CogVideoX 3 es el modelo de video de Zhipu AI con generación documentada de texto a video, de imagen a video y a partir de fotogramas inicial y final. El fabricante destaca la estabilidad de los fotogramas, el seguimiento de instrucciones y los estilos visuales realistas o tridimensionales. Elige texto cuando la escena parta de unas indicaciones escritas, una imagen cuando su base visual ya exista o dos imágenes de los extremos cuando la secuencia necesite una vista inicial y una final definidas.
Para unas indicaciones de texto, describe el sujeto y una acción clara. Indica el entorno, el punto de vista y las relaciones físicas importantes para evaluar la escena frente a una intención definida. Un personaje que recoge un objeto necesita una secuencia distinta de la de una cámara que deja a la vista ese objeto. Describe ambas acciones solo cuando su relación importe para el plano.
Para una secuencia basada en imágenes, prepara la referencia de modo que se vean los rasgos distintivos del sujeto. El fabricante acepta imágenes PNG, JPEG y JPG de un máximo de 5 MB, proporcionadas mediante una URL o datos de imagen codificados. Conserva la referencia real junto con el resultado generado para comparar el aspecto y el encuadre con la fuente y no con una versión recordada.
El modo del fabricante basado en fotogramas de los extremos acepta dos imágenes en orden: la primera establece el fotograma inicial y la segunda el final. Prepáralas como los dos estados deseados de un mismo plano. Describe la transición o la acción que los conecta y revisa si el sujeto se mantiene coherente entre ambos extremos. Una pareja de buenas imágenes estáticas no demuestra por sí sola que el movimiento intermedio encaje con la historia deseada.
Las instrucciones pueden contener hasta 512 caracteres. Utiliza el texto disponible para la acción, su dirección y los detalles visuales que distingan un resultado logrado. Mantén las indicaciones centradas en lo que debe ocurrir en pantalla. Cuando las imágenes de entrada ya establezcan el aspecto del sujeto, describe el movimiento y los tiempos que deben desarrollarse entre ellas o a partir de ellas.
El fabricante documenta salidas de cinco o diez segundos, con cinco segundos como valor predeterminado, y 30 o 60 fotogramas por segundo. Los tamaños admitidos incluyen 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 y 3840×2160. Elige el tamaño y la duración para el destino y examina después el clip completo para comprobar el encuadre y el ritmo de la acción real.
Los modos de calidad y velocidad están documentados por separado del ajuste opcional de efectos de sonido de IA. Conserva estas opciones junto con las instrucciones, las imágenes y el resultado. Las capacidades visuales y de entrada del fabricante describen el modelo; los controles disponibles en un método de generación concreto se establecen en las especificaciones de ese método. Conserva los ajustes realmente utilizados al comparar planos candidatos.
Conserva el identificador de la tarea original hasta que el video esté completo y guarda el material devuelto para editarlo. Revisa toda la secuencia, incluidos el aspecto del sujeto durante movimientos amplios, las interacciones con los objetos de la escena y la composición final. Para el trabajo con fotogramas de los extremos, examina ambos extremos y la transición entre ellos. Corrige la discrepancia visual concreta conservando las referencias y la planificación de la toma que funcionen, y compara los videos completos en lugar de solo sus imágenes de vista previa.
", "aboutText": "CogVideoX 3 es el modelo de video de Zhipu AI con generación documentada de texto a video, de imagen a video y a partir de fotogramas inicial y final. El fabricante destaca la estabilidad de los fotogramas, el seguimiento de instrucciones y los estilos visuales realistas o tridimensionales. Elige texto cuando la escena parta de unas indicaciones escritas, una imagen cuando su base visual ya exista o dos imágenes de los extremos cuando la secuencia necesite una vista inicial y una final definidas.\n\nPara unas indicaciones de texto, describe el sujeto y una acción clara. Indica el entorno, el punto de vista y las relaciones físicas importantes para evaluar la escena frente a una intención definida. Un personaje que recoge un objeto necesita una secuencia distinta de la de una cámara que deja a la vista ese objeto. Describe ambas acciones solo cuando su relación importe para el plano.\n\nPara una secuencia basada en imágenes, prepara la referencia de modo que se vean los rasgos distintivos del sujeto. El fabricante acepta imágenes PNG, JPEG y JPG de un máximo de 5 MB, proporcionadas mediante una URL o datos de imagen codificados. Conserva la referencia real junto con el resultado generado para comparar el aspecto y el encuadre con la fuente y no con una versión recordada.\n\nEl modo del fabricante basado en fotogramas de los extremos acepta dos imágenes en orden: la primera establece el fotograma inicial y la segunda el final. Prepáralas como los dos estados deseados de un mismo plano. Describe la transición o la acción que los conecta y revisa si el sujeto se mantiene coherente entre ambos extremos. Una pareja de buenas imágenes estáticas no demuestra por sí sola que el movimiento intermedio encaje con la historia deseada.\n\nLas instrucciones pueden contener hasta 512 caracteres. Utiliza el texto disponible para la acción, su dirección y los detalles visuales que distingan un resultado logrado. Mantén las indicaciones centradas en lo que debe ocurrir en pantalla. Cuando las imágenes de entrada ya establezcan el aspecto del sujeto, describe el movimiento y los tiempos que deben desarrollarse entre ellas o a partir de ellas.