CogVideoX 2 es el modelo de generación de video de Zhipu AI para una descripción escrita de una escena o una imagen proporcionada. El texto establece el sujeto, el entorno y la acción; una imagen puede aportar la base visual de la secuencia generada. Utiliza la entrada que mejor represente el material ya disponible para el plano y describe después el movimiento visible que debe contener el video terminado.
Para crear a partir de texto, define un acontecimiento coherente. Una persona que abre la puerta de un taller, una pequeña embarcación que pasa junto a un muelle o un objeto que gira bajo una luz constante dan al plano un propósito claro. Indica las características importantes del sujeto, el punto de vista y la dirección del movimiento. Elige un final que pueda utilizarse en el montaje previsto, en lugar de dejar sin definir la composición final de la escena.
Para crear a partir de una imagen, prepara una vista clara del sujeto y describe cómo debe moverse la escena desde ella. El fabricante acepta referencias PNG, JPEG y JPG de hasta 5 MB, proporcionadas mediante una URL de imagen o datos de imagen codificados. Mantén visibles en la referencia los bordes importantes, los rasgos faciales y los detalles del objeto, y deja espacio para la acción solicitada dentro de la composición.
El fabricante limita las instrucciones escritas a 512 caracteres. Utiliza ese espacio para los detalles decisivos: sujeto, acción, entorno y punto de vista. Una descripción breve que explique qué objeto se mueve y qué permanece fijo es más fácil de evaluar que una lista de adjetivos de estilo generales. Si el resultado no cumple el objetivo, revisa la instrucción relacionada con el problema observado de movimiento o encuadre.
Los tamaños de salida publicados incluyen formatos cuadrados, horizontales y verticales, con opciones que van de 720×480 a 3840×2160 píxeles. El fabricante también documenta 30 o 60 fotogramas por segundo. Selecciona el formato y la frecuencia de fotogramas para el destino antes de generar y examina después el clip real para comprobar si el sujeto y sus detalles importantes siguen siendo legibles en ese encuadre.
Calidad y velocidad son modos de salida identificados por nombre en el proceso del fabricante. Los efectos de sonido opcionales generados por IA se controlan por separado de las indicaciones visuales. Conserva el modo seleccionado y el ajuste de efectos de sonido junto con las instrucciones y la imagen de referencia, si la hay, para comparar distintos clips candidatos mediante sus ajustes reales de generación.
La generación es asíncrona: se devuelve un identificador de tarea antes de que el video terminado esté disponible. Conserva ese identificador durante la consulta de resultados y guarda todos los archivos de video completos asociados con la operación. Guarda el propio clip para editarlo, junto con la imagen de origen cuando se utilice, en lugar de depender de una ubicación temporal del resultado o de un fotograma de vista previa.
Revisa toda la secuencia para comprobar la continuidad, los tiempos y la acción solicitada. Un plano de producto necesita una forma y unos detalles de materiales estables durante el movimiento; un plano de personaje necesita un aspecto y unos gestos coherentes. Comprueba la composición final y los sonidos generados frente al propósito del plano. Conserva los elementos de la escena que funcionen al revisar una discrepancia concreta y utiliza las mismas condiciones de visualización para comparar los videos original y revisado.
