CogVideoX 3 är Zhipu AI:s videomodell med dokumenterad text-till-video-, bild-till-video- och första-och-sista-bildruta-generering. Tillverkaren betonar bildstabilitet, instruktionsefterlevnad samt realistiska eller tredimensionella visuella stilar. Välj text när scenen börjar som en skriftlig beskrivning, en bild när den visuella grunden redan finns eller två ändpunktsbilder när sekvensen behöver en bestämd öppnings- och slutvy.
Beskriv motivet och en tydlig handling i en textinstruktion. Ange miljö, kameravinkel och viktiga fysiska relationer så att scenen kan bedömas mot en tydlig avsikt. En karaktär som plockar upp ett föremål kräver en annan sekvens än en kamera som avslöjar föremålet. Beskriv båda endast när deras relation är viktig för tagningen.
För en bildbaserad sekvens bör referensen förberedas så att motivets särskiljande egenskaper är synliga. Tillverkaren accepterar PNG-, JPEG- och JPG-bilder på högst 5 MB via en URL eller kodade bilddata. Behåll den faktiska referensen med det genererade resultatet så att utseende och inramning kan jämföras med källan i stället för med ett minne av den.
Tillverkarens ändpunktsläge accepterar två bilder i ordning: den första fastställer öppningsbilden och den andra slutbilden. Förbered dem som två avsedda tillstånd i samma tagning. Beskriv övergången eller handlingen som förbinder dem och granska sedan om motivet förblir sammanhängande mellan ändpunkterna. Två bra stillbilder visar inte i sig att rörelsen mellan dem passar den avsedda berättelsen.
Prompten får innehålla upp till 512 tecken. Använd textutrymmet för handlingen, dess riktning och de visuella detaljer som skiljer ett lyckat resultat från ett misslyckat. Håll beskrivningen inriktad på vad som ska hända på skärmen. När indatabilderna redan fastställer motivets utseende bör texten beskriva rörelsen och timingen som ska utvecklas mellan eller från dem.
Tillverkaren dokumenterar fem eller tio sekunders utdata, med fem sekunder som standard, och 30 eller 60 bildrutor per sekund. Storlekarna omfattar 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 och 3840×2160. Välj storlek och timing för destinationen och granska sedan den färdiga videons inramning och den faktiska handlingens tempo.
Kvalitets- och hastighetslägen dokumenteras separat från inställningen för valfria AI-ljudeffekter. Behåll dessa val med prompten, bilderna och resultatet. Tillverkarens visuella möjligheter och indatatyper beskriver modellen; vilka kontroller en viss genereringsmetod erbjuder anges i den metodens kontrakt. Bevara de inställningar som faktiskt användes när kandidatsekvenser jämförs.
Behåll den ursprungliga uppgiftsidentiteten tills videon är färdig och spara det returnerade materialet för redigering. Granska hela sekvensen, inklusive motivets utseende under stora rörelser, dess samspel med scenens föremål och slutkompositionen. Vid arbete med ändpunktsbilder granskas både ändpunkterna och övergången mellan dem. Ändra den specifika visuella avvikelsen samtidigt som lyckade referenser och tagningens plan bevaras och jämför de färdiga videorna, inte bara förhandsbilderna.
", "aboutText": "CogVideoX 3 är Zhipu AI:s videomodell med dokumenterad text-till-video-, bild-till-video- och första-och-sista-bildruta-generering. Tillverkaren betonar bildstabilitet, instruktionsefterlevnad samt realistiska eller tredimensionella visuella stilar. Välj text när scenen börjar som en skriftlig beskrivning, en bild när den visuella grunden redan finns eller två ändpunktsbilder när sekvensen behöver en bestämd öppnings- och slutvy.\n\nBeskriv motivet och en tydlig handling i en textinstruktion. Ange miljö, kameravinkel och viktiga fysiska relationer så att scenen kan bedömas mot en tydlig avsikt. En karaktär som plockar upp ett föremål kräver en annan sekvens än en kamera som avslöjar föremålet. Beskriv båda endast när deras relation är viktig för tagningen.\n\nFör en bildbaserad sekvens bör referensen förberedas så att motivets särskiljande egenskaper är synliga. Tillverkaren accepterar PNG-, JPEG- och JPG-bilder på högst 5 MB via en URL eller kodade bilddata. Behåll den faktiska referensen med det genererade resultatet så att utseende och inramning kan jämföras med källan i stället för med ett minne av den.\n\nTillverkarens ändpunktsläge accepterar två bilder i ordning: den första fastställer öppningsbilden och den andra slutbilden. Förbered dem som två avsedda tillstånd i samma tagning. Beskriv övergången eller handlingen som förbinder dem och granska sedan om motivet förblir sammanhängande mellan ändpunkterna. Två bra stillbilder visar inte i sig att rörelsen mellan dem passar den avsedda berättelsen.\n\nPrompten får innehålla upp till 512 tecken. Använd textutrymmet för handlingen, dess riktning och de visuella detaljer som skiljer ett lyckat resultat från ett misslyckat. Håll beskrivningen inriktad på vad som ska hända på skärmen. När indatabilderna redan fastställer motivets utseende bör texten beskriva rörelsen och timingen som ska utvecklas mellan eller från dem.