Ett audiovisuelt resultat fra en multimodal beskrivelse
MiniMax H3 er MiniMax’ omnimodale videosystem. Det tolker tekst, bilder, video og lyd samlet og genererer deretter video med innebygd stereolyd. Produsenten presenterer det for korte kreative arbeider som produktvisualiseringer, reklame, animerte plakater og konsepter for filmtitler, der forholdene mellom referansematerialene er like viktige som scenebeskrivelsen.
Det dokumenterte systemet produserer videoer på 4–15 sekunder ved 24 bilder per sekund med 32 kHz stereolyd. H3-Base genererer i 768p; den fullstendige 2K-arbeidsflyten regenererer resultatet ved hjelp av den opprinnelige multimodale konteksten. Dette er mer enn en vanlig størrelsesendring: det andre trinnet bruker modellen og kildekonteksten på nytt for å gjenskape fine detaljer. H3 Max og H3-Context-IR har egne roller og grenser.
Skaping fra tekst og enkeltbilder
Inndata med bare tekst beskriver hele den audiovisuelle tidslinjen. Et første bilde forankrer åpningen, et siste bilde forankrer avslutningen, og to bilder kan definere begge. For et opptak fra første bilde begynner du med komposisjonen og identiteten som er synlig i stillbildet, og beskriver deretter handlingen som utvikler seg fra dette. For en overgang fra første til siste bilde beskriver du den observerbare bevegelsen som forbinder de to tilstandene, i stedet for å gjenta to urelaterte bildebeskrivelser.
En praktisk produktbeskrivelse kan angi en lukket pakke i åpningsbildet, hånden som åpner den, kameraets rolige bevegelse og sluttilstanden som skal nås. Bevar objektets form, etikettplassering og lyssetting i de innsendte bildene. Skaping fra enkeltbilder og referansestyrt skaping er separate inndatamoduser; produsentens grensesnitt blander ikke roller som første/siste bilde med roller som referansemedium i én forespørsel.
Referansestyrt generering og redigering
Referansemodusen tar imot tekst sammen med bilder, videoklipp og lydklipp. Angi hva hver kilde bidrar med: en karakters utseende, en lokasjon, kamerabevegelse, den tidsmessige strukturen i et kildeklipp eller en stemme. En video som bare brukes for kamerabevegelse, er noe annet enn en video som faktisk skal redigeres eller videreføres. Beskriv dette forholdet uttrykkelig.
Produsentens referanseveiledning skiller mellom motivdefinisjoner, et oppgavesammendrag, en analyse av hva som skal beholdes, en detaljert opptaksbeskrivelse, det samlede lydbildet og bakgrunnsmusikk som bare publikum hører. Den skiller mellom å bevare synlig innhold, å overføre egenskaper og å bruke en bred stilreferanse. For lyd er kopiering av et signal noe annet enn å referere til klang, rytme eller fremføring. Hold disse rollene stabile gjennom hele beskrivelsen.
For en referansestyrt scene sender du inn et karakterbilde, en kort referanse for kamerabevegelse og en lydreferanse for stemme, og beskriver deretter hvor hver av dem skal påvirke målopptaket. Angi hvilke kles-, miljø- eller objektdetaljer som må forbli gjenkjennelige. Sammenlign det ferdige klippet med disse kravene, inkludert bevegelseskontinuitet og forholdet mellom den synlige taleren og stemmen som høres.
Tale, lyd og opptakstiming
H3 modellerer dialog, fysiske lyder, atmosfære og musikk samlet. Modellkortet dokumenterer stabil dialogstøtte for arabisk, kinesisk, engelsk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk; andre språk beskrives som varierende støttet. Oppgi de nøyaktige replikkene og språket, med en stabil taleridentitet på tvers av opptak.
Produsentens veiledninger for promptskriving bruker engelsk i beskrivende avsnitt, mens dialog og synlig tekst bevares på originalspråket. Taleinnhold bruker <d>[Language] ...</d>, med taleridentitet og stemmebeskrivelse utenfor blokken. Skill mellom tale i scenen og fortellerstemme utenfor bildet, og angi når en replikk fortsetter over et klipp eller avbrytes av avslutningen. Bevar også synlig tekst nøyaktig. Tilpass talemengden til den valgte lengden, og kontroller den gjengitte teksten og den hørbare replikken samlet.