", "aboutText": "CogVideoX 2 es el modelo de generación de video de Zhipu AI para una descripción escrita de una escena o una imagen proporcionada. El texto establece el sujeto, el entorno y la acción; una imagen puede aportar la base visual de la secuencia generada. Utiliza la entrada que mejor represente el material ya disponible para el plano y describe después el movimiento visible que debe contener el video terminado.\n\nPara crear a partir de texto, define un acontecimiento coherente. Una persona que abre la puerta de un taller, una pequeña embarcación que pasa junto a un muelle o un objeto que gira bajo una luz constante dan al plano un propósito claro. Indica las características importantes del sujeto, el punto de vista y la dirección del movimiento. Elige un final que pueda utilizarse en el montaje previsto, en lugar de dejar sin definir la composición final de la escena.\n\nPara crear a partir de una imagen, prepara una vista clara del sujeto y describe cómo debe moverse la escena desde ella. El fabricante acepta referencias PNG, JPEG y JPG de hasta 5 MB, proporcionadas mediante una URL de imagen o datos de imagen codificados. Mantén visibles en la referencia los bordes importantes, los rasgos faciales y los detalles del objeto, y deja espacio para la acción solicitada dentro de la composición.\n\nEl fabricante limita las instrucciones escritas a 512 caracteres. Utiliza ese espacio para los detalles decisivos: sujeto, acción, entorno y punto de vista. Una descripción breve que explique qué objeto se mueve y qué permanece fijo es más fácil de evaluar que una lista de adjetivos de estilo generales. Si el resultado no cumple el objetivo, revisa la instrucción relacionada con el problema observado de movimiento o encuadre.\n\nLos tamaños de salida publicados incluyen formatos cuadrados, horizontales y verticales, con opciones que van de 720×480 a 3840×2160 píxeles. El fabricante también documenta 30 o 60 fotogramas por segundo. Selecciona el formato y la frecuencia de fotogramas para el destino antes de generar y examina después el clip real para comprobar si el sujeto y sus detalles importantes siguen siendo legibles en ese encuadre.\n\nCalidad y velocidad son modos de salida identificados por nombre en el proceso del fabricante. Los efectos de sonido opcionales generados por IA se controlan por separado de las indicaciones visuales. Conserva el modo seleccionado y el ajuste de efectos de sonido junto con las instrucciones y la imagen de referencia, si la hay, para comparar distintos clips candidatos mediante sus ajustes reales de generación.\n\nLa generación es asíncrona: se devuelve un identificador de tarea antes de que el video terminado esté disponible. Conserva ese identificador durante la consulta de resultados y guarda todos los archivos de video completos asociados con la operación. Guarda el propio clip para editarlo, junto con la imagen de origen cuando se utilice, en lugar de depender de una ubicación temporal del resultado o de un fotograma de vista previa.\n\nRevisa toda la secuencia para comprobar la continuidad, los tiempos y la acción solicitada. Un plano de producto necesita una forma y unos detalles de materiales estables durante el movimiento; un plano de personaje necesita un aspecto y unos gestos coherentes. Comprueba la composición final y los sonidos generados frente al propósito del plano. Conserva los elementos de la escena que funcionen al revisar una discrepancia concreta y utiliza las mismas condiciones de visualización para comparar los videos original y revisado.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "53577a9ed92d929e2f12baad6ce217fc02cb01cc6654bf3d8673b01a7403bc22", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "cogvideox-2CogVideoX 2 genera video a partir de una descripción de texto o una imagen proporcionada. El fabricante documenta tamaños de fotograma seleccionables, 30 o 60 fps, modos de calidad o velocidad y efectos de sonido generados opcionales para dar forma a una escena visual breve.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
CogVideoX 2 es el modelo de generación de video de Zhipu AI para una descripción escrita de una escena o una imagen proporcionada. El texto establece el sujeto, el entorno y la acción; una imagen puede aportar la base visual de la secuencia generada. Utiliza la entrada que mejor represente el material ya disponible para el plano y describe después el movimiento visible que debe contener el video terminado.
Para crear a partir de texto, define un acontecimiento coherente. Una persona que abre la puerta de un taller, una pequeña embarcación que pasa junto a un muelle o un objeto que gira bajo una luz constante dan al plano un propósito claro. Indica las características importantes del sujeto, el punto de vista y la dirección del movimiento. Elige un final que pueda utilizarse en el montaje previsto, en lugar de dejar sin definir la composición final de la escena.
Para crear a partir de una imagen, prepara una vista clara del sujeto y describe cómo debe moverse la escena desde ella. El fabricante acepta referencias PNG, JPEG y JPG de hasta 5 MB, proporcionadas mediante una URL de imagen o datos de imagen codificados. Mantén visibles en la referencia los bordes importantes, los rasgos faciales y los detalles del objeto, y deja espacio para la acción solicitada dentro de la composición.
El fabricante limita las instrucciones escritas a 512 caracteres. Utiliza ese espacio para los detalles decisivos: sujeto, acción, entorno y punto de vista. Una descripción breve que explique qué objeto se mueve y qué permanece fijo es más fácil de evaluar que una lista de adjetivos de estilo generales. Si el resultado no cumple el objetivo, revisa la instrucción relacionada con el problema observado de movimiento o encuadre.
