媒体工具与语音
本页覆盖生成主流程之外的「周边能力」:如何把源媒体稳定地供给给任务、如何在提交前预估费用、如何合成语音,以及 H3 的两段式参考视频变体。
供给源媒体
一次性输入用预签名 URL 即可;需要复用、去重与配额管理时使用资产库。资产库在同一对象存储之上提供四步状态机:
enabled(是否已配置对象存储)/ maxSizeBytes / hashAlgorithm=sha256
近 500 条资产 + 配额 limits
按 sha256 去重;签发 uploadUrl 或直接复用
服务端复验 sha256 + size 后置 ready
把 ready 资产绑定到项目槽位
注销资产,尽力删除对象
prepare
POST /v1/assets/prepare,body { "sha256", "bytes", "contentType", "name" }。同账户已有相同 sha256 且状态 ready 的资产时直接返回该资产并标 reused: true,跳过上传;否则创建 uploading 档并返回 uploadUrl。单文件上限 100 MiB。
PUT
把文件体 PUT 到 uploadUrl。
finalize
POST /v1/assets/{id}/finalize。服务端复验哈希与大小:对象未上传 → 400;校验不符 → 400 且资产置 failed。通过后置 ready。
bind
POST /v1/assets/{id}/bind,body { "projectId", "type" }(type 为槽位,如 startingImage)。资产非 ready 返回 423。绑定写入 asset_bindings,随后该项目的 jobRequest 即可引用。
配额
实际值以 GET /v1/assets 返回的 limits 为准。
提交前预估费用
裸 JSON;媒体估价包在 quote.project 下
SDK 的 estimateVideoCost() 等方法调用此端点。预览当前返回结构完整但数值为零的诚实零报价;价格规则接入后返回真实预估
实际扣费以受理时的价格规则为准(模型 × 分辨率桶);缺少价格行时提交返回 400(1014),不会静默免费。
语音合成与参考音频克隆
目录模型 cosyvoice3-tts-0.5b(CosyVoice 3,0.5B)提供零样本声音克隆 TTS:给定一段参考音频与目标文本,合成同音色语音。作为 audio 媒体类型的项目提交:
参数细节见CosyVoice 3 TTS。
MiniMax H3 两段式参考视频
minimax-h3-ref2va-fp8_r2v_2stage 与 _balanced_2stage 以两段推理换取更强的主体一致性与更长的有效时长,代价是更高的耗时与费用。输入与普通 r2v 相同(参考图 + 提示词),直接替换 modelId 即可。详见MiniMax H3。
当前未提供的媒体工具
背景移除、3D 重建、对象选择(分割)与视频超分当前不在模型目录中,API 不提供对应端点。目录更新以 GET /v1/model-catalog 与模型指南为准。