Beskriv kamerabevegelse som en handling, inkludert rekkevidde og hastighet når det har betydning. Nummerer opptakene i avspillingsrekkefølge, og hold klippetidspunktene innenfor videolengden. Skill mellom scenelyder som fottrinn eller en dør som lukkes, og bakgrunnsmusikk som bare publikum hører. Disse valgene gjør en kort opptaksplan enklere å tolke og enklere å vurdere opp mot resultatet.
Klargjøring av inndata og tallfestede grenser
Det nåværende genereringsskjemaet krever tekst som ikke er tom i alle moduser, med opptil 7 000 tegn per tekstelement. Bilder kan være JPG, JPEG, PNG, WebP, HEIC eller HEIF, opptil 30 MB hver, med hver side fra 256 til 5 760 piksler og sideforhold fra 0.4 til 2.5. Bildeinndata tillater ett åpningsbilde og ett sluttbilde; referansemodus tillater opptil ni referansebilder.
Referansevideo kan inneholde opptil tre MP4- eller MOV-klipp, hvert på 2–15 sekunder og samlet høyst 15 sekunder. Et klipp kan være opptil 50 MB; videokodeken er H.264 eller H.265, med AAC- eller MP3-lyd, sider fra 256 til 5 760 piksler, sideforhold fra 0.4 til 2.5 og bildefrekvens fra 23.976 til 60. Referanselyd støtter opptil tre WAV- eller MP3-klipp, opptil 15 MB hver, hvert på 2–15 sekunder og samlet høyst 15 sekunder. Modellkortet begrenser blandede referanseinndata til 12 filer. Den dokumenterte grensen for forespørselskroppen er 64 MB, atskilt fra grensene per fil.
Velg bare referanser som bidrar til beskrivelsen, og gjør hvert bidrag uttrykkelig. En tydelig visning av motivet er mer nyttig enn flere motstridende visninger uten forklaring. Bevar referanserekkefølgen, beskjær bort irrelevant materiale uten å fjerne nødvendig scenekontekst, og kontroller at korte kildeklipp inneholder handlingen eller stemmeegenskapen du ber om.
Utdataformat og det komplette systemet
Produsentens H3-grensesnitt tilbyr 768P og 2K. Generering med bare tekst krever et konkret sideforhold: 21:9, 16:9, 4:3, 1:1, 3:4 eller 9:16. Skaping fra første/siste bilde får sideforholdet fra inngangsbildet; referansebasert skaping kan bruke et tilpasset eller uttrykkelig angitt sideforhold. Utdataenes heltallige lengde er 4–15 sekunder.
Modellkortet skiller mellom H3-Context-IR, som tolker og beriker beskrivelsen, H3-Base, som genererer audiovisuelt innhold, og H3-Regenerate-2K, som skaper resultatet med høyere oppløsning. De utgitte grunnmodellvektene skiller mellom oppgaver styrt av enkeltbilder og omnimodale referanser. Kontekst- og regenereringskomponentene er atskilt fra disse grunnvektene, så navnet på en åpen modellvekt alene fastslår ikke hvordan hele systemet oppfører seg.
Produsentens genereringsarbeidsflyt er asynkron. Grensesnittet for oppgavesøk henter oppgaver fra de siste sju dagene. Behold oppgaveidentiteten til det faktiske videoresultatet returneres, og lagre deretter klippet i stedet for bare å beholde en tidsbegrenset nedlastingsadresse. Vurder visuell identitet, liten tekst, samspill mellom objekter, taleinnhold og lydtiming i den tiltenkte visningsstørrelsen. Produsenten oppgir multimodal forståelse og fine visuelle detaljer som områder for videre forbedring; en detaljert beskrivelse og sammenligning med kildene er fortsatt sentralt for et nyttig resultat.
