ویدیوها

با نام mode هم پذیرفته می‌شود؛ اگر هر دو فرستاده شوند، model اولویت دارد. مقدار ناشناخته با خطای invalid_model رد می‌شود.

برای همه مدل‌ها به‌جز kling-motion، lipsync و genjutsu الزامی است. اگر طول آن از max_prompt_chars مدل بیشتر باشد، درخواست رد می‌شود.

مدت بر حسب ثانیه، به‌صورت string، از میان durations مدل در GET /models/؛ هر مقدار دیگری رد می‌شود و اگر آن را نفرستید، پیش‌فرض مدل به کار می‌رود. حتماً به‌صورت string بفرستید: عدد JSON از بررسی عبور می‌کند، اما مدل در این حالت مدت پیش‌فرض خودش را می‌سازد. در مواردی که مدت از ورودی گرفته می‌شود نادیده گرفته می‌شود: kling-motion، lipsync، genjutsu، gemini-omni-video وقتی video1 فرستاده شود، و seedance25 در seedance_mode: edit.

یکی از 480، 720، 1080 یا 4k بسته به مدل، از میان qualities آن در GET /models/؛ هر مقدار دیگری رد می‌شود و اگر آن را نفرستید، پیش‌فرض مدل به کار می‌رود. مثل duration، این مقدار را هم به‌صورت string بفرستید. kling فقط کیفیت 1080 دارد و lipsync فقط auto را می‌پذیرد.

مجموعه مقادیر هر مدل را از GET /models/ بگیرید. با image، در مدل‌هایی که پشتیبانی می‌کنند، خروجی از تصویر ورودی پیروی می‌کند (این مقدار به‌صورت auto یا adaptive برای پرووایدر فرستاده می‌شود). هر مقدار خارج از مجموعه مدل رد می‌شود؛ اگر آن را نفرستید، پیش‌فرض مدل به کار می‌رود.

نسخه مورد نظر را در خانواده مدل انتخاب می‌کند و قیمت هم به آن بستگی دارد.

مقدار خارج از مجموعه مدل رد می‌شود. آن را به‌صورت string بفرستید: عدد JSON مانند 2.6 خوانده نمی‌شود و پیش‌فرض به کار می‌رود. lipsync در سطح v2-pro به ورودی ویدیویی نیاز دارد؛ v3 یا یک ویدیو می‌گیرد یا یک تصویر. genjutsu در سطح lite ویدیوی رفرنسی با حداکثر 15 ثانیه می‌گیرد. seedance2 کیفیت‌های 1080 و 4k را فقط در سطح pro می‌سازد؛ درخواست آن‌ها در سطح دیگر رد می‌شود، نه اینکه بی‌خبر به کیفیت پایین‌تر تبدیل شود.

فقط برای veo3. اگر آن را نفرستید، از روی تعداد تصویرهای ورودی تعیین می‌شود: بدون تصویر، text-to-video؛ یک تصویر، first-frame-last-frame با آن تصویر به‌عنوان فریم اول؛ دو یا سه تصویر، image-to-video با تصویرها به‌عنوان رفرنس. برای استفاده از دو تصویر به‌عنوان فریم اول و آخر، first-frame-last-frame را صریحاً بفرستید. image-to-video بین 1 تا 3 تصویر و first-frame-last-frame یک یا دو تصویر می‌گیرد.

فقط برای seedance2 و seedance25. اگر آن را نفرستید، این‌طور تعیین می‌شود: بدون تصویر، text-to-video؛ یک تصویر، image-to-video؛ دو تصویر، در seedance2 حالت first-frame-last-frame اما در seedance25 حالت reference-to-video؛ سه تصویر یا بیشتر، یا هر video1/audio1، حالت reference-to-video.

reference-to-video صحنه چندوجهی است و دست‌کم به یک تصویر یا ویدیو نیاز دارد. محدودیت‌ها:

edit و extend فقط در seedance25 وجود دارند و دست‌کم به یک ویدیوی ورودی نیاز دارند. در edit خروجی از ویدیوی ورودی پیروی می‌کند، پس مدت، نسبت تصویر و حالت از آن گرفته می‌شوند و هر ویدیوی ورودی باید دست‌کم 4 ثانیه باشد؛ در این حالت اعتبار به اندازه دو برابر ثانیه‌های ورودی به‌علاوه 3 ثانیه با نرخ «با ویدیو» رزرو می‌شود. extend ویدیو را ادامه می‌دهد و هزینه ورودی به‌علاوه duration درخواستی را کسر می‌کند. هزینه هر دو حالت پس از تحویل، بر اساس ثانیه‌های ورودی به‌علاوه ثانیه‌های تحویل‌شده تسویه می‌شود.