Los tamaños de salida publicados incluyen formatos cuadrados, horizontales y verticales, con opciones que van de 720×480 a 3840×2160 píxeles. El fabricante también documenta 30 o 60 fotogramas por segundo. Selecciona el formato y la frecuencia de fotogramas para el destino antes de generar y examina después el clip real para comprobar si el sujeto y sus detalles importantes siguen siendo legibles en ese encuadre.
Calidad y velocidad son modos de salida identificados por nombre en el proceso del fabricante. Los efectos de sonido opcionales generados por IA se controlan por separado de las indicaciones visuales. Conserva el modo seleccionado y el ajuste de efectos de sonido junto con las instrucciones y la imagen de referencia, si la hay, para comparar distintos clips candidatos mediante sus ajustes reales de generación.
La generación es asíncrona: se devuelve un identificador de tarea antes de que el video terminado esté disponible. Conserva ese identificador durante la consulta de resultados y guarda todos los archivos de video completos asociados con la operación. Guarda el propio clip para editarlo, junto con la imagen de origen cuando se utilice, en lugar de depender de una ubicación temporal del resultado o de un fotograma de vista previa.
Revisa toda la secuencia para comprobar la continuidad, los tiempos y la acción solicitada. Un plano de producto necesita una forma y unos detalles de materiales estables durante el movimiento; un plano de personaje necesita un aspecto y unos gestos coherentes. Comprueba la composición final y los sonidos generados frente al propósito del plano. Conserva los elementos de la escena que funcionen al revisar una discrepancia concreta y utiliza las mismas condiciones de visualización para comparar los videos original y revisado.
POST /v1/videostextvideo| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites cogvideox-2 Condiciones: Usa el selector exacto de modelos de Ailoot. | Predeterminado— |
Campoprompt | Tipostring | RequisitoObligatorio | Valores y límites Condiciones: Describe la escena y el movimiento. | Predeterminado— |
Campoquality | Tipoboolean | RequisitoOpcional | Valores y límites Condiciones: Indicador opcional de calidad; este esquema seleccionado no proporciona un conjunto de valores compatibles ni un valor predeterminado. | Predeterminado— |
Campowith_audio | Tipoboolean | RequisitoOpcional | Valores y límites Condiciones: Genera efectos de sonido con IA cuando se habilita. | Predeterminadofalse |
Camposize | Tipostring | RequisitoOpcional | Valores y límites Condiciones: Proporciona la cadena de tamaño documentada al seleccionar dimensiones explícitas. | Predeterminado— |
Campofps | Tipostring | RequisitoOpcional | Valores y límites 30, 60 Condiciones: En este método nativo seleccionado, la frecuencia de fotogramas se representa como una cadena. | Predeterminado30 |
Campoduration | Tipostring | RequisitoOpcional | Valores y límites 5, 10 Condiciones: En este método nativo seleccionado, la duración en segundos se representa como una cadena. | Predeterminado5 |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, prompt |
Parámetrooptional | Contratoquality, with_audio, size, fps, duration |
Parámetromaterial_types | Contratotext |
Parámetroconditions | ContratoUsa el selector exacto de modelos de Ailoot., Describe la escena y el movimiento., Indicador opcional de calidad; este esquema seleccionado no proporciona un conjunto de valores compatibles ni un valor predeterminado., Genera efectos de sonido con IA cuando se habilita., Proporciona la cadena de tamaño documentada al seleccionar dimensiones explícitas., En este método nativo seleccionado, la frecuencia de fotogramas se representa como una cadena., En este método nativo seleccionado, la duración en segundos se representa como una cadena. |
Alias de método: /v1/videos/generations
Ciclo de vida: submit_once_poll_original
GET /v1/videos/{request_id}
GET /v1/videos/generations/{request_id}
GET /v1/videos/{request_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las tarifas mostradas permiten estimar el costo antes de la generación. El cargo final se calcula a partir del costo registrado para la generación original. La duración medida de la salida y las cantidades estimadas no son la cantidad facturable final.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad prevista | Cantidad para facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad prevista— | Cantidad para facturación— | Cargo Entrada · Tokens de entrada · Estimación solo para comparar — / 1K tokens Salida · Tokens de salida · Estimación solo para comparar — / 1K tokens Entrada · Lectura de caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché, 1 hora · Estimación solo para comparar — / 1K tokens |