", "aboutText": "Ett audiovisuelt resultat fra en multimodal beskrivelse\n\nMiniMax H3 er MiniMax’ omnimodale videosystem. Det tolker tekst, bilder, video og lyd samlet og genererer deretter video med innebygd stereolyd. Produsenten presenterer det for korte kreative arbeider som produktvisualiseringer, reklame, animerte plakater og konsepter for filmtitler, der forholdene mellom referansematerialene er like viktige som scenebeskrivelsen.\n\nDet dokumenterte systemet produserer videoer på 4–15 sekunder ved 24 bilder per sekund med 32 kHz stereolyd. H3-Base genererer i 768p; den fullstendige 2K-arbeidsflyten regenererer resultatet ved hjelp av den opprinnelige multimodale konteksten. Dette er mer enn en vanlig størrelsesendring: det andre trinnet bruker modellen og kildekonteksten på nytt for å gjenskape fine detaljer. H3 Max og H3-Context-IR har egne roller og grenser.\n\nSkaping fra tekst og enkeltbilder\n\nInndata med bare tekst beskriver hele den audiovisuelle tidslinjen. Et første bilde forankrer åpningen, et siste bilde forankrer avslutningen, og to bilder kan definere begge. For et opptak fra første bilde begynner du med komposisjonen og identiteten som er synlig i stillbildet, og beskriver deretter handlingen som utvikler seg fra dette. For en overgang fra første til siste bilde beskriver du den observerbare bevegelsen som forbinder de to tilstandene, i stedet for å gjenta to urelaterte bildebeskrivelser.\n\nEn praktisk produktbeskrivelse kan angi en lukket pakke i åpningsbildet, hånden som åpner den, kameraets rolige bevegelse og sluttilstanden som skal nås. Bevar objektets form, etikettplassering og lyssetting i de innsendte bildene. Skaping fra enkeltbilder og referansestyrt skaping er separate inndatamoduser; produsentens grensesnitt blander ikke roller som første/siste bilde med roller som referansemedium i én forespørsel.\n\nReferansestyrt generering og redigering\n\nReferansemodusen tar imot tekst sammen med bilder, videoklipp og lydklipp. Angi hva hver kilde bidrar med: en karakters utseende, en lokasjon, kamerabevegelse, den tidsmessige strukturen i et kildeklipp eller en stemme. En video som bare brukes for kamerabevegelse, er noe annet enn en video som faktisk skal redigeres eller videreføres. Beskriv dette forholdet uttrykkelig.\n\nProdusentens referanseveiledning skiller mellom motivdefinisjoner, et oppgavesammendrag, en analyse av hva som skal beholdes, en detaljert opptaksbeskrivelse, det samlede lydbildet og bakgrunnsmusikk som bare publikum hører. Den skiller mellom å bevare synlig innhold, å overføre egenskaper og å bruke en bred stilreferanse. For lyd er kopiering av et signal noe annet enn å referere til klang, rytme eller fremføring. Hold disse rollene stabile gjennom hele beskrivelsen.\n\nFor en referansestyrt scene sender du inn et karakterbilde, en kort referanse for kamerabevegelse og en lydreferanse for stemme, og beskriver deretter hvor hver av dem skal påvirke målopptaket. Angi hvilke kles-, miljø- eller objektdetaljer som må forbli gjenkjennelige. Sammenlign det ferdige klippet med disse kravene, inkludert bevegelseskontinuitet og forholdet mellom den synlige taleren og stemmen som høres.\n\nTale, lyd og opptakstiming\n\nH3 modellerer dialog, fysiske lyder, atmosfære og musikk samlet. Modellkortet dokumenterer stabil dialogstøtte for arabisk, kinesisk, engelsk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk; andre språk beskrives som varierende støttet. Oppgi de nøyaktige replikkene og språket, med en stabil taleridentitet på tvers av opptak.\n\nProdusentens veiledninger for promptskriving bruker engelsk i beskrivende avsnitt, mens dialog og synlig tekst bevares på originalspråket. Taleinnhold bruker `minimax/hailuo-3MiniMax H3 genererer korte videoer med innebygd stereolyd fra tekst, enkeltbilder eller multimodale referanser. Den støtter skaping fra første/siste bilde, referansestyrt redigering og sammenhenger for bevegelse eller stemme, med resultater på 4–15 sekunder og en egen arbeidsflyt for regenerering i 2K.
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Ett audiovisuelt resultat fra en multimodal beskrivelse
MiniMax H3 er MiniMax’ omnimodale videosystem. Det tolker tekst, bilder, video og lyd samlet og genererer deretter video med innebygd stereolyd. Produsenten presenterer det for korte kreative arbeider som produktvisualiseringer, reklame, animerte plakater og konsepter for filmtitler, der forholdene mellom referansematerialene er like viktige som scenebeskrivelsen.
