主题切换
数字人
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-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。
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。
