CogVideoX 2 är Zhipu AI:s videogenereringsmodell för en skriftlig scenbeskrivning eller en tillhandahållen bild. Texten fastställer motiv, miljö och handling; en bild kan ge den visuella grunden för den genererade sekvensen. Välj den indata som bäst motsvarar det material som redan finns för tagningen och beskriv sedan den synliga rörelse som den färdiga videon ska innehålla.
Definiera en sammanhängande händelse vid textbaserat skapande. En person som öppnar en verkstadsdörr, en liten båt som passerar en brygga eller ett föremål som roterar i jämnt ljus ger var och en tagningen ett tydligt syfte. Ange motivets viktiga egenskaper, kameravinkeln och rörelsens riktning. Välj ett slut som kan användas i den avsedda redigeringen i stället för att lämna scenens slutkomposition ospecificerad.
Vid bildbaserat skapande förbereds en tydlig bild av motivet och en beskrivning av hur scenen ska röra sig utifrån den. Tillverkaren accepterar PNG-, JPEG- och JPG-referenser på högst 5 MB via bild-URL eller kodade bilddata. Håll viktiga konturer, ansiktsdrag och objektdetaljer synliga i referensen och lämna utrymme i kompositionen för den begärda handlingen.
Tillverkaren begränsar den skriftliga prompten till 512 tecken. Använd utrymmet för de avgörande detaljerna: motiv, handling, miljö och kameravinkel. En kort beskrivning som förklarar vilket föremål som rör sig och vad som förblir stilla är lättare att bedöma än en lista med allmänna stiladjektiv. Om resultatet missar målet, ändra instruktionen som hör till det observerade rörelse- eller inramningsproblemet.
De publicerade utdatastorlekarna omfattar kvadratiska, liggande och stående format, med alternativ från 720×480 till 3840×2160 pixlar. Tillverkaren dokumenterar också 30 eller 60 bildrutor per sekund. Välj form och bildfrekvens för destinationen före generering och granska sedan den faktiska videon för att se om motivet och dess viktiga detaljer förblir läsbara i den inramningen.
Kvalitet och hastighet är namngivna utdatalägen i tillverkarens arbetsflöde. Valfria AI-genererade ljudeffekter styrs separat från den visuella beskrivningen. Behåll det valda läget och inställningen för ljudeffekter med prompten och eventuell referensbild så att olika kandidatvideor kan jämföras utifrån sina faktiska genereringsinställningar.
Genereringen är asynkron: en uppgiftsidentitet returneras innan den färdiga videon är tillgänglig. Behåll identiteten genom resultatkontrollen och spara alla färdiga videofiler som hör till operationen. Spara själva videon för redigering, tillsammans med källbilden när en sådan används, i stället för att förlita dig på en tillfällig resultatadress eller en förhandsbild.
Granska hela sekvensens kontinuitet, timing och begärda handling. En produktvideo behöver behålla form och materialdetaljer under rörelsen; en karaktärsscen behöver ett sammanhängande utseende och sammanhängande gester. Kontrollera slutkompositionen och eventuellt genererat ljud mot tagningens syfte. Behåll de lyckade scenelementen när en konkret avvikelse rättas och använd samma visningsförhållanden vid jämförelsen mellan ursprungliga och reviderade videor.