Det dokumenterte systemet produserer videoer på 4–15 sekunder ved 24 bilder per sekund med 32 kHz stereolyd. H3-Base genererer i 768p; den fullstendige 2K-arbeidsflyten regenererer resultatet ved hjelp av den opprinnelige multimodale konteksten. Dette er mer enn en vanlig størrelsesendring: det andre trinnet bruker modellen og kildekonteksten på nytt for å gjenskape fine detaljer. H3 Max og H3-Context-IR har egne roller og grenser.
Skaping fra tekst og enkeltbilder
Inndata med bare tekst beskriver hele den audiovisuelle tidslinjen. Et første bilde forankrer åpningen, et siste bilde forankrer avslutningen, og to bilder kan definere begge. For et opptak fra første bilde begynner du med komposisjonen og identiteten som er synlig i stillbildet, og beskriver deretter handlingen som utvikler seg fra dette. For en overgang fra første til siste bilde beskriver du den observerbare bevegelsen som forbinder de to tilstandene, i stedet for å gjenta to urelaterte bildebeskrivelser.
En praktisk produktbeskrivelse kan angi en lukket pakke i åpningsbildet, hånden som åpner den, kameraets rolige bevegelse og sluttilstanden som skal nås. Bevar objektets form, etikettplassering og lyssetting i de innsendte bildene. Skaping fra enkeltbilder og referansestyrt skaping er separate inndatamoduser; produsentens grensesnitt blander ikke roller som første/siste bilde med roller som referansemedium i én forespørsel.
Referansestyrt generering og redigering
Referansemodusen tar imot tekst sammen med bilder, videoklipp og lydklipp. Angi hva hver kilde bidrar med: en karakters utseende, en lokasjon, kamerabevegelse, den tidsmessige strukturen i et kildeklipp eller en stemme. En video som bare brukes for kamerabevegelse, er noe annet enn en video som faktisk skal redigeres eller videreføres. Beskriv dette forholdet uttrykkelig.
Produsentens referanseveiledning skiller mellom motivdefinisjoner, et oppgavesammendrag, en analyse av hva som skal beholdes, en detaljert opptaksbeskrivelse, det samlede lydbildet og bakgrunnsmusikk som bare publikum hører. Den skiller mellom å bevare synlig innhold, å overføre egenskaper og å bruke en bred stilreferanse. For lyd er kopiering av et signal noe annet enn å referere til klang, rytme eller fremføring. Hold disse rollene stabile gjennom hele beskrivelsen.
For en referansestyrt scene sender du inn et karakterbilde, en kort referanse for kamerabevegelse og en lydreferanse for stemme, og beskriver deretter hvor hver av dem skal påvirke målopptaket. Angi hvilke kles-, miljø- eller objektdetaljer som må forbli gjenkjennelige. Sammenlign det ferdige klippet med disse kravene, inkludert bevegelseskontinuitet og forholdet mellom den synlige taleren og stemmen som høres.
Tale, lyd og opptakstiming
H3 modellerer dialog, fysiske lyder, atmosfære og musikk samlet. Modellkortet dokumenterer stabil dialogstøtte for arabisk, kinesisk, engelsk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, russisk og spansk; andre språk beskrives som varierende støttet. Oppgi de nøyaktige replikkene og språket, med en stabil taleridentitet på tvers av opptak.
Produsentens veiledninger for promptskriving bruker engelsk i beskrivende avsnitt, mens dialog og synlig tekst bevares på originalspråket. Taleinnhold bruker <d>[Language] ...</d>, med taleridentitet og stemmebeskrivelse utenfor blokken. Skill mellom tale i scenen og fortellerstemme utenfor bildet, og angi når en replikk fortsetter over et klipp eller avbrytes av avslutningen. Bevar også synlig tekst nøyaktig. Tilpass talemengden til den valgte lengden, og kontroller den gjengitte teksten og den hørbare replikken samlet.
Beskriv kamerabevegelse som en handling, inkludert rekkevidde og hastighet når det har betydning. Nummerer opptakene i avspillingsrekkefølge, og hold klippetidspunktene innenfor videolengden. Skill mellom scenelyder som fottrinn eller en dør som lukkes, og bakgrunnsmusikk som bare publikum hører. Disse valgene gjør en kort opptaksplan enklere å tolke og enklere å vurdere opp mot resultatet.