\n\nTillverkaren dokumenterar fem eller tio sekunders utdata, med fem sekunder som standard, och 30 eller 60 bildrutor per sekund. Storlekarna omfattar 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 och 3840×2160. Välj storlek och timing för destinationen och granska sedan den färdiga videons inramning och den faktiska handlingens tempo.\n\nKvalitets- och hastighetslägen dokumenteras separat från inställningen för valfria AI-ljudeffekter. Behåll dessa val med prompten, bilderna och resultatet. Tillverkarens visuella möjligheter och indatatyper beskriver modellen; vilka kontroller en viss genereringsmetod erbjuder anges i den metodens kontrakt. Bevara de inställningar som faktiskt användes när kandidatsekvenser jämförs.\n\nBehåll den ursprungliga uppgiftsidentiteten tills videon är färdig och spara det returnerade materialet för redigering. Granska hela sekvensen, inklusive motivets utseende under stora rörelser, dess samspel med scenens föremål och slutkompositionen. Vid arbete med ändpunktsbilder granskas både ändpunkterna och övergången mellan dem. Ändra den specifika visuella avvikelsen samtidigt som lyckade referenser och tagningens plan bevaras och jämför de färdiga videorna, inte bara förhandsbilderna.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c7388889ac4184f9107dec3d1212a47e058329ff110d21d37e6787b7ecfacbaf", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "cogvideox-3CogVideoX 3 skapar video från text, en bild eller ett par med första och sista bildrutan i tillverkarens dokumenterade arbetsflöde. Det stöder sekvenser på fem eller tio sekunder, flera storlekar upp till 4K, 30 eller 60 fps och valfria genererade ljudeffekter.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
CogVideoX 3 är Zhipu AI:s videomodell med dokumenterad text-till-video-, bild-till-video- och första-och-sista-bildruta-generering. Tillverkaren betonar bildstabilitet, instruktionsefterlevnad samt realistiska eller tredimensionella visuella stilar. Välj text när scenen börjar som en skriftlig beskrivning, en bild när den visuella grunden redan finns eller två ändpunktsbilder när sekvensen behöver en bestämd öppnings- och slutvy.
Beskriv motivet och en tydlig handling i en textinstruktion. Ange miljö, kameravinkel och viktiga fysiska relationer så att scenen kan bedömas mot en tydlig avsikt. En karaktär som plockar upp ett föremål kräver en annan sekvens än en kamera som avslöjar föremålet. Beskriv båda endast när deras relation är viktig för tagningen.
För en bildbaserad sekvens bör referensen förberedas så att motivets särskiljande egenskaper är synliga. Tillverkaren accepterar PNG-, JPEG- och JPG-bilder på högst 5 MB via en URL eller kodade bilddata. Behåll den faktiska referensen med det genererade resultatet så att utseende och inramning kan jämföras med källan i stället för med ett minne av den.
Tillverkarens ändpunktsläge accepterar två bilder i ordning: den första fastställer öppningsbilden och den andra slutbilden. Förbered dem som två avsedda tillstånd i samma tagning. Beskriv övergången eller handlingen som förbinder dem och granska sedan om motivet förblir sammanhängande mellan ändpunkterna. Två bra stillbilder visar inte i sig att rörelsen mellan dem passar den avsedda berättelsen.
Prompten får innehålla upp till 512 tecken. Använd textutrymmet för handlingen, dess riktning och de visuella detaljer som skiljer ett lyckat resultat från ett misslyckat. Håll beskrivningen inriktad på vad som ska hända på skärmen. När indatabilderna redan fastställer motivets utseende bör texten beskriva rörelsen och timingen som ska utvecklas mellan eller från dem.
Tillverkaren dokumenterar fem eller tio sekunders utdata, med fem sekunder som standard, och 30 eller 60 bildrutor per sekund. Storlekarna omfattar 1280×720, 720×1280, 1024×1024, 1920×1080, 1080×1920, 2048×1080 och 3840×2160. Välj storlek och timing för destinationen och granska sedan den färdiga videons inramning och den faktiska handlingens tempo.
Kvalitets- och hastighetslägen dokumenteras separat från inställningen för valfria AI-ljudeffekter. Behåll dessa val med prompten, bilderna och resultatet. Tillverkarens visuella möjligheter och indatatyper beskriver modellen; vilka kontroller en viss genereringsmetod erbjuder anges i den metodens kontrakt. Bevara de inställningar som faktiskt användes när kandidatsekvenser jämförs.
Behåll den ursprungliga uppgiftsidentiteten tills videon är färdig och spara det returnerade materialet för redigering. Granska hela sekvensen, inklusive motivets utseende under stora rörelser, dess samspel med scenens föremål och slutkompositionen. Vid arbete med ändpunktsbilder granskas både ändpunkterna och övergången mellan dem. Ändra den specifika visuella avvikelsen samtidigt som lyckade referenser och tagningens plan bevaras och jämför de färdiga videorna, inte bara förhandsbilderna.
POST /v1/videostextvideo| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser cogvideox-3 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 $0.3 per begäran |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsmängd— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.3 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncat > request.json <<'JSON'\n{\n "model": "cogvideox-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}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-3
/v1/videos/generations