CogVideoX 3 to model wideo firmy Zhipu AI z udokumentowanym generowaniem tekst–wideo, obraz–wideo oraz z pierwszej i ostatniej klatki. Producent podkreśla stabilność klatek, wykonywanie instrukcji oraz realistyczne lub trójwymiarowe style wizualne. Wybierz tekst, gdy scena zaczyna się od pisemnego opisu, jeden obraz, gdy istnieje już jej podstawa wizualna, albo dwa obrazy końców sekwencji, gdy potrzebny jest określony widok otwierający i zamykający.
Przy opisie tekstowym przedstaw główny obiekt i jedną czytelną akcję. Podaj otoczenie, punkt widzenia i ważne relacje fizyczne, aby scenę można było ocenić względem jasnej intencji. Postać podnosząca przedmiot potrzebuje innej sekwencji niż kamera odsłaniająca ten przedmiot. Opisuj oba działania tylko wtedy, gdy ich relacja ma znaczenie dla ujęcia.
Przy sekwencji opartej na obrazie przygotuj referencję tak, aby charakterystyczne cechy głównego obiektu były widoczne. Producent przyjmuje obrazy PNG, JPEG i JPG nie większe niż 5 MB, dostarczane przez URL lub zakodowane dane obrazu. Zachowaj rzeczywistą referencję przy wygenerowanym wyniku, aby wygląd i kadrowanie można było porównać ze źródłem, a nie z jego zapamiętaną wersją.
Tryb klatek końców sekwencji producenta przyjmuje dwa obrazy w kolejności: pierwszy określa klatkę otwierającą, a drugi klatkę końcową. Przygotuj je jako dwa zamierzone stany jednego ujęcia. Opisz przejście lub akcję, która je łączy, a następnie sprawdź spójność głównego obiektu między nimi. Para dobrych nieruchomych obrazów sama nie pokazuje, że ruch pomiędzy nimi odpowiada zamierzonej historii.
Prompt może zawierać do 512 znaków. Wykorzystaj tekst na akcję, jej kierunek i szczegóły wizualne odróżniające udany wynik. Skup opis na tym, co powinno wydarzyć się na ekranie. Gdy obrazy wejściowe już określają wygląd głównego obiektu, opisz ruch i czas, które mają rozwinąć się pomiędzy nimi lub z nich.
Producent dokumentuje wynik pięcio- lub dziesięciosekundowy, domyślnie pięć sekund, oraz 30 lub 60 klatek na sekundę. Obsługiwane rozmiary to 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 i 3840×2160. Wybierz rozmiar i czas dla miejsca docelowego, a następnie sprawdź gotowy klip pod kątem kadrowania i tempa rzeczywistej akcji.
Tryby jakości i szybkości są udokumentowane osobno od opcjonalnego ustawienia efektów dźwiękowych AI. Zachowaj te wybory przy prompcie, obrazach i wyniku. Możliwości wizualne i wejściowe producenta opisują model; ustawienia dostępne w konkretnej metodzie generowania określa kontrakt tej metody. Przy porównywaniu ujęć kandydujących zachowaj ustawienia rzeczywiście użyte.
Zachowaj identyfikator pierwotnego zadania do ukończenia wideo i zapisz zwrócony materiał do montażu. Sprawdź całą sekwencję, w tym wygląd głównego obiektu podczas dużego ruchu, interakcje z przedmiotami sceny i końcową kompozycję. Przy pracy z klatkami końców sekwencji zbadaj obie klatki i przejście między nimi. Popraw konkretną niezgodność wizualną, zachowując udane referencje i plan ujęcia, oraz porównuj ukończone wideo, a nie tylko ich obrazy podglądu.
