如果你不需要做任何集成,只是想要视频,那就可以跳过开发工作:我们的创作台封装了同一个模型,自带上传校验、浏览器录音、存储和下载功能。
OmniHuman 2 API请求包含什么
一个请求有两个必填字段和一个可选字段。图片URL指向要动起来的人物(一人或多人);音频URL指向驱动表演的说话或歌曲;可选的提示词描述动作、情绪、场景细节和镜头运动。结果通常通过队列异步返回:你提交请求,拿到一个请求ID,然后轮询状态,或在视频就绪时接收webhook通知。
- image_url——必填;要动起来的静态图片。
- audio_url——必填;MP3或WAV,决定视频时长和对口型。
- prompt——可选;支持英语、中文、日语、韩语、西班牙语(墨西哥)和印尼语。
需要优先校验的输入限制
被拒绝的请求既浪费时间,有时还浪费钱,所以调用模型前先在自己这边做校验。图片须为常见格式,如JPEG、PNG、WEBP、BMP、TIFF、GIF或HEIC,不超过30 MB,每边300到6000像素,宽高比在0.4到2.5之间。音频须为WAV或MP3,最大15 MB,时长4到300秒。
浏览器录音通常是WebM或Opus格式,模型不接受。上传前要转换成WAV或MP3——我们的创作台会把录音重新编码为22.05 kHz单声道WAV,这样五分钟的片段也不会超出大小限制。
输出与计费
任务完成后会返回视频文件URL和计费时长,计费时长与输入音频的长度一致。输出为原生720p MP4。服务商的URL可能会过期,所以生产系统应在任务完成后立即把文件复制到自己的存储中,而不是直接链接到服务商。
由于费用按生成的秒数计算,请在服务端测量音频时长——绝不要相信浏览器传来的时长——并在提交前预扣费用,避免并发任务透支余额。
可用于生产环境的流程
本站每次生成都采用以下模式:
- 1上传到私有存储签发短时有效的签名上传URL;绝不要暴露指向用户照片的长期公开链接。
- 2服务端校验在扣费之前,重新测量音频时长,并确认两个文件都存在。
- 3先预扣,再提交原子化地预扣积分、提交任务,提交失败时自动退还。
- 4幂等地完成任务收到webhook或轮询到结果时,获取结果、存储MP4,并确保任务只被标记完成一次。
什么时候免代码创作台是更好的选择
搭建上面的流程需要好几天的工作量:存储、校验、队列、webhook、重试和计费。如果你的目标是内容而不是产品功能,我们的创作台能给你同样的OmniHuman 2.0输出,而且这一切都已经做好了。我们自己不提供公开API;本站是为想要成品视频的创作者和营销人员设计的。
处理失败与重试
把每个任务都当作可能失败的事情:服务商可能拒绝某项输入、在高负载下超时,或者返回无法下载的结果。为每个任务维护一个状态字段(排队中、运行中、已完成、失败),让收尾步骤保持幂等,避免重复的webhook被处理两次,并在失败时退还所有预扣的余额。
即使使用了webhook,也要把轮询作为兜底。本地开发机器收不到webhook,生产环境的webhook偶尔也会延迟。
- 在返回给用户之前,先存好服务商的请求ID。
- 重新签发输入URL,有效期要长于预期的排队时间。
- 原样记录服务商的错误信息;它们通常会指明具体超出了哪项限制。
常见问题
omnihuman2.ai提供公开API吗?
不提供。我们通过网页创作台为创作者运行模型。开发者可以通过官方模型服务商使用OmniHuman 2。
OmniHuman 2 API的音频最长多长?
300秒。最短4秒,文件须为MP3或WAV,且小于15 MB。
API返回什么分辨率?
2.0版原生以720p生成,返回MP4文件。
API是同步的吗?
一般不是。任务需要几分钟,所以服务商会使用队列,配合轮询或webhook。
可以发送WebM录音吗?
不能直接发送。请先转换成WAV或MP3;大多数浏览器录音都需要重新编码。
用量如何计费?
按输出的秒数计费,等于输入音频的长度。
应该把输出视频复制到自己的存储里吗?
应该。服务商的结果URL可能会过期,所以任务完成后要尽快把MP4下载到自己的存储中。
一个任务通常需要多久?
取决于片段长度和队列负载。在我们自己的测试中,一段约五秒的片段从头到尾大约用了两分钟,所以请按“分钟”而不是“秒”来设计你的界面。