Klargjøring av inndata og tallfestede grenser
Det nåværende genereringsskjemaet krever tekst som ikke er tom i alle moduser, med opptil 7 000 tegn per tekstelement. Bilder kan være JPG, JPEG, PNG, WebP, HEIC eller HEIF, opptil 30 MB hver, med hver side fra 256 til 5 760 piksler og sideforhold fra 0.4 til 2.5. Bildeinndata tillater ett åpningsbilde og ett sluttbilde; referansemodus tillater opptil ni referansebilder.
Referansevideo kan inneholde opptil tre MP4- eller MOV-klipp, hvert på 2–15 sekunder og samlet høyst 15 sekunder. Et klipp kan være opptil 50 MB; videokodeken er H.264 eller H.265, med AAC- eller MP3-lyd, sider fra 256 til 5 760 piksler, sideforhold fra 0.4 til 2.5 og bildefrekvens fra 23.976 til 60. Referanselyd støtter opptil tre WAV- eller MP3-klipp, opptil 15 MB hver, hvert på 2–15 sekunder og samlet høyst 15 sekunder. Modellkortet begrenser blandede referanseinndata til 12 filer. Den dokumenterte grensen for forespørselskroppen er 64 MB, atskilt fra grensene per fil.
Velg bare referanser som bidrar til beskrivelsen, og gjør hvert bidrag uttrykkelig. En tydelig visning av motivet er mer nyttig enn flere motstridende visninger uten forklaring. Bevar referanserekkefølgen, beskjær bort irrelevant materiale uten å fjerne nødvendig scenekontekst, og kontroller at korte kildeklipp inneholder handlingen eller stemmeegenskapen du ber om.
Utdataformat og det komplette systemet
Produsentens H3-grensesnitt tilbyr 768P og 2K. Generering med bare tekst krever et konkret sideforhold: 21:9, 16:9, 4:3, 1:1, 3:4 eller 9:16. Skaping fra første/siste bilde får sideforholdet fra inngangsbildet; referansebasert skaping kan bruke et tilpasset eller uttrykkelig angitt sideforhold. Utdataenes heltallige lengde er 4–15 sekunder.
Modellkortet skiller mellom H3-Context-IR, som tolker og beriker beskrivelsen, H3-Base, som genererer audiovisuelt innhold, og H3-Regenerate-2K, som skaper resultatet med høyere oppløsning. De utgitte grunnmodellvektene skiller mellom oppgaver styrt av enkeltbilder og omnimodale referanser. Kontekst- og regenereringskomponentene er atskilt fra disse grunnvektene, så navnet på en åpen modellvekt alene fastslår ikke hvordan hele systemet oppfører seg.
Produsentens genereringsarbeidsflyt er asynkron. Grensesnittet for oppgavesøk henter oppgaver fra de siste sju dagene. Behold oppgaveidentiteten til det faktiske videoresultatet returneres, og lagre deretter klippet i stedet for bare å beholde en tidsbegrenset nedlastingsadresse. Vurder visuell identitet, liten tekst, samspill mellom objekter, taleinnhold og lydtiming i den tiltenkte visningsstørrelsen. Produsenten oppgir multimodal forståelse og fine visuelle detaljer som områder for videre forbedring; en detaljert beskrivelse og sammenligning med kildene er fortsatt sentralt for et nyttig resultat.
POST /v1/videostext, image, audio, videovideo| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser minimax/hailuo-3 | Standard— |
Feltprompt | Typestring | KravPåkrevd | Verdier & grenser | Standard— |
Feltduration | Typeinteger | KravPåkrevd | Verdier & grenser 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 Minimum: 1 Maksimum: 600 | Standard— |
Feltresolution | Typestring | KravValgfritt | Verdier & grenser 2K | Standard— |
Feltaspect_ratio | Typestring | KravValgfritt | Verdier & grenser 21:9, 16:9, 4:3, 1:1, 3:4, 9:16 | Standard— |
Feltgenerate_audio | Typeboolean | KravValgfritt | Verdier & grenser false, true | Standard— |
Feltframe_images | Typearray | KravValgfritt | Verdier & grenser Minste antall elementer: 1 Maksimalt antall elementer: 2 Inngående innhold: Matrise med bildeobjekter. Hvert objekt har type=image_url, image_url som inneholder url, og frame_type. Bruk en HTTPS-basert URL til bildet, og sett frame_type til first_frame eller last_frame. Hver bilderolle forekommer høyst én gang. Nøyaktige nøkler: type, image_url, frame_type Vilkår: Disse nøklene beskriver hvert bildeobjekt; image_url inneholder bare url. Utelat frame_images ved en forespørsel som bare inneholder tekst. | Standard— |
Feltinput_references | Typearray | KravValgfritt | Verdier & grenser | Standard— |
Feltcallback_url | Typestring | KravValgfritt | Verdier & grenser Mønster: ^https:// | Standard— |
Feltsession_id | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Felttrace | Typeobject | KravValgfritt | Verdier & grenser | Standard— |
Feltuser | Typestring | KravValgfritt | Verdier & grenser | Standard— |
Tekst til video · En skriftlig ledetekst. · Påkrevd: model, prompt, duration
Oppgi prompt som tekst og duration som hele sekunder. Velg en støttet oppløsning og ved behov et sideforhold.