", "aboutText": "CogVideoX 3 to model wideo firmy Zhipu AI z udokumentowanym generowaniem tekst–wideo, obraz–wideo oraz z pierwszej i ostatniej klatki. Producent podkreśla stabilność klatek, wykonywanie instrukcji oraz realistyczne lub trójwymiarowe style wizualne. Wybierz tekst, gdy scena zaczyna się od pisemnego opisu, jeden obraz, gdy istnieje już jej podstawa wizualna, albo dwa obrazy końców sekwencji, gdy potrzebny jest określony widok otwierający i zamykający.\n\nPrzy opisie tekstowym przedstaw główny obiekt i jedną czytelną akcję. Podaj otoczenie, punkt widzenia i ważne relacje fizyczne, aby scenę można było ocenić względem jasnej intencji. Postać podnosząca przedmiot potrzebuje innej sekwencji niż kamera odsłaniająca ten przedmiot. Opisuj oba działania tylko wtedy, gdy ich relacja ma znaczenie dla ujęcia.\n\nPrzy sekwencji opartej na obrazie przygotuj referencję tak, aby charakterystyczne cechy głównego obiektu były widoczne. Producent przyjmuje obrazy PNG, JPEG i JPG nie większe niż 5 MB, dostarczane przez URL lub zakodowane dane obrazu. Zachowaj rzeczywistą referencję przy wygenerowanym wyniku, aby wygląd i kadrowanie można było porównać ze źródłem, a nie z jego zapamiętaną wersją.\n\nTryb klatek końców sekwencji producenta przyjmuje dwa obrazy w kolejności: pierwszy określa klatkę otwierającą, a drugi klatkę końcową. Przygotuj je jako dwa zamierzone stany jednego ujęcia. Opisz przejście lub akcję, która je łączy, a następnie sprawdź spójność głównego obiektu między nimi. Para dobrych nieruchomych obrazów sama nie pokazuje, że ruch pomiędzy nimi odpowiada zamierzonej historii.\n\nPrompt może zawierać do 512 znaków. Wykorzystaj tekst na akcję, jej kierunek i szczegóły wizualne odróżniające udany wynik. Skup opis na tym, co powinno wydarzyć się na ekranie. Gdy obrazy wejściowe już określają wygląd głównego obiektu, opisz ruch i czas, które mają rozwinąć się pomiędzy nimi lub z nich.\n\nProducent dokumentuje wynik pięcio- lub dziesięciosekundowy, domyślnie pięć sekund, oraz 30 lub 60 klatek na sekundę. Obsługiwane rozmiary to 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 i 3840×2160. Wybierz rozmiar i czas dla miejsca docelowego, a następnie sprawdź gotowy klip pod kątem kadrowania i tempa rzeczywistej akcji.\n\nTryby jakości i szybkości są udokumentowane osobno od opcjonalnego ustawienia efektów dźwiękowych AI. Zachowaj te wybory przy prompcie, obrazach i wyniku. Możliwości wizualne i wejściowe producenta opisują model; ustawienia dostępne w konkretnej metodzie generowania określa kontrakt tej metody. Przy porównywaniu ujęć kandydujących zachowaj ustawienia rzeczywiście użyte.\n\nZachowaj identyfikator pierwotnego zadania do ukończenia wideo i zapisz zwrócony materiał do montażu. Sprawdź całą sekwencję, w tym wygląd głównego obiektu podczas dużego ruchu, interakcje z przedmiotami sceny i końcową kompozycję. Przy pracy z klatkami końców sekwencji zbadaj obie klatki i przejście między nimi. Popraw konkretną niezgodność wizualną, zachowując udane referencje i plan ujęcia, oraz porównuj ukończone wideo, a nie tylko ich obrazy podglądu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "2198a1139db45336e07b6f8260d83f984a403dbf8f9bdce110a0df66aba5afa2", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "cogvideox-3CogVideoX 3 tworzy wideo z tekstu, obrazu lub pary pierwszej i ostatniej klatki w udokumentowanym procesie producenta. Obsługuje sekwencje pięcio- lub dziesięciosekundowe, kilka rozmiarów wyjścia do 4K, 30 lub 60 fps i opcjonalne generowane efekty dźwiękowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
CogVideoX 3 to model wideo firmy Zhipu AI z udokumentowanym generowaniem tekst–wideo, obraz–wideo oraz z pierwszej i ostatniej klatki. Producent podkreśla stabilność klatek, wykonywanie instrukcji oraz realistyczne lub trójwymiarowe style wizualne. Wybierz tekst, gdy scena zaczyna się od pisemnego opisu, jeden obraz, gdy istnieje już jej podstawa wizualna, albo dwa obrazy końców sekwencji, gdy potrzebny jest określony widok otwierający i zamykający.