", "aboutText": "CogVideoX 2 är Zhipu AI:s videogenereringsmodell för en skriftlig scenbeskrivning eller en tillhandahållen bild. Texten fastställer motiv, miljö och handling; en bild kan ge den visuella grunden för den genererade sekvensen. Välj den indata som bäst motsvarar det material som redan finns för tagningen och beskriv sedan den synliga rörelse som den färdiga videon ska innehålla.\n\nDefiniera en sammanhängande händelse vid textbaserat skapande. En person som öppnar en verkstadsdörr, en liten båt som passerar en brygga eller ett föremål som roterar i jämnt ljus ger var och en tagningen ett tydligt syfte. Ange motivets viktiga egenskaper, kameravinkeln och rörelsens riktning. Välj ett slut som kan användas i den avsedda redigeringen i stället för att lämna scenens slutkomposition ospecificerad.\n\nVid bildbaserat skapande förbereds en tydlig bild av motivet och en beskrivning av hur scenen ska röra sig utifrån den. Tillverkaren accepterar PNG-, JPEG- och JPG-referenser på högst 5 MB via bild-URL eller kodade bilddata. Håll viktiga konturer, ansiktsdrag och objektdetaljer synliga i referensen och lämna utrymme i kompositionen för den begärda handlingen.\n\nTillverkaren begränsar den skriftliga prompten till 512 tecken. Använd utrymmet för de avgörande detaljerna: motiv, handling, miljö och kameravinkel. En kort beskrivning som förklarar vilket föremål som rör sig och vad som förblir stilla är lättare att bedöma än en lista med allmänna stiladjektiv. Om resultatet missar målet, ändra instruktionen som hör till det observerade rörelse- eller inramningsproblemet.\n\nDe publicerade utdatastorlekarna omfattar kvadratiska, liggande och stående format, med alternativ från 720×480 till 3840×2160 pixlar. Tillverkaren dokumenterar också 30 eller 60 bildrutor per sekund. Välj form och bildfrekvens för destinationen före generering och granska sedan den faktiska videon för att se om motivet och dess viktiga detaljer förblir läsbara i den inramningen.\n\nKvalitet och hastighet är namngivna utdatalägen i tillverkarens arbetsflöde. Valfria AI-genererade ljudeffekter styrs separat från den visuella beskrivningen. Behåll det valda läget och inställningen för ljudeffekter med prompten och eventuell referensbild så att olika kandidatvideor kan jämföras utifrån sina faktiska genereringsinställningar.\n\nGenereringen är asynkron: en uppgiftsidentitet returneras innan den färdiga videon är tillgänglig. Behåll identiteten genom resultatkontrollen och spara alla färdiga videofiler som hör till operationen. Spara själva videon för redigering, tillsammans med källbilden när en sådan används, i stället för att förlita dig på en tillfällig resultatadress eller en förhandsbild.\n\nGranska hela sekvensens kontinuitet, timing och begärda handling. En produktvideo behöver behålla form och materialdetaljer under rörelsen; en karaktärsscen behöver ett sammanhängande utseende och sammanhängande gester. Kontrollera slutkompositionen och eventuellt genererat ljud mot tagningens syfte. Behåll de lyckade scenelementen när en konkret avvikelse rättas och använd samma visningsförhållanden vid jämförelsen mellan ursprungliga och reviderade videor.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "95ef3c40ff5a6c2a86f5af76bec997cdc476e8b18a7d7aa47029ea520b7114ce", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "cogvideox-2CogVideoX 2 genererar video från en textbeskrivning eller en tillhandahållen bild. Tillverkaren dokumenterar valbara bildstorlekar, 30 eller 60 fps, kvalitets- eller hastighetslägen och valfria genererade ljudeffekter för att utforma en kort visuell scen.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
CogVideoX 2 är Zhipu AI:s videogenereringsmodell för en skriftlig scenbeskrivning eller en tillhandahållen bild. Texten fastställer motiv, miljö och handling; en bild kan ge den visuella grunden för den genererade sekvensen. Välj den indata som bäst motsvarar det material som redan finns för tagningen och beskriv sedan den synliga rörelse som den färdiga videon ska innehålla.
Definiera en sammanhängande händelse vid textbaserat skapande. En person som öppnar en verkstadsdörr, en liten båt som passerar en brygga eller ett föremål som roterar i jämnt ljus ger var och en tagningen ett tydligt syfte. Ange motivets viktiga egenskaper, kameravinkeln och rörelsens riktning. Välj ett slut som kan användas i den avsedda redigeringen i stället för att lämna scenens slutkomposition ospecificerad.
Vid bildbaserat skapande förbereds en tydlig bild av motivet och en beskrivning av hur scenen ska röra sig utifrån den. Tillverkaren accepterar PNG-, JPEG- och JPG-referenser på högst 5 MB via bild-URL eller kodade bilddata. Håll viktiga konturer, ansiktsdrag och objektdetaljer synliga i referensen och lämna utrymme i kompositionen för den begärda handlingen.
Tillverkaren begränsar den skriftliga prompten till 512 tecken. Använd utrymmet för de avgörande detaljerna: motiv, handling, miljö och kameravinkel. En kort beskrivning som förklarar vilket föremål som rör sig och vad som förblir stilla är lättare att bedöma än en lista med allmänna stiladjektiv. Om resultatet missar målet, ändra instruktionen som hör till det observerade rörelse- eller inramningsproblemet.
De publicerade utdatastorlekarna omfattar kvadratiska, liggande och stående format, med alternativ från 720×480 till 3840×2160 pixlar. Tillverkaren dokumenterar också 30 eller 60 bildrutor per sekund. Välj form och bildfrekvens för destinationen före generering och granska sedan den faktiska videon för att se om motivet och dess viktiga detaljer förblir läsbara i den inramningen.
Kvalitet och hastighet är namngivna utdatalägen i tillverkarens arbetsflöde. Valfria AI-genererade ljudeffekter styrs separat från den visuella beskrivningen. Behåll det valda läget och inställningen för ljudeffekter med prompten och eventuell referensbild så att olika kandidatvideor kan jämföras utifrån sina faktiska genereringsinställningar.