model: Type: string · minimax/hailuo-3
prompt: Type: string · Maksimalt antall UTF-8-byte: 10 000 · Minst ett tegn som ikke er mellomrom, kreves: Ja
Bilde til video · En skriftlig ledetekst og et bilde for første enkeltbilde. · Påkrevd: model, prompt, duration, frame_images
frame_images er en matrise. Hvert bildeobjekt har type, image_url og frame_type; image_url inneholder url. Sett type til image_url. Bruk first_frame med en valgfri last_frame. Hver bilderolle forekommer høyst én gang. Oppgi en offentlig tilgjengelig HTTPS-basert URL til bildet for hvert enkeltbilde. Bruk enkeltbilder eller bildereferanser i én forespørsel; ikke kombiner begge. Velg en støttet oppløsning og ved behov et sideforhold.
Nøyaktige nøkler: type, image_url, frame_type
model: Type: string · minimax/hailuo-3
prompt: Type: string · Maksimalt antall UTF-8-byte: 10 000 · Minst ett tegn som ikke er mellomrom, kreves: Ja
Reference to video · En skriftlig ledetekst og støttede bilde-, video- og lydreferanser. · Påkrevd: model, prompt, duration, input_references
input_references er en matrise med objekter. Sett type til image_url, video_url, audio_url, og bruk det tilsvarende feltet som inneholder url. Bruk offentlig tilgjengelige HTTPS-adresser. Utelat frame_images for å velge referansemodus. Anslaget inkluderer den viste komponenten per bilde bare for referansebilder etter de første fem. Endelig belastning følger den faktisk fakturerte konfigurasjonen. Ikke kombiner bildereferanser med enkeltbilder. Velg en støttet oppløsning og ved behov et sideforhold.
model: Type: string · minimax/hailuo-3
prompt: Type: string · Maksimalt antall UTF-8-byte: 10 000 · Minst ett tegn som ikke er mellomrom, kreves: Ja
| Parameter | Avtale |
|---|---|
Parametercontent_type | Avtaleapplication/json |
Parameterrequired | Avtalemodel, prompt, duration |
Parametermaterial_types | Avtaletext, image, audio, video |
Parameteradditional_properties | Avtalefalse |
Parameteroptional_controls | Avtaleresolution, aspect_ratio, generate_audio, frame_images, input_references, callback_url, session_id, trace, user |
Livssyklus: submit_once_poll_original
GET /v1/videos/{public_id}
GET /v1/videos/{public_id}/content
De viste satsene anslår kostnaden før generering. Det endelige beløpet beregnes ut fra kostnaden som er registrert for den opprinnelige genereringen. Målt varighet på utdataene og anslåtte mengder er ikke den endelige fakturerbare mengden.