Przy opisie tekstowym przedstaw główny obiekt i jedną czytelną akcję. Podaj otoczenie, punkt widzenia i ważne relacje fizyczne, aby scenę można było ocenić względem jasnej intencji. Postać podnosząca przedmiot potrzebuje innej sekwencji niż kamera odsłaniająca ten przedmiot. Opisuj oba działania tylko wtedy, gdy ich relacja ma znaczenie dla ujęcia.
Przy sekwencji opartej na obrazie przygotuj referencję tak, aby charakterystyczne cechy głównego obiektu były widoczne. Producent przyjmuje obrazy PNG, JPEG i JPG nie większe niż 5 MB, dostarczane przez URL lub zakodowane dane obrazu. Zachowaj rzeczywistą referencję przy wygenerowanym wyniku, aby wygląd i kadrowanie można było porównać ze źródłem, a nie z jego zapamiętaną wersją.
Tryb klatek końców sekwencji producenta przyjmuje dwa obrazy w kolejności: pierwszy określa klatkę otwierającą, a drugi klatkę końcową. Przygotuj je jako dwa zamierzone stany jednego ujęcia. Opisz przejście lub akcję, która je łączy, a następnie sprawdź spójność głównego obiektu między nimi. Para dobrych nieruchomych obrazów sama nie pokazuje, że ruch pomiędzy nimi odpowiada zamierzonej historii.
Prompt może zawierać do 512 znaków. Wykorzystaj tekst na akcję, jej kierunek i szczegóły wizualne odróżniające udany wynik. Skup opis na tym, co powinno wydarzyć się na ekranie. Gdy obrazy wejściowe już określają wygląd głównego obiektu, opisz ruch i czas, które mają rozwinąć się pomiędzy nimi lub z nich.
Producent dokumentuje wynik pięcio- lub dziesięciosekundowy, domyślnie pięć sekund, oraz 30 lub 60 klatek na sekundę. Obsługiwane rozmiary to 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 i 3840×2160. Wybierz rozmiar i czas dla miejsca docelowego, a następnie sprawdź gotowy klip pod kątem kadrowania i tempa rzeczywistej akcji.
Tryby jakości i szybkości są udokumentowane osobno od opcjonalnego ustawienia efektów dźwiękowych AI. Zachowaj te wybory przy prompcie, obrazach i wyniku. Możliwości wizualne i wejściowe producenta opisują model; ustawienia dostępne w konkretnej metodzie generowania określa kontrakt tej metody. Przy porównywaniu ujęć kandydujących zachowaj ustawienia rzeczywiście użyte.
Zachowaj identyfikator pierwotnego zadania do ukończenia wideo i zapisz zwrócony materiał do montażu. Sprawdź całą sekwencję, w tym wygląd głównego obiektu podczas dużego ruchu, interakcje z przedmiotami sceny i końcową kompozycję. Przy pracy z klatkami końców sekwencji zbadaj obie klatki i przejście między nimi. Popraw konkretną niezgodność wizualną, zachowując udane referencje i plan ujęcia, oraz porównuj ukończone wideo, a nie tylko ich obrazy podglądu.
