### 请求示例

```bash
curl -X POST https://api.jcaigc.cn/v1/video/generations \
  -H "Authorization: Bearer 123e4567-e89b-12d3-a456-426614174000" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "wan2.2-s2v",
    "image_url": "https://你的图床/portrait.jpg",
    "audio_url": "https://你的存储/voice.mp3",
    "resolution": "720P"
  }'
```

## 响应

两种方案与[视频板块](/video/)完全相同：提交返回 `status: queued` 与任务号，
轮询到 `status: succeeded` 时在 `video_url`（或 `data[0].url`）取成片地址。

```bash
# 轮询结果，拿到 status=succeeded 即结束
curl https://api.jcaigc.cn/v1/video/generations/task_你的任务号 \
  -H "Authorization: Bearer 123e4567-e89b-12d3-a456-426614174000"
```

## 计费说明

按**生成视频的时长**计费，也就是口型被驱动的时长。

| 方案 | 模型 | 分辨率 | 单价 |
|------|------|--------|------|
| 视频对口型 | `videoretalk` | 不分档位 | **0.08 元/秒** |
| 图片说话 | `wan2.2-s2v` | 480P | **0.5 元/秒** |
| 图片说话 | `wan2.2-s2v` | 720P | **0.9 元/秒** |

计费示例：一段 5 秒的音频，视频对口型为 `5 × 0.08 = 0.40` 元；
图片说话 480P 为 `5 × 0.5 = 2.50` 元，720P 为 `5 × 0.9 = 4.50` 元。

* 提交时先预扣，任务终结后按上游给出的真实时长结算差额。判断不了时长时按上限预估：
  视频对口型 120 秒、图片说话 20 秒。
* 图片说话若没指定分辨率，会先按 720P 预扣，结算时按真实分辨率退还多扣部分。
* 分辨率写成未收录的档位（如 `1080P`）时，按 720P 的 0.9 元/秒结算。
* 上表是网关的出厂价目表，**线上实际生效的单价以控制台「模型与定价」展示的为准**；
  价目表里没有条目的模型一律拒绝调用（HTTP 503，`error.type = model_not_priced`），不会回落到任何默认价。
* **失败任务全额退还**；超过 30 分钟未轮询到终态的 `expired` 任务不退还。

::: warning 图片说话的音频上限 20 秒
`s2v` 的音频上限是 **20 秒**，超过的参数会被上游拒绝，更长的内容请拆成多段分别生成。
视频对口型没这个限制，音频可以到 120 秒。
:::

## 相关模块

* [视频](/video/) — 文生视频与图生视频
* [语音](/voice/) — 先把文本转成音频，再喂给数字人
* [开源剪映小助手](/capcut-mate/) — 把生成的视频放进草稿继续剪辑
