Skip to content

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),密钥是控制台里的 apiKey。

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。

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

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-s2v480P0.5 元/秒
图片说话wan2.2-s2v720P0.9 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。

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 ​

最后更新于: