数字人、对口型与人物动画

用 POST /v1/videos 生成数字人口播、给视频换口型、让照片里的人物动起来。InfiniteTalk、LatentSync、Wan Animate 2，按输出秒数计费。

本页目录
  1. 照片开口说话（InfiniteTalk）
  2. 给现有视频换口型（LatentSync）
  3. 让照片动起来（Wan Animate 2）
  4. 计费
  5. 常见问题排查
  6. 相关文档

四个数字人模型都用 POST /v1/videos 创建任务，查询和下载方式与视频生成一样。按输出视频的秒数计费，时长由输入的音频或视频决定；失败和取消的任务不收费。

模型 输入 输出 适合
infinitetalk image（肖像）或 video（单人视频），加 input_audio（配音或歌曲） 人物开口说话或演唱 口播、带货、讲解
latentsync video（单人、正脸清晰）+ input_audio（配音） 原视频只重绘嘴部，用原配音 视频换台词、配音翻译
latentsync-music video + input_audio（歌曲） 分离人声驱动口型，保留整首歌 对口型唱歌
wan-animate-2 image（人物）和/或 video（动作参考），可选 input_audio 人物做出自然动作，或复刻视频里的动作和表情 让照片动起来、动作迁移

素材可以是公开的 https:// 链接或 base64 data URI，单个文件不超过 50 MB。

#照片开口说话（InfiniteTalk）

bash
curl https://bigmodel.io/v1/videos \
  -H "Authorization: Bearer $BIGMODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "infinitetalk",
    "image": "https://example.com/host.jpg",
    "input_audio": "https://example.com/script.mp3",
    "prompt": "自然微笑，轻微点头"
  }'
  • 驱动音频单段最多 60 秒。
  • 用 video 代替 image 时，保留原视频里的人物、动作和背景，只重绘嘴部区域。
  • 配音可以先用语音合成生成，再把链接传进来。

#给现有视频换口型（LatentSync）

bash
curl https://bigmodel.io/v1/videos \
  -H "Authorization: Bearer $BIGMODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "latentsync",
    "video": "https://example.com/talking.mp4",
    "input_audio": "https://example.com/new-line.wav"
  }'
  • 视频必须是单人、正脸清晰，最高 1080P。不能传 image。
  • 配音只收 wav 或 mp3。latentsync 最长 120 秒；latentsync-music 用于歌曲，最长 15 秒。
  • 视频比配音短时，latentsync 会正放倒放循环补齐，latentsync-music 会停在最后一帧。

#让照片动起来（Wan Animate 2）

bash
curl https://bigmodel.io/v1/videos \
  -H "Authorization: Bearer $BIGMODEL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "wan-animate-2",
    "image": "https://example.com/character.png",
    "video": "https://example.com/dance.mp4"
  }'
  • 只给 image：生成约 5 秒的自然微动作。
  • 同时给 video：把视频里的动作和表情迁移到图片人物上，时长跟随视频，最多 60 秒。
  • 只给 video：用视频的首帧作人物参考。
  • input_audio 只替换成片的音轨，不驱动口型；需要口型请用 infinitetalk。

#计费

计费秒数取实际输入时长：infinitetalk、latentsync 按驱动音频的秒数，wan-animate-2 按动作视频的秒数（只有图片时按 5 秒）。单价见模型目录 → 视频。提交前可以加 "dry_run": true 预估费用：

json
{"object": "quote", "model": "infinitetalk", "unit": "per_second", "estimated_units": 12.5, "estimated_cost_usd": 0.16}

#常见问题排查

现象 处理
400 Give image … or video … plus input_audio infinitetalk 需要 image 和 video 二选一，再加 input_audio。
400 image is not accepted latentsync 系列只收 video 和 input_audio。
口型不准或画面闪烁 换正脸清晰、光线均匀、只有一个人的视频；配音去掉背景音乐。
failed，提示素材无法处理 检查音频格式（wav/mp3）和时长上限。

#相关文档

更新于 · 以 Markdown 查看