POST /v1/videostextvideo| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity cogvideox-3 Warunki: Użyj dokładnego selektora modelu Ailoot. | Domyślnie— |
Poleprompt | Typstring | WymaganieWymagane | Wartości i limity Warunki: Opisz scenę i ruch. | Domyślnie— |
Polequality | Typboolean | WymaganieOpcjonalne | Wartości i limity Warunki: Opcjonalny parametr jakości; wybrany schemat nie określa zgodnego enum ani wartości domyślnej. | Domyślnie— |
Polewith_audio | Typboolean | WymaganieOpcjonalne | Wartości i limity Warunki: Generuj efekty dźwiękowe AI, gdy ta opcja jest włączona. | Domyślniefalse |
Polesize | Typstring | WymaganieOpcjonalne | Wartości i limity Warunki: Przy wyborze jawnych wymiarów podaj udokumentowany ciąg znaków rozmiaru. | Domyślnie— |
Polefps | Typstring | WymaganieOpcjonalne | Wartości i limity 30, 60 Warunki: W wybranej metodzie natywnej liczba klatek na sekundę jest reprezentowana jako ciąg znaków. | Domyślnie30 |
Poleduration | Typstring | WymaganieOpcjonalne | Wartości i limity 5, 10 Warunki: W wybranej metodzie natywnej czas trwania w sekundach jest reprezentowany jako ciąg znaków. | Domyślnie5 |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, prompt |
Parametroptional | Kontraktquality, with_audio, size, fps, duration |
Parametrmaterial_types | Kontrakttext |
Parametrconditions | KontraktUżyj dokładnego selektora modelu Ailoot., Opisz scenę i ruch., Opcjonalny parametr jakości; wybrany schemat nie określa zgodnego enum ani wartości domyślnej., Generuj efekty dźwiękowe AI, gdy ta opcja jest włączona., Przy wyborze jawnych wymiarów podaj udokumentowany ciąg znaków rozmiaru., W wybranej metodzie natywnej liczba klatek na sekundę jest reprezentowana jako ciąg znaków., W wybranej metodzie natywnej czas trwania w sekundach jest reprezentowany jako ciąg znaków. |
Aliasy metody: /v1/videos/generations
Cykl życia: 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}
Wyświetlane stawki służą do oszacowania kosztu przed generowaniem. Ostateczna opłata jest obliczana na podstawie kosztu zarejestrowanego dla pierwotnego generowania. Zmierzony czas trwania wyniku i prognozowane ilości nie stanowią ostatecznej ilości podlegającej rozliczeniu.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Przewidywana ilość | Ilość do rozliczenia | Opłata |
|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Przewidywana ilość— | Ilość do rozliczenia— | Opłata Wejście · Tokeny wejściowe · Szacunek tylko do porównania — / 1K tokenów Wyjście · Tokeny wyjściowe · Szacunek tylko do porównania — / 1K tokenów Wejście · Odczyt cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache, 1 godz. · Szacunek tylko do porównania — / 1K tokenów |
| KonfiguracjaZa żądanie | Tabela stawek— | Przewidywana ilość— | Ilość do rozliczeniajedno żądanie | Opłata Wejście · Szacunek tylko do porównania $0.3 za żądanie |
| KonfiguracjaSzacowany koszt generowania | Tabela stawek— | Przewidywana ilośćszacunek dla jednego generowania | Ilość do rozliczenia— | Opłata Wyjście · Szacowany koszt generowania · Szacunek tylko do porównania $0.3 szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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}Zapisz każde ukończone wideo lub zwrócony plik; pobierz każdy faktycznie zwrócony URL zasobu.
Zachowaj kompletną odpowiedź i nagłówki, pierwotne identyfikatory, wszystkie rzeczywiste wyniki oraz wszystkie pola użycia i rozliczeń. Zapisz każdy unikalny zasób należący do użytkownika i zachowaj wszystkie role, które na niego wskazują.
Zachowaj zwrócone publiczne id zadania lub operacji oraz wszystkie nagłówki. Odczytuj wyłącznie pierwotne zadanie; unknown ani result_pending_check nie uprawniają do ponownego utworzenia.
| Pole | Typ |
|---|---|
Poleid | Typstring |
Polepolling_url | Typstring |
Poleprovider_task_id | Typstring |
Poleid | Typstring |
Poletask_status | Typstring |
Polevideo_result[].url | Typstring |
Ailoot Ultra cogvideox-3
/v1/videos/generations