\n\nEl fabricante documenta salidas de cinco o diez segundos, con cinco segundos como valor predeterminado, y 30 o 60 fotogramas por segundo. Los tamaños admitidos incluyen 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 y 3840×2160. Elige el tamaño y la duración para el destino y examina después el clip completo para comprobar el encuadre y el ritmo de la acción real.\n\nLos modos de calidad y velocidad están documentados por separado del ajuste opcional de efectos de sonido de IA. Conserva estas opciones junto con las instrucciones, las imágenes y el resultado. Las capacidades visuales y de entrada del fabricante describen el modelo; los controles disponibles en un método de generación concreto se establecen en las especificaciones de ese método. Conserva los ajustes realmente utilizados al comparar planos candidatos.\n\nConserva el identificador de la tarea original hasta que el video esté completo y guarda el material devuelto para editarlo. Revisa toda la secuencia, incluidos el aspecto del sujeto durante movimientos amplios, las interacciones con los objetos de la escena y la composición final. Para el trabajo con fotogramas de los extremos, examina ambos extremos y la transición entre ellos. Corrige la discrepancia visual concreta conservando las referencias y la planificación de la toma que funcionen, y compara los videos completos en lugar de solo sus imágenes de vista previa.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b07509704421c38be737a8ee0c7296e627e09890f96d0b10aab6ecaff06a4796", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "cogvideox-3CogVideoX 3 crea video a partir de texto, una imagen o una pareja de fotogramas inicial y final en el proceso documentado del fabricante. Admite secuencias de cinco o diez segundos, varios tamaños de salida de hasta 4K, 30 o 60 fps y efectos de sonido generados opcionales.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
CogVideoX 3 es el modelo de video de Zhipu AI con generación documentada de texto a video, de imagen a video y a partir de fotogramas inicial y final. El fabricante destaca la estabilidad de los fotogramas, el seguimiento de instrucciones y los estilos visuales realistas o tridimensionales. Elige texto cuando la escena parta de unas indicaciones escritas, una imagen cuando su base visual ya exista o dos imágenes de los extremos cuando la secuencia necesite una vista inicial y una final definidas.
Para unas indicaciones de texto, describe el sujeto y una acción clara. Indica el entorno, el punto de vista y las relaciones físicas importantes para evaluar la escena frente a una intención definida. Un personaje que recoge un objeto necesita una secuencia distinta de la de una cámara que deja a la vista ese objeto. Describe ambas acciones solo cuando su relación importe para el plano.
Para una secuencia basada en imágenes, prepara la referencia de modo que se vean los rasgos distintivos del sujeto. El fabricante acepta imágenes PNG, JPEG y JPG de un máximo de 5 MB, proporcionadas mediante una URL o datos de imagen codificados. Conserva la referencia real junto con el resultado generado para comparar el aspecto y el encuadre con la fuente y no con una versión recordada.
El modo del fabricante basado en fotogramas de los extremos acepta dos imágenes en orden: la primera establece el fotograma inicial y la segunda el final. Prepáralas como los dos estados deseados de un mismo plano. Describe la transición o la acción que los conecta y revisa si el sujeto se mantiene coherente entre ambos extremos. Una pareja de buenas imágenes estáticas no demuestra por sí sola que el movimiento intermedio encaje con la historia deseada.
Las instrucciones pueden contener hasta 512 caracteres. Utiliza el texto disponible para la acción, su dirección y los detalles visuales que distingan un resultado logrado. Mantén las indicaciones centradas en lo que debe ocurrir en pantalla. Cuando las imágenes de entrada ya establezcan el aspecto del sujeto, describe el movimiento y los tiempos que deben desarrollarse entre ellas o a partir de ellas.
El fabricante documenta salidas de cinco o diez segundos, con cinco segundos como valor predeterminado, y 30 o 60 fotogramas por segundo. Los tamaños admitidos incluyen 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 y 3840×2160. Elige el tamaño y la duración para el destino y examina después el clip completo para comprobar el encuadre y el ritmo de la acción real.
Los modos de calidad y velocidad están documentados por separado del ajuste opcional de efectos de sonido de IA. Conserva estas opciones junto con las instrucciones, las imágenes y el resultado. Las capacidades visuales y de entrada del fabricante describen el modelo; los controles disponibles en un método de generación concreto se establecen en las especificaciones de ese método. Conserva los ajustes realmente utilizados al comparar planos candidatos.
Conserva el identificador de la tarea original hasta que el video esté completo y guarda el material devuelto para editarlo. Revisa toda la secuencia, incluidos el aspecto del sujeto durante movimientos amplios, las interacciones con los objetos de la escena y la composición final. Para el trabajo con fotogramas de los extremos, examina ambos extremos y la transición entre ellos. Corrige la discrepancia visual concreta conservando las referencias y la planificación de la toma que funcionen, y compara los videos completos en lugar de solo sus imágenes de vista previa.
POST /v1/videostextvideo| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites cogvideox-3 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 $0.3 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 $0.3 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija por la generación completada. |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "cogvideox-3",\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-3
/v1/videos/generations