Tariffopplysninger legger ikke til forespørselsvalg. Støttede parametere står ved den valgte metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Prisplan | Forventet mengde | Faktureringsenhet | Faktureringsvilkår | Kostnad |
|---|---|---|---|---|---|
| KonfigurasjonGrunnpriser for tokener | PrisplanGrunnsats | Forventet mengde— | Faktureringsenhet— | Faktureringsvilkår— | Kostnad Inndata · Inngående tokener · Estimat kun for sammenligning — / 1K tokener Utdata · Utgående tokener · Estimat kun for sammenligning — / 1K tokener Inndata · Lesing fra hurtigbuffer · Estimat kun for sammenligning — / 1K tokener Inndata · Skriving til hurtigbuffer · Estimat kun for sammenligning — / 1K tokener Inndata · Skriving til hurtigbuffer, 1 time · Estimat kun for sammenligning — / 1K tokener |
| KonfigurasjonVideopris | Prisplan— | Forventet mengde— | Faktureringsenhetper videosekund | FaktureringsvilkårIngen ytterligere betingelse er angitt i denne prisnøkkelen. | Kostnad Utdata · Videopris · Estimat kun for sammenligning $0.26 per videosekund |
| Konfigurasjonreferansebilde | Prisplan— | Forventet mengde— | Faktureringsenhetper referansebilde | Faktureringsvilkår— | Kostnad Inndata · referansebilde · Estimat kun for sammenligning $0.08 per referansebilde |
| KonfigurasjonAnslått genereringskostnad | Prisplan— | Forventet mengdeestimat for én generering | Faktureringsenhet— | Faktureringsvilkår— | Kostnad Utdata · Anslått genereringskostnad · Estimat kun for sammenligning $1.3 estimat før generering Dette anslaget er verken en tilleggsavgift eller en fast sats for den fullførte genereringen. |
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Referanseprisplaner på modellnivå endrer ikke metodevalg, prisoverslag eller kostnader. Aktive kostnader bruker satsene til den valgte Ailoot-metoden.
Knytt hver kostnad til de viste vilkårene. Bruk én sats for hvert sett med alternative konfigurasjoner.
| Konfigurasjon | Faktureringsvilkår | Kostnad |
|---|---|---|
| KonfigurasjonVideopris | FaktureringsvilkårIngen ytterligere betingelse er angitt i denne prisnøkkelen. | Kostnad Utdata · Videopris $0.26 per videosekund Publisert prisreferanse for den viste konfigurasjonen. Endelige belastninger følger konfigurasjonen som faktisk faktureres. |
| KonfigurasjonReferansebilder etter de første fem | FaktureringsvilkårIngen ytterligere betingelse er angitt i denne prisnøkkelen. | Kostnad Inndata · Referansebilder etter de fem første $0.08 per bilde De første fem referansebildene er gratis; den oppførte satsen per bilde gjelder etter de første fem. Publisert prisreferanse for den viste konfigurasjonen. Endelige belastninger følger den faktisk fakturerte konfigurasjonen. |
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nfrom pathlib import Path\nPath('request.json').write_text('{"aspect_ratio":"16:9","duration":8,"model":"minimax/hailuo-3","prompt":"A serene mountain landscape at sunset","resolution":"2K"}', encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/videos \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('result.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\nSignerte innholdsadresser for ressurser du eier
GET /v1/videos/{public_id}GET /v1/videos/{public_id}/contentset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_STATUS_URL'\nimport json\nfrom pathlib import Path\nfrom urllib.parse import quote\nr=json.loads(Path('result.json').read_text())\nif not isinstance(r.get('id'),str) or not r['id']:raise SystemExit('Keep the original response and headers for reconciliation; no returned ID')\nPath('status-url.txt').write_text('https://api.ailoot.ai/v1/videos/'+quote(r['id'],safe=''))\nPY_STATUS_URL\ncurl --fail-with-body --silent --show-error "$(cat status-url.txt)" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -D status-headers.txt -o status.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path('status.json').read_text())\nprint(json.dumps(r,ensure_ascii=False,indent=2))\nprint('Keep the complete JSON and response headers; do not resubmit an unknown creation.')\nPY_RESULT\nset -eu\n: "${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())\nif r.get('status')!='completed':raise SystemExit('Keep the original ID and read its status; never recreate an unknown job')\nif not isinstance(r.get('data'),list) or not r['data']:raise SystemExit('Keep the complete original status; no completed outputs supplied')\nurls=[]\nfor i,u in enumerate(r.get('data',[])):\n if not isinstance(u,str):raise SystemExit('Keep the original response; unexpected asset shape')\n urls.append((str(i),u))\nfor label,path in urls:\n u=urljoin('https://api.ailoot.ai',path);z=urlsplit(u)\n if z.scheme!='https' or z.netloc!='api.ailoot.ai' or z.username or z.password:raise SystemExit('Use the actual returned Ailoot owned content URL')\n target=Path('owned-'+label+'.bin')\n subprocess.run(['curl','--fail-with-body','--silent','--show-error',u,'-H','Authorization: Bearer '+os.environ['AILOOT_API_KEY'],'-D',str(target)+'.headers','-o',str(target)],check=True)\nprint('All returned owned URLs saved; complete metadata, timing and usage remain in the JSON.')\nPY_ASSETS\nLagre hver ferdige video eller returnerte fil; hent hver faktisk returnerte ressurs-URL.
