動画の生成

OpenAI Sora 互換形式の動画生成インターフェース。テキストから動画の生成と、画像/動画参照による生成モードに対応しています。

• POST /v1/videos：動画タスクの作成
• GET /v1/videos/{video_id}：タスクステータスの照会
• GET /v1/videos/{video_id}/content：動画のバイナリコンテンツを取得

現在は外部に提供されていません：

• GET /v1/videos
• POST /v1/videos/{video_id}/remix

標準認証ヘッダー：

• Content-Type: application/json

1. POST /v1/videos でタスクを作成し、id を取得
2. GET /v1/videos/{id} を completed または failed になるまでポーリング
3. 完了後は、レスポンス内の video_url を優先して使用
4. 統一的にダウンロードする必要がある場合は、GET /v1/videos/{id}/content を呼び出す

主要パラメータ：

• model: string：必須、外部向けモデル名
• prompt: string：推奨、動画生成の説明
• seconds: number|string：任意、目標の長さ
• duration: number|string：任意、長さのエイリアス
• size: string：任意、出力サイズ
• mode: string：任意、一般的な値 t2v i2v i2v_first_last reference_material

よく使われる互換パラメータ：

• aspect_ratio
• ratio
• quality
• resolution
• fps
• image
• image_url
• image_urls
• images
• reference_images
• input_reference
• end_image_url
• last_image_url
• video_urls
• audio_urls
• function_mode
• content
• callback_url
• external_task_id

Kling のよく使う拡張パラメータ：

• model_name
• negative_prompt
• cfg_scale
• sound
• camera_control
• image_list
• video_id
• task_id
• watermark_info

4.1 Veo シリーズ

説明：stable、official などは異なるグループを示しており、外部向けの model サフィックスではありません。呼び出し時は model をベースモデル名のままにしてください。実際にどのグループが使われるかは、アカウントまたはトークンのグループによって決まります。

Veo 3.x メインモデル

• veo3
• veo3-fast
• veo3-fast-frames
• veo3-frames
• veo3-pro
• veo3-pro-frames
• veo3.1
• veo3.1-fast
• veo3.1-pro
• veo3.1-components
• veo3.1-4k
• veo3.1-pro-4k

推奨:

• テキストのみから動画を生成する場合は、veo3* / veo3.1* メインモデルを優先して使用
• 画像からの動画生成や参照ベースの動画生成シーンでは、mode + image_url/reference_images を明示的に渡すことを推奨

4.2 Sora シリーズ

基本モデル：

• sora-2
• sora-2-pro

推奨:

• sora-2* は汎用的な呼び出しに適しています
• stable / official などのグループを使用する場合は、model をベースモデル名のままにし、モデル名の末尾にサフィックスを追加しないでください。

リクエスト例:

{
  "size": "1280x720",
  "images": [
    "https://example.png"
  ],
  "model": "sora-2",
  "prompt": "this is an example",
  "duration": 12,
  "fps": "24",
  "seed": "20231024",
  "mode": "i2v"
}

4.3 HappyHorse シリーズ

公開モデル：

• happyhorse-1.0

推奨:

• happyhorse-1.0 は mode によって t2v、i2v、r2v、video_edit を区別します。
• Sora 互換形式では、参考画像には content 配列でメディア項目を渡すことを推奨します。
• テキスト項目には type=text を使用し、メディア項目には type=image_url を使用します。必要に応じて role、name と組み合わせて素材の用途を示せます。

リクエスト例:

{
  "size": "720x1280",
  "model": "happyhorse-1.0",
  "mode": "r2v",
  "prompt": "this is an example",
  "duration": 15,
  "content": [
    {
      "type": "text",
      "text": "this is an example"
    },
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.png"
      },
      "role": "reference_image",
      "name": "image1"
    }
  ],
  "parameters": {
    "resolution": "720P",
    "ratio": "9:16",
    "duration": 15,
    "seed": 1
  }
}

4.4 Seedance シリーズ

公開モデル：

• doubao-seedance-1-0-lite-t2v-250428
• doubao-seedance-1-0-lite-i2v-250428
• doubao-seedance-1-0-pro-250528
• doubao-seedance-1-0-pro-fast-251015
• doubao-seedance-1-5-pro-251215
• doubao-seedance-2-0-260128
• doubao-seedance-2-0-fast-260128

推奨:

• テキストから動画を生成する場合は、*-t2v-* または pro / fast を優先してください
• 画像から動画を生成する場合は、*-i2v-* を優先してください
• 複雑な参考素材を用いるシナリオでは、content を優先して使用してください

リクエスト例:

{
  "size": "1280x720",
  "model": "doubao-seedance-2-0-fast-260128",
  "prompt": "this is an example",
  "duration": 15,
  "fps": "24",
  "seed": "20231024",
  "mode": "reference_material",
  "content": [
    {
      "type": "text",
      "text": "this is an example"
    },
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.png"
      },
      "role": "reference_image",
      "name": "image1"
    },
    {
      "type": "audio_url",
      "audio_url": {
        "url": "https://example.mp3"
      },
      "role": "reference_audio",
      "name": "audio1"
    }
  ]
}

4.5 Grok ビデオシリーズ

公開モデル：

• grok-imagine-1.0-video
• grok-imagine-video-1.5-preview
• grok-video-3

よく使うパラメータ：

• prompt
• ratio / aspect_ratio
• resolution / size
• seconds / duration
• image / image_url / input_reference
• reference_images

例:

{
  "model": "grok-imagine-1.0-video",
  "prompt": "雨夜霓虹街道上的电影感推镜，光影丰富，运动自然",
  "reference_images": [
    "https://example.com/ref-1.jpg"
  ],
  "seconds": 10,
  "aspect_ratio": "16:9",
  "resolution": "720P"
}

4.6 Kling ビデオメインモデル

公開メインモデル：

• kling-video

必須：

• model
• model_name

サポートされる model_name：

• kling-v1
• kling-v1-5
• kling-v1-6
• kling-v2-master
• kling-v2-1
• kling-v2-1-master
• kling-v2-5-turbo
• kling-v2-6
• kling-v3

一般的な mode:

• t2v
• i2v
• multi_i2v
• extend

最小入力パラメータ：

• テキストから動画: model + model_name + prompt + mode=t2v
• 画像から動画: model + model_name + prompt + mode=i2v + image
• 複数画像参照: model + model_name + prompt + mode=multi_i2v + image_list
• 動画の延長: model + model_name + mode=extend + video_id

例:

{
  "model": "kling-video",
  "model_name": "kling-v2-6",
  "mode": "t2v",
  "prompt": "海边日落镜头，电影感，风吹长发",
  "duration": 5,
  "aspect_ratio": "16:9"
}

4.7 MiniMax / Hailuo 動画シリーズ

公開モデル：

• minimax-h3
• hailuo-2.3

推奨:

• minimax-h3 はテキストから動画生成、画像参照、音声参照をサポートします。content でテキストと素材を混在させることを推奨します。image_urls、audio_urls などの互換フィールドも使用できます。
• hailuo-2.3 では最初のフレーム画像が必要です。content で role=first_frame の image_url 項目を渡すか、image_urls を使用して最初のフレーム画像を渡すことを推奨します。
• minimax-h3 でよく使うのは duration=5~15、resolution=1440p です。hailuo-2.3 でよく使うのは duration=6 または 10、resolution=768p です。

minimax-h3 の例：

{
  "model": "minimax-h3",
  "prompt": "A cinematic product video with smooth camera motion",
  "content": [
    {
      "type": "text",
      "text": "Use the product image as reference and match the rhythm of the audio."
    },
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.com/product.jpg"
      },
      "role": "reference_image",
      "name": "product"
    },
    {
      "type": "audio_url",
      "audio_url": {
        "url": "https://example.com/music.mp3"
      },
      "role": "reference_audio",
      "name": "music"
    }
  ],
  "duration": 8,
  "resolution": "1440p",
  "aspect_ratio": "16:9",
  "generate_audio": true
}

hailuo-2.3 の例：

{
  "model": "hailuo-2.3",
  "prompt": "The camera slowly pushes in, natural motion and cinematic lighting.",
  "content": [
    {
      "type": "text",
      "text": "The camera slowly pushes in, natural motion and cinematic lighting."
    },
    {
      "type": "image_url",
      "image_url": {
        "url": "https://example.com/first-frame.jpg"
      },
      "role": "first_frame",
      "name": "first"
    }
  ],
  "duration": 10,
  "resolution": "768p",
  "aspect_ratio": "16:9"
}

• mode=t2v

• 最小入力パラメータ：model + prompt

• mode=i2v

• 最小入力パラメータ：model + prompt + image_url

• mode=i2v_first_last

• 最小入力パラメータ：model + prompt + image_url + end_image_url

• mode=reference_images

• 最小入力パラメータ：model + prompt + reference_images

• mode=reference_material

• 最小入力パラメータ：model + prompt + (image_urls/video_urls/audio_urls 至少一种)