برای seedance2 و seedance25. قیمت در هر دو حالت یکسان است، پس روشن گذاشتن آن هیچ هزینه اضافه‌ای ندارد.

دیگر هیچ اثری ندارد. درخواست‌های متن به ویدیوی seedance2 همیشه صحنه را بر پایه جست‌وجوی وب می‌سازند.

فقط برای seedance25.

فقط برای lipsync. تعیین می‌کند ویدیو و صوتی با طول‌های متفاوت چطور با هم تطبیق داده شوند: bounce ویدیو را رفت‌وبرگشتی پخش می‌کند، loop آن را تکرار می‌کند، cut_off طولانی‌تر را کوتاه می‌کند، silence صوت را با سکوت تکمیل می‌کند و remap سرعت ویدیو را تغییر می‌دهد. قیمت از طول خروجی پیروی می‌کند: طول صوت، به‌جز در silence که طول بلندتر از این دو و در cut_off که طول کوتاه‌تر ملاک است.

برای kling-motion. تعیین می‌کند جهت قرارگیری شخصیت از کدام منبع گرفته شود. با image، ویدیوی رفرنس حداکثر 10 ثانیه می‌تواند باشد.

فقط برای kling-motion با model_level: 3.0. تعیین می‌کند پس‌زمینه از کدام منبع گرفته شود.

تصویرهای ورودی هاست‌شده، فقط با https:// و نه روی هاست‌های مدیای هوشا؛ این URLها همان‌طور که هستند به پرووایدر داده می‌شوند. آن‌ها کم‌شماره‌ترین جایگاه‌های خالی image1…imageN را پر می‌کنند: اگر فقط image2 را فرستاده باشید، اولین URL به image1 تبدیل می‌شود. این تصویرها در سقف تصویر مدل حساب می‌شوند.

تصویر ورودی: یک آیدی آپلود (/videos/ آیدی‌های آپلود را فقط از همین فیلدهای شماره‌دار می‌خواند، نه از uploads)، یا یک بخش فایل در multipart (png، jpg، jpeg، webp یا gif، حداکثر 10,000,000 بایت، بدون تبدیل). با image2، image3، … ادامه دهید.

تعداد تصویرهایی که هر مدل می‌خواند: seedance25 تا 30، seedance2 تا 9، genjutsu تا 8 (دست‌کم 1 تصویر الزامی است)، grok-imagine تا 7، gemini-omni-video تا 7 (و وقتی video1 فرستاده شود تا 5)، veo3 تا 3، kling3 فقط 1، kling-motion دقیقاً 1، lipsync یک تصویر وقتی video1 فرستاده نشود (در صورت وجود ویدیو نادیده گرفته می‌شود)، runway و seedance فقط image1. در kling، image2 فریم پایانی است. فقط grok-imagine و genjutsu تصویرهای اضافه را با خطای too_many_images رد می‌کنند؛ در بقیه مدل‌ها تصویرهای بیشتر از حد مجاز کنار گذاشته می‌شوند. در first-frame-last-frame، image1 فریم اول و image2 فریم آخر است.

ویدیوی رفرنس، به‌صورت آیدی آپلود. برای kling-motion (3 تا 30 ثانیه)، برای genjutsu (5 تا 30 ثانیه، در lite 5 تا 15 ثانیه، حداکثر 200 مگابایت) و برای lipsync با model_level: v2-pro الزامی است؛ در v3 اختیاری است و در نبود آن از image1 استفاده می‌شود. gemini-omni-video فقط video1 را می‌خواند (حداکثر 10 ثانیه و 100 مگابایت). صحنه‌های رفرنس seedance25 تا video10 و صحنه‌های رفرنس seedance2 تا video3 می‌پذیرند.

صوت رفرنس، به‌صورت آیدی آپلود. برای lipsync الزامی است؛ در این مدل طول صوت (2 تا 30 ثانیه، و همراه با تصویر 2 تا 15 ثانیه) مبنای محاسبه هزینه است و فایل‌های بزرگ‌تر از 10 مگابایت رد می‌شوند. صحنه‌های رفرنس seedance25 تا audio10 و صحنه‌های رفرنس seedance2 تا audio3 می‌پذیرند.