Behold alle faktiske utdata du eier, og de returnerte målte metadataene.
503 result_pending_check + opprinnelig id + X-Should-Retry:false; gjenta aldri den opprinnelige sendingen
| Felt | Type | Betydning |
|---|---|---|
Feltindex | Typeinteger | BetydningNullbasert posisjon for denne videoen i utdatalisten. |
Feltcontent_url | Typestring | BetydningSignert HTTPS-basert URL for nedlasting av denne ferdigstilte videoen. |
Feltsha256 | Typestring | null | BetydningSHA-256-kontrollsum for den opprinnelige videoens byte; null hvis utilgjengelig. |
Feltsize_bytes | Typeinteger | null | BetydningStørrelsen på den opprinnelige videofilen i byte; null hvis utilgjengelig. |
Feltduration_ms | Typeinteger | null | BetydningMålt videovarighet i millisekunder; null hvis utilgjengelig. |
Feltwidth | Typeinteger | null | BetydningVideobredde i piksler; null hvis utilgjengelig. |
Feltheight | Typeinteger | null | BetydningVideohøyde i piksler; null hvis utilgjengelig. |
Feltvideo_codec | Typestring | null | BetydningIdentifikator for videokodeken; null hvis ikke registrert. |
Felthas_audio | Typeboolean | null | BetydningOm videoen inneholder et lydspor; null hvis ikke målt. |
Feltaudio_codec | Typestring | null | BetydningIdentifikator for lydkodeken; null når ingen identifikator er registrert. |
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar404 · not_found_error | VilkårVideotilgang er utilgjengelig, eller denne video-ID-en ble ikke funnet. | Neste trinnKontroller videotilgangen. For en eksisterende video bruker du den opprinnelige offentlige ID-en og samme API-nøkkel. |
Svar401 · authentication_error | VilkårAPI-nøkkelen samsvarer ikke med den autentiserte kontoen. | Neste trinnKontroller API-nøkkelen din og kontotilgangen før innsending. |
Svar400 · invalid_request_error | VilkårForespørselen kunne ikke leses, eller nedlastingsindeksen er ugyldig. | Neste trinnKorriger forespørselskroppen. Ved nedlasting velger du en utdataindeks som ble returnert av den opprinnelige oppgaven. |
Svar422 · price_unavailable | VilkårDen valgte videokonfigurasjonen kan ikke prises. | Neste trinnVelg en støttet videokonfigurasjon og fyll ut de påkrevde alternativene før du sender en korrigert forespørsel. |
Svar422 · invalid_request_error | VilkårVideoinndata eller den opprinnelige fortsettelsesoppgaven er ugyldig. | Neste trinnBruk gyldige HTTPS-inndata. Ved fortsettelse bruker du den ferdigstilte originalens offentlige video-ID med samme API-nøkkel. |
Svar402 · billing_error | VilkårDen tilgjengelige saldoen eller grensene tillater ikke en reservasjon. | Neste trinnKontroller tilgjengelig saldo og grenser før du sender en ny forespørsel. |
Svar503 · server_error | VilkårVideokontroll, lagring eller tjenestetilgang er midlertidig utilgjengelig. | Neste trinnVent til tjenesten er tilgjengelig. Hvis du allerede har en video-ID, kontroller den opprinnelige oppgaven fremfor å opprette en ny generering. |
Svar503 · result_pending_check | VilkårDet opprinnelige videoresultatet og belastningen må kontrolleres. | Neste trinnBehold den returnerte video-ID-en og kontroller den oppgaven. Ikke send en erstatningsforespørsel om generering mens den kontrolleres. |
Svar503 · owned_result_unavailable | VilkårNedlasting av den eksisterende videoen er midlertidig utilgjengelig. | Neste trinnKontroller den samme videooppgaven senere og last ned de eksisterende utdataene. En ny generering oppretter en separat operasjon. |
Svar409 · video_not_ready | VilkårVideoinnholdet er ikke publisert. | Neste trinnKontroller den opprinnelige oppgavestatusen. Last ned etter at den rapporterer completed; hvis den rapporterer failed, følg varselet om kontroll av belastningen. |
Ailoot Ultra minimax/hailuo-3
Bruk metodestiene som vises ovenfor.