Gemini Omni の呼び出し方法

• gemini-omni は new-api の外部公開動画モデル名で、POST /v1/videos を直接利用できます。
• mode=t2v：テキストから動画を生成します。最小入力パラメータは model + prompt です。
• mode=r2v：参照画像/参照素材による生成。画像は image、image_url、images、image_urls、reference_images、input_reference、または content に設定できます。
• mode=edit：動画編集。動画は video、video_url、videos、または content に設定でき、参照画像も同時に送信できます。
• 再生時間フィールドは seconds または duration を使用でき、4 / 6 / 8 / 10 秒のいずれかに自動でマッチします。

Kling 4.0

外部公開モデル：kling-4.0（720p）、kling-4.0-1080p。ネイティブ形式では POST /text-to-video/kling-4.0、POST /image-to-video/kling-4.0、POST /omni-video/kling-4.0 を使用でき、GET /tasks?task_ids=任务ID で照会します。ネイティブリクエストでは model は不要で、解像度は settings.resolution で選択し、デフォルトは1080pです。ネイティブの参照画像/動画タイプは refer_image、feature_video です。作成時は data オブジェクトが返され、照会時は data 配列が返されます。POST /api/v3/contents/generations/tasks または POST /v1/videos で送信でき、それぞれ対応するパスの GET /{task_id} で照会します。OpenAI/Sora では prompt、seconds、size、input_reference を直接使用します。Seedance では content とトップレベルの duration/resolution/ratio/mode を直接使用します。いずれも追加の contents/settings/options は不要です。旧エンベロープも引き続き互換性があります。contents では、type=prompt はテキスト、type=reference_image、reference_video は参照素材、first_frame、last_frame は開始/終了フレームです。kling-4.0 は720p、kling-4.0-1080p は1080pに対応します。settings.resolution はモデル名と一致させてください。settings では duration（4～30秒）、resolution（720p/1080p）、aspect_ratio（21:9、16:9、9:16、1:1）を使用します。audio は通常の参照素材のオールインワンモードでのみ選択できます。テキスト生成および開始/終了フレームモードでは、音声スイッチを省略してください。現在のインターフェースでは、参照画像は最大10枚、参照動画は最大5本まで対応しており、参照音声はサポートしていません。旧 kling-video および model_name モードは、引き続き旧互換インターフェースです。

{
  "model": "kling-4.0",
  "prompt": "A cinematic product shot",
  "seconds": "4",
  "size": "1280x720",
  "input_reference": "https://example.com/product.jpg"
}

Kling 4.0 では、Seedance 形式の content/duration/resolution/ratio/mode、または OpenAI 動画形式の prompt/seconds/size/input_reference を直接使用できます。いずれも追加の contents/settings/options は不要です。旧 contents/settings/options エンベロープは互換性のためにのみ提供されています。mode には t2v（テキストのみ）、i2v（1枚の開始フレーム）、i2v_first_last（開始/終了の2フレーム）、reference_images（通常の参照画像）、reference_material（画像または動画の参照）を指定できます。mode を省略し、明示的なツールがない場合、参照素材があればデフォルトで reference_material、参照素材がなければデフォルトで t2v になります。参照モードでは通常の参照画像ロールを使用し、明示された開始/終了フレームを参照画像に暗黙的に変更しません。開始/終了フレームには i2v または i2v_first_last を明示的に選択し、アスペクト比パラメータを省略してください。現在、参照音声はサポートしていません。settings.audio は、参照画像/参照素材のオールインワンモードでのみ選択できます。t2v、i2v、i2v_first_last では音声スイッチを省略してください。

Vidu Q4

Vidu Q4：vidu-q4 は 720p 固定、vidu-q4-540p は 540p 固定で、3～16 秒の動画生成をサポートします。画像は最低 1 枚必要で、参照画像は最大 15 枚までサポートします。参照生成には MP3 音声を最大 3 本添付でき、各音声は 3～12 秒、最大 50MB です。テキストのみからの生成、開始・終了フレームの指定、参照動画には対応していません。複数の画像は共通の参照用であり、開始・終了位置を示すものではありません。タスクは POST /v1/videos、POST /api/v3/contents/generations/tasks、または Vidu 形式の POST /ent/v2/img2video、POST /ent/v2/reference2video で作成できます。統一エンドポイントとしては mode=reference_images の使用を推奨します。音声付きの場合は mode=reference_material を使用してください。参照音声には audio_urls を使用でき、Seedance 形式では標準の content の audio_url 項目も使用できます。audio のブール値フィールドは音声生成のオン／オフを示し、参照音声 URL リストとは別に使用します。解像度はモデル名と一致している必要があります。