Ir al contenido

H3 Max Lip Sync Image to Video

Integrar

ID del modelo 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"

Archivos como el ejemplo: 0,80 $ 800 créditos de API tus archivos se miden antes de la ejecución Ejecutar en esta página

Obtener clave de API
MiniMax Sincronización labial y avatares Audio nativoSincronización labialhasta 2K #lipsync#animation

Convierte una imagen de retrato y un archivo de audio en un vídeo hablado con sincronización labial, de hasta 2K

MiniMax · Vídeo

Tu primer resultado aparecerá aquí

Crea una solicitud a continuación y ejecútala con tu clave de API. Las salidas se copian en nuestro almacenamiento, conservadas para siempre o 7 días gratis.

Crear una solicitud

Los controles se generan a partir del esquema del modelo. El código y el precio se actualizan al modificarlos.

•obligatorio image_url
Suelta un archivo o

Imagen de entrada de animación; solo se aceptan relaciones de aspecto dentro del intervalo 0.4–2.5.

•obligatorio audio_url
Suelta un archivo o

Audio que impulsa los movimientos de la boca, con una duración admitida de 5 segundos a 15 minutos. El vídeo generado tiene la misma duración que el audio.

resolution predeterminado 768P

Resolución de la salida generada, usando la relación de aspecto admitida más cercana a la de la imagen.

Avanzado seed · enable_transcription · enable_safety_checker

Semilla para la generación aleatoria; omitirla provoca una selección aleatoria.

POST /run/minimax/h3-max/lip-sync/image-to-video?wait=20 presupuesto → 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"

Ejecutar esta solicitud

Tu clave permanece en este navegador: solo se envía a la Doitong API y solo se guarda en localStorage si marcas Recordar. Obtener una clave de API

Acerca de H3 Max Lip Sync Image to Video

Anima una imagen fija para que los movimientos de la boca sigan un clip de audio proporcionado. El audio debe durar al menos 5 segundos, admite hasta 15 minutos y la duración de salida coincide con él. La relación de aspecto de la imagen debe estar entre 0.4 y 2.5. `resolution` va de 480P to 2K, y `enable_transcription` puede añadir una transcripción para guiar la sincronización.

Parámetros

Envía el nombre canónico o el nombre nativo, pero no ambos. Nombres canónicos

NombreTipo PredeterminadoPermitido Descripción
image_urlobligatorio image
Tipourl · image
Imagen de entrada de animación; solo se aceptan relaciones de aspecto dentro del intervalo 0.4–2.5.
audio_urlobligatorio audio
Tipourl · audio
Audio que impulsa los movimientos de la boca, con una duración admitida de 5 segundos a 15 minutos. El vídeo generado tiene la misma duración que el audio.
resolutionopcional
Tipoenum
Predeterminado768P
480P768P1080P2K
Resolución de la salida generada, usando la relación de aspecto admitida más cercana a la de la imagen.
enable_transcriptionopcional
Tipoboolean
Predeterminadofalse
Asistencia de transcripción para la sincronización labial. Si se desactiva, la sincronización usa solo el audio; al activarla, transcribe el audio proporcionado y usa esa transcripción como guía.
seedopcional
Tipointeger | null
0 – 2.147.483.647
Semilla para la generación aleatoria; omitirla provoca una selección aleatoria.
enable_safety_checkeropcional
Tipoboolean
Predeterminadotrue
Controla si está habilitado el análisis de seguridad del contenido.
obligatorio Nombre canónico, también aceptado

Los parámetros de archivo aceptan una URL pública https://, un URI data: de hasta 10 MB o el file_url de una subida. Archivos

Salida

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"
  }
}
Tus archivos, tú eligesCada outputs[].url es una copia en nuestro almacenamiento: conservada para siempre (con pago por GB-mes) o 7 días gratis, según la configuración de tu cuenta o ?storage=.
La misma estructura en todos los modelostype, url, content_type, width, height y duration, tanto para imágenes como para vídeo y audio. output es el objeto de resultado propio del modelo.
Campos de salida
video
object {url, content_type, file_name, file_size}Vídeo con movimientos labiales sincronizados y la pista de audio proporcionada.
seed
integerSemilla del generador aleatorio usada para producir el resultado.
duration
numberDuración del resultado, medida en segundos.
timings
object | nullMediciones de tiempo expresadas en segundos, disponibles solo en rutas que notifican los tiempos del backend; en caso contrario, null. La entrada 'inference' agrega el tiempo de eliminación de ruido DiT en el backend de GPU de todas las ventanas generadas para esta solicitud.

Más modelos: Sincronización labial y avatares

Para agentes de IA: esta página en Markdown está en https://doitong.com/es-ES/developers/models/minimax/h3-max/lip-sync/image-to-video.md. Todos los modelos y guías: https://doitong.com/developers/llms.txt