| ConfiguraciónPor solicitud | Tabla de tarifas— | Cantidad prevista— | Cantidad para facturaciónuna solicitud | Cargo Entrada · Estimación solo para comparar $0.2 por solicitud |
| ConfiguraciónCosto estimado de generación | Tabla de tarifas— | Cantidad previstaestimación para una generación | Cantidad para facturación— | Cargo Salida · Costo estimado de generación · Estimación solo para comparar $0.2 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija por la generación completada. |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "cogvideox-2",\n "prompt": "A cat is walking on grass."\n}\nJSON\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/videos \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\n# Create once; retain id, polling_url, original task identifiers and every header.\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_STATUS'\nimport json,os,subprocess\nfrom pathlib import Path\nfrom urllib.parse import urljoin,urlsplit\nr=json.loads(Path("result.json").read_text())\nu=urljoin("https://api.ailoot.ai",r["polling_url"])\np=urlsplit(u)\nif p.scheme!="https" or p.netloc!="api.ailoot.ai" or p.username or p.password:\n raise SystemExit("Unexpected returned polling URL; preserve the response")\nsubprocess.run(["curl","--fail-with-body","--silent","--show-error",u,"-H","Authorization: Bearer "+os.environ["AILOOT_API_KEY"],"-D","status-headers.txt","-o","status.json"],check=True)\n# Read this same original polling_url again while pending.\n# Preserve unknown/result_pending_check; do not repeat creation.\nPY_STATUS\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\nexport AILOOT_API_KEY\npython3 - <<'PY_ASSETS'\nimport json,os,subprocess\nfrom pathlib import Path\nfrom urllib.parse import urljoin,urlsplit\nr=json.loads(Path("status.json").read_text())\nroles={}\ndef visit(v,path=""):\n if isinstance(v,dict):\n for k,x in v.items(): visit(x,path+"/"+k)\n elif isinstance(v,list):\n for i,x in enumerate(v): visit(x,path+"/"+str(i))\n elif isinstance(v,str):\n u=urljoin("https://api.ailoot.ai",v); p=urlsplit(u)\n if p.scheme=="https" and p.netloc=="api.ailoot.ai" and not p.username and not p.password and p.path.startswith("/v1/media/assets/") and p.path.endswith("/content"):\n roles.setdefault(u,[]).append(path)\nvisit(r)\nif not roles: raise SystemExit("No completed owned assets; retain the original status")\nmanifest=[]\nfor i,(u,paths) in enumerate(roles.items()):\n target=Path(f"asset-{i}.bin")\n subprocess.run(["curl","--fail-with-body","--silent","--show-error",u,"-H","Authorization: Bearer "+os.environ["AILOOT_API_KEY"],"-o",str(target)],check=True)\n raw=target.read_bytes()\n if not raw: raise SystemExit("Empty asset; retain original status and metadata")\n ext="glb" if raw[:4]==b"glTF" else "png" if raw[:8]==b"\\x89PNG\\r\\n\\x1a\\n" else "jpg" if raw[:3]==b"\\xff\\xd8\\xff" else "webp" if raw[:4]==b"RIFF" and raw[8:12]==b"WEBP" else "mp4" if raw[4:8]==b"ftyp" else "bin"\n name=f"asset-{i}.{ext}"\n if target.name!=name: target.rename(name)\n manifest.append({"file":name,"response_paths":paths,"bytes":len(raw)})\nPath("asset-manifest.json").write_text(json.dumps(manifest,indent=2))\nprint("Saved",len(manifest),"unique owned assets; every response role retained")\nPY_ASSETS\nGET /v1/videos/{request_id}GET /v1/videos/generations/{request_id}GET /v1/videos/{request_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarda todos los videos completados o archivos recibidos; descarga cada URL de archivo que se haya devuelto.
Conserva la respuesta y los encabezados completos, los identificadores originales, todas las salidas reales y todos los campos de uso y contabilidad. Guarda cada recurso único que te pertenezca y conserva cada función que apunte a él.
Conserva el id público de tarea u operación devuelto y todos los encabezados. Consulta únicamente la tarea original; unknown o result_pending_check no autorizan otra creación.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campopolling_url | Tipostring |
Campoprovider_task_id | Tipostring |
Campoid | Tipostring |
Campotask_status | Tipostring |
Campovideo_result[].url | Tipostring |
Ailoot Ultra cogvideox-2
/v1/videos/generations