Genereringen är asynkron: en uppgiftsidentitet returneras innan den färdiga videon är tillgänglig. Behåll identiteten genom resultatkontrollen och spara alla färdiga videofiler som hör till operationen. Spara själva videon för redigering, tillsammans med källbilden när en sådan används, i stället för att förlita dig på en tillfällig resultatadress eller en förhandsbild.
Granska hela sekvensens kontinuitet, timing och begärda handling. En produktvideo behöver behålla form och materialdetaljer under rörelsen; en karaktärsscen behöver ett sammanhängande utseende och sammanhängande gester. Kontrollera slutkompositionen och eventuellt genererat ljud mot tagningens syfte. Behåll de lyckade scenelementen när en konkret avvikelse rättas och använd samma visningsförhållanden vid jämförelsen mellan ursprungliga och reviderade videor.
POST /v1/videostextvideo| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser cogvideox-2 Villkor: Använd den exakta modellväljaren för Ailoot. | Standard— |
Fältprompt | Typstring | KravObligatoriskt | Värden & gränser Villkor: Beskriv scenen och rörelsen. | Standard— |
Fältquality | Typboolean | KravValfritt | Värden & gränser Villkor: Valfri kvalitetsflagga; detta valda schema anger ingen kompatibel enum eller något standardvärde. | Standard— |
Fältwith_audio | Typboolean | KravValfritt | Värden & gränser Villkor: Generera AI-ljudeffekter när funktionen är aktiverad. | Standardfalse |
Fältsize | Typstring | KravValfritt | Värden & gränser Villkor: Ange den dokumenterade storlekssträngen när du väljer uttryckliga dimensioner. | Standard— |
Fältfps | Typstring | KravValfritt | Värden & gränser 30, 60 Villkor: Bildfrekvensen representeras som en sträng för denna valda leverantörsspecifika metod. | Standard30 |
Fältduration | Typstring | KravValfritt | Värden & gränser 5, 10 Villkor: Längden i sekunder representeras som en sträng för denna valda leverantörsspecifika metod. | Standard5 |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, prompt |
Parameteroptional | Avtalquality, with_audio, size, fps, duration |
Parametermaterial_types | Avtaltext |
Parameterconditions | AvtalAnvänd den exakta modellväljaren för Ailoot., Beskriv scenen och rörelsen., Valfri kvalitetsflagga; detta valda schema anger ingen kompatibel enum eller något standardvärde., Generera AI-ljudeffekter när funktionen är aktiverad., Ange den dokumenterade storlekssträngen när du väljer uttryckliga dimensioner., Bildfrekvensen representeras som en sträng för denna valda leverantörsspecifika metod., Längden i sekunder representeras som en sträng för denna valda leverantörsspecifika metod. |
Metodalias: /v1/videos/generations
Livscykel: 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}
De visade priserna används för att uppskatta kostnaden före genereringen. Den slutliga debiteringen beräknas utifrån den kostnad som registrerats för den ursprungliga genereringen. Uppmätt längd på resultatet och uppskattade mängder utgör inte den slutliga debiterbara mängden.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Prognostiserad mängd | Debiteringsmängd | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Prognostiserad mängd— | Debiteringsmängd— | Avgift Indata · Indatatoken · Uppskattning endast för jämförelse — / 1K token Utdata · Utdatatoken · Uppskattning endast för jämförelse — / 1K token Indata · Cacheläsning · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache, 1 tim · Uppskattning endast för jämförelse — / 1K token |
| KonfigurationPer begäran | Prislista— | Prognostiserad mängd— | Debiteringsmängden förfrågan | Avgift Indata · Uppskattning endast för jämförelse $0.2 per begäran |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsmängd— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.2 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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}Spara varje färdig video eller returnerad fil; hämta varje faktiskt returnerad resurs-URL.
Behåll hela svaret och svarshuvudena, ursprungliga identifierare, varje faktiskt resultat och alla förbruknings- och redovisningsfält. Spara varje unik tillgång som du äger och behåll varje roll som pekar på den.
Behåll det returnerade offentliga uppgifts- eller operations-id:t och samtliga svarshuvuden. Läs endast den ursprungliga uppgiften; unknown eller result_pending_check ger inte tillstånd att skapa på nytt.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältpolling_url | Typstring |
Fältprovider_task_id | Typstring |
Fältid | Typstring |
Fälttask_status | Typstring |
Fältvideo_result[].url | Typstring |
Ailoot Ultra cogvideox-2
/v1/videos/generations