So erstellen Sie mit P-Video-2 Pro Reference ein sprechendes Video aus einem Foto und Ihrem eigenen Voiceover

Eine häufige Anfrage von Menschen, die Produktdemos, Kursintros und Social Clips erstellen: „Ich habe ein Foto der präsentierenden Person und eine bereits aufgenommene Sprachaufnahme. Lassen Sie die Person auf dem Foto genau diesen Text sprechen.“ P-Video-2 Pro Reference von Pruna AI erledigt dies mit einem einzigen API-Aufruf. Sie senden das Foto als Referenz, Ihre Audiodatei und keep_audio: true; das Modell generiert das Video passend zu Ihrer Tonspur, wobei Lippen- und Kopfbewegungen den gesprochenen Worten folgen. Dieser Leitfaden zeigt die genaue Anfrage, die Kosten und einen echten Clip, den wir während des Schreibens erstellt haben.

Was P-Video-2 Pro Reference leistet

Es handelt sich um ein Referenz-zu-Video-Modell. Statt alles in Text zu beschreiben, geben Sie ihm Material, mit dem es arbeiten kann:

Referenzbilder (bis zu 9): wie eine Figur oder ein Produkt aussieht oder welcher Stil verwendet werden soll.
Referenzvideos (bis zu 3, jeweils 2 bis 15 Sekunden, insgesamt 15 Sekunden): Bewegungen oder eine Szene, denen gefolgt werden soll.
Audio (bis zu 3 Dateien, insgesamt 15 Sekunden).
Einen Text-Prompt, der alles miteinander verbindet: wo sich die Person befindet und was sie tut.

Die Ausgabe ist ein 5 bis 15 Sekunden langer Clip mit Ton, in 480p oder 768p, im Speed- oder Cost-Modus, mit Seitenverhältnissen von 16:9 bis 9:16 oder „adaptive“ (den Referenzen folgend). Mindestens eine Bild- oder Videoreferenz ist erforderlich.

keep_audio: Ihre Stimme, Ihre Worte

Die Audioeingabe hat zwei sehr unterschiedliche Bedeutungen, zwischen denen keep_audio umschaltet:

Ohne keep_audio (Standardeinstellung) ist Audio nur ein Beispiel. Das Modell imitiert die Stimme oder das Geräusch, aber Ihre Datei wird nicht in den Clip eingefügt und die Worte können abweichen.
Mit keep_audio: true und genau einer Audiodatei wird diese Datei zum Soundtrack. Gleiche Stimme, gleiche Worte; das Video (Bewegung, Lippen) wird passend dazu generiert.

So wirkt sich die Länge der Tonspur auf duration aus: Ist Ihr Audio kürzer als die Dauer, wird es zuerst abgespielt und das Modell generiert den Rest; ist es länger, wird es auf die Dauer gekürzt; liegt es innerhalb einer Sekunde der Dauer, folgt die Länge des Clips der Länge des Audios. Wählen Sie daher eine Dauer, die nahe an der Länge Ihrer Sprachaufnahme liegt. keep_audio ändert den Preis nicht.

Preis

Der Clip wird pro Generierung anhand von drei Faktoren berechnet: Ausgabesekunden (nach Modus und Auflösung), jeweils zuzüglich jedes Referenzbilds sowie der Sekunden von Referenzvideo und Audio. Die günstigste Kombination ist 480p im Cost-Modus. Die vollständige Tarifübersicht finden Sie auf der Modellseite von P-Video-2 Pro Reference.

Da der Preis von Ihren genauen Eingaben abhängt, sollten Sie vor der Generierung ein Angebot anfordern. Der Angebotsendpunkt ist kostenlos und gibt eine quoteId zurück, mit der Sie den Auftrag verknüpfen können:

curl https://getvibeapi.com/api/media/price \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d @request.json

# Unser Angebot vom 22. Oktober 2026 für die untenstehende Anfrage
# (7 s, 480p, Cost-Modus, 1 Foto, 1 Audiospur, keep_audio):
{"ok":true,"priceUsd":0.165625,"isEstimate":false,"chargeBasis":"quote","quoteId":"mq_…","quoteTtlSeconds":900}

Das Angebot stellt eine Obergrenze dar: Referenzen werden vor der Übermittlung nicht vermessen, daher wird die vollständige zulässige Menge angenommen (beispielsweise die gesamten 15 Sekunden Referenzaudio, sobald Audio gesendet wird). Unser Auftrag wurde genau mit dem angebotenen Betrag berechnet.

Schritt für Schritt: Foto + Sprachaufnahme → sprechender Clip

1. Zwei öffentliche Dateien vorbereiten

Sie benötigen eine öffentliche HTTPS-URL für das Porträt (eine klare Aufnahme von Kopf und Schultern aus der Frontalperspektive funktioniert am besten) und eine für die Sprachaufnahme (MP3 oder WAV). Für unseren Test haben wir mit Nano Banana 2.1 eine fiktive präsentierende Person und mit gpt-4o-mini-tts eine 7,3 Sekunden lange englische Sprachaufnahme erstellt, beides über denselben API-Schlüssel. Jede eigene Aufnahme funktioniert auf die gleiche Weise.

2. Den Auftrag übermitteln

import os, time, requests

API = "https://getvibeapi.com"
HEADERS = {"Authorization": f"Bearer {os.environ['GETVIBE_API_KEY']}"}

body = {
    "model": "p-video-2-pro-reference",
    "prompt": "Die Frau auf dem Referenzfoto spricht in einer gemütlichen Bäckerei warmherzig in die Kamera, "
              "natürliche Kopfbewegungen, Lippen synchron zur Sprachaufnahme",
    "opts": {
        "mode": "cost",            # günstigster Modus; "speed" ist schneller
        "resolution": "480p",      # oder "768p"
        "duration": "7",           # nahe an der Länge der Sprachaufnahme (7.3 s)
        "aspect_ratio": "16:9",
        "reference_image_urls": ["https://your-cdn.example/presenter.jpg"],
        "reference_audio_urls": ["https://your-cdn.example/voiceover.mp3"],
        "keep_audio": True,        # diese Tonspur als Soundtrack verwenden, nicht als Beispiel
    },
}

job = requests.post(f"{API}/api/media/generate", json=body, headers=HEADERS).json()
print(job["jobId"], job["status"], job["priceRub"])

Das Feld heißt aus historischen Gründen priceRub; auf getvibeapi.com enthält es US-Dollar, also dieselbe Zahl, die das Angebot zurückgegeben hat.

3. Das Ergebnis abfragen

while True:
    r = requests.get(f"{API}/api/media/jobs/{job['jobId']}", headers=HEADERS).json()
    if r["status"] in ("success", "fail"):
        break
    time.sleep(10)

print(r["status"], r["resultUrls"])

Verwenden Sie für Produktionschargen statt der Abfrage einen Webhook; siehe Media-Webhooks. Ergebnislinks laufen nach etwa einer Woche ab. Kopieren Sie die Datei daher in Ihren eigenen Speicher.

Unser Ergebnis

Unser Auftrag wurde innerