Μετάβαση στο περιεχόμενο

H3 Max Lip Sync Image to Video

Ενσωμάτωση

id μοντέλου minimax/h3-max/lip-sync/image-to-video
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://vit.doitong.com/api/v1/run/minimax/h3-max/lip-sync/image-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://vit.doitong.com/api/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Αρχεία όπως το παράδειγμα: 0,80 $ 800 πιστώσεις API τα αρχεία σας μετρώνται πριν από την εκτέλεση Εκτέλεση σε αυτήν τη σελίδα

Λήψη κλειδιού API
MiniMax Συγχρονισμός χειλιών και άβαταρ Εγγενής ήχοςΣυγχρονισμός χειλιώνέως 2K #lipsync#animation#audio

Μετατρέπει εικόνα πορτρέτου και αρχείο ήχου σε βίντεο ομιλίας με συγχρονισμό χειλιών, έως 2K

MiniMax · Βίντεο

Το πρώτο σας αποτέλεσμα θα εμφανιστεί εδώ

Δημιουργήστε ένα αίτημα παρακάτω και εκτελέστε το με το κλειδί API σας. Οι έξοδοι αντιγράφονται στην αποθήκευσή μας και διατηρούνται για πάντα ή 7 ημέρες δωρεάν.

Δημιουργία αιτήματος

Τα στοιχεία ελέγχου δημιουργούνται από το σχήμα του μοντέλου. Ο κώδικας και η τιμή ενημερώνονται καθώς τα αλλάζετε.

•απαιτείται image_url
Αποθέστε ένα αρχείο ή

Εικόνα εισόδου animation· γίνονται δεκτές μόνο αναλογίες διαστάσεων στο εύρος 0.4–2.5.

•απαιτείται audio_url
Αποθέστε ένα αρχείο ή

Ήχος που καθοδηγεί τις κινήσεις του στόματος, με υποστηριζόμενη διάρκεια από 5 δευτερόλεπτα έως 15 λεπτά. Το παραγόμενο βίντεο έχει την ίδια διάρκεια με τον ήχο.

resolution προεπιλογή 768P

Ανάλυση της παραγόμενης εξόδου, με χρήση της υποστηριζόμενης αναλογίας διαστάσεων που είναι πλησιέστερη σε εκείνη της εικόνας.

Για προχωρημένους seed · enable_transcription · enable_safety_checker

Seed για τυχαία παραγωγή· η παράλειψη προκαλεί τυχαία επιλογή.

POST /run/minimax/h3-max/lip-sync/image-to-video?wait=20 προσφορά → 0,80 $
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://vit.doitong.com/api/v1/run/minimax/h3-max/lip-sync/image-to-video?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "image": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "audio": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://vit.doitong.com/api/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"

Εκτέλεση αυτού του αιτήματος

Το κλειδί σας παραμένει σε αυτό το πρόγραμμα περιήγησης: αποστέλλεται μόνο στο Doitong API και αποθηκεύεται (localStorage) μόνο αν ενεργοποιήσετε την επιλογή «Να απομνημονεύεται». Λήψη κλειδιού API

Σχετικά με το H3 Max Lip Sync Image to Video

Κινεί μία εικόνα ώστε οι κινήσεις του στόματος να ακολουθούν ένα παρεχόμενο κλιπ ήχου. Ο ήχος πρέπει να διαρκεί τουλάχιστον 5 δευτερόλεπτα, υποστηρίζει έως 15 λεπτά και η διάρκεια εξόδου ταιριάζει με αυτήν. Η αναλογία διαστάσεων της εικόνας πρέπει να είναι μεταξύ 0.4 και 2.5. Το `resolution` κυμαίνεται από 480P έως 2K και το `enable_transcription` μπορεί να προσθέσει απομαγνητοφώνηση για καθοδήγηση του συγχρονισμού.

Παράμετροι

Στείλτε είτε το κανονικό όνομα είτε το εγγενές όνομα, όχι και τα δύο. Κανονικά ονόματα

ΌνομαΤύπος ΠροεπιλογήΕπιτρεπόμενο Περιγραφή
image_urlαπαιτείται image
Τύποςurl · image
Εικόνα εισόδου animation· γίνονται δεκτές μόνο αναλογίες διαστάσεων στο εύρος 0.4–2.5.
audio_urlαπαιτείται audio
Τύποςurl · audio
Ήχος που καθοδηγεί τις κινήσεις του στόματος, με υποστηριζόμενη διάρκεια από 5 δευτερόλεπτα έως 15 λεπτά. Το παραγόμενο βίντεο έχει την ίδια διάρκεια με τον ήχο.
resolutionπροαιρετικό
Τύποςenum
Προεπιλογή768P
480P768P1080P2K
Ανάλυση της παραγόμενης εξόδου, με χρήση της υποστηριζόμενης αναλογίας διαστάσεων που είναι πλησιέστερη σε εκείνη της εικόνας.
enable_transcriptionπροαιρετικό
Τύποςboolean
Προεπιλογήfalse
Βοήθεια απομαγνητοφώνησης για συγχρονισμό χειλιών. Όταν είναι απενεργοποιημένη, ο συγχρονισμός χρησιμοποιεί μόνο τον ήχο· όταν ενεργοποιείται, απομαγνητοφωνεί τον παρεχόμενο ήχο και χρησιμοποιεί την απομαγνητοφώνηση ως οδηγό.
seedπροαιρετικό
Τύποςinteger | null
0 – 2.147.483.647
Seed για τυχαία παραγωγή· η παράλειψη προκαλεί τυχαία επιλογή.
enable_safety_checkerπροαιρετικό
Τύποςboolean
Προεπιλογήtrue
Καθορίζει αν είναι ενεργοποιημένος ο έλεγχος ασφάλειας περιεχομένου.
απαιτείται Κανονικό όνομα, επίσης αποδεκτό

Οι παράμετροι αρχείων δέχονται ένα δημόσιο URL https://, ένα URI data: έως 10 MB ή το file_url μιας μεταφόρτωσης. Αρχεία

Έξοδος

GET /requests/req_8k2m4q7x1z9c3v5b6n0p2r4t
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/h3-max/lip-sync/image-to-video",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 800,
    "usd": "0.80",
    "charged": 800,
    "refunded": 0
  },
  "input": {
    "image_url": "https://content.doitong.com/images/showcase/v3/avatar/talking_avatar.jpg",
    "audio_url": "https://content.doitong.com/audio/showcase/v3/tools/dub_es.mp3"
  },
  "output": {
    "video": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp4",
      "content_type": "video/mp4",
      "file_name": "0-output.mp4",
      "file_size": 1843200
    },
    "seed": 42,
    "duration": 5,
    "timings": {}
  },
  "outputs": [
    {
      "type": "video",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.mp4",
      "content_type": "video/mp4",
      "file_size": 1843200,
      "width": 1280,
      "height": 720,
      "duration": 5,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://vit.doitong.com/api/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://vit.doitong.com/api/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
Τα αρχεία σας, η επιλογή σαςΚάθε outputs[].url είναι ένα αντίγραφο στην αποθήκευσή μας: διατηρείται για πάντα (χρέωση ανά GB-μήνα) ή 7 ημέρες δωρεάν, σύμφωνα με τη ρύθμιση του λογαριασμού σας ή ?storage=.
Ίδια μορφή σε κάθε μοντέλοtype, url, content_type, width, height και duration, τόσο για εικόνες όσο και για βίντεο και ήχο. Το output είναι το αντικείμενο αποτελέσματος του ίδιου του μοντέλου.
Πεδία εξόδου
video
object {url, content_type, file_name, file_size}Βίντεο με συγχρονισμένες κινήσεις χειλιών και το παρεχόμενο ηχητικό κομμάτι.
seed
integerSeed τυχαίας γεννήτριας που χρησιμοποιήθηκε για την παραγωγή του αποτελέσματος.
duration
numberΔιάρκεια του αποτελέσματος, μετρημένη σε δευτερόλεπτα.
timings
object | nullΜετρήσεις χρονισμού εκφρασμένες σε δευτερόλεπτα, διαθέσιμες μόνο σε διαδρομές που αναφέρουν χρονισμούς backend· διαφορετικά null. Η εγγραφή 'inference' συγκεντρώνει τον χρόνο αποθορυβοποίησης DiT στο backend GPU για όλα τα παράθυρα που δημιουργήθηκαν για αυτό το αίτημα.

Περισσότερα μοντέλα: Συγχρονισμός χειλιών και άβαταρ

Για πράκτορες AI: αυτή η σελίδα σε Markdown βρίσκεται στη διεύθυνση https://doitong.com/el/developers/models/minimax/h3-max/lip-sync/image-to-video.md. Όλα τα μοντέλα και οι οδηγοί: https://doitong.com/developers/llms.txt