コンテンツへスキップ

H3 Max Lip Sync Image to Video

統合

モデルID 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"

例と同様のファイル: $0.80 800 APIクレジット 実行前にファイルを計測します このページで実行

APIキーを取得
MiniMax リップシンクとアバター ネイティブ音声リップシンク2Kまで #lipsync#animation#audio

ポートレート画像と音声ファイルから、最大2Kのリップシンク付き会話動画を生成

MiniMax · 動画

最初の結果がここに表示されます

以下でリクエストを作成し、APIキーで実行してください。出力はストレージにコピーされ、永久保存または無料で7日保存されます。

リクエストを作成

コントロールはモデルスキーマから生成されます。値を変更するとコードと価格が更新されます。

•必須 image_url
ファイルをドロップ、または

アニメーションの入力画像。アスペクト比が0.4~2.5の範囲内でのみ受け付けられます。

•必須 audio_url
ファイルをドロップ、または

口の動きを駆動する音声。対応する長さは5秒~15分です。生成される動画は音声と同じ長さになります。

resolution デフォルト 768P

生成された出力の解像度。画像に最も近い対応アスペクト比を使用します。

詳細設定 seed · enable_transcription · enable_safety_checker

ランダム生成用のシード。省略するとランダムに選択されます。

POST /run/minimax/h3-max/lip-sync/image-to-video?wait=20 見積もり → $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"

このリクエストを実行

キーはこのブラウザ内に保持されます。Doitong APIにのみ送信され、「記憶する」にチェックを入れた場合のみlocalStorageに保存されます。 APIキーを取得

H3 Max Lip Sync Image to Videoについて

1枚の画像をアニメーション化し、口の動きを指定した音声クリップに合わせます。音声は5秒以上で、最大15分に対応し、出力の長さは音声と一致します。画像のアスペクト比は0.4~2.5である必要があります。`resolution`は480P~2Kで、`enable_transcription`を有効にすると同期用の文字起こしを追加できます。

パラメータ

正式名称またはネイティブ名のいずれか一方を送信してください。両方は送信しないでください。 正式名称

名前型 デフォルト許可される値 説明
image_url必須 image
型url · image
アニメーションの入力画像。アスペクト比が0.4~2.5の範囲内でのみ受け付けられます。
audio_url必須 audio
型url · audio
口の動きを駆動する音声。対応する長さは5秒~15分です。生成される動画は音声と同じ長さになります。
resolution任意
型enum
デフォルト768P
480P768P1080P2K
生成された出力の解像度。画像に最も近い対応アスペクト比を使用します。
enable_transcription任意
型boolean
デフォルトfalse
リップシンク用の文字起こし支援。無効にすると音声のみで同期し、有効にすると指定された音声を文字起こししてガイダンスとして使用します。
seed任意
型integer | null
0 – 2,147,483,647
ランダム生成用のシード。省略するとランダムに選択されます。
enable_safety_checker任意
型boolean
デフォルトtrue
コンテンツの安全性審査を有効にするかどうかを制御します。
必須 正式名称(こちらも使用可能)

ファイルパラメータには、公開されたhttps:// URL、10 MBまでのdata: URI、またはアップロードしたファイルのfile_urlを指定します。 ファイル

出力

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"
  }
}
ファイルの保存期間を選択すべてのoutputs[].urlはストレージ上のコピーです。アカウント設定または?storage=により、永久保存(GB・月単位で有料)または無料で7日保存できます。
すべてのモデルで同じ形式画像、動画、音声のいずれでも、type、url、content_type、width、height、durationが含まれます。outputはモデル独自の結果オブジェクトです。
出力フィールド
video
object {url, content_type, file_name, file_size}口の動きを同期させ、指定された音声トラックを含む動画。
seed
integer結果の生成に使用された乱数生成シード。
duration
number結果の長さ。秒単位で測定します。
timings
object | null秒単位のタイミング測定値。バックエンドのタイミングを報告するルートでのみ利用でき、それ以外ではnullです。'inference'エントリは、このリクエストで生成されたすべてのウィンドウにおけるGPUバックエンドのDiTノイズ除去時間を合計します。

その他のモデル: リップシンクとアバター

AIエージェント向け:このページのMarkdown版はこちらです: https://doitong.com/ja/developers/models/minimax/h3-max/lip-sync/image-to-video.md. すべてのモデルとガイド: https://doitong.com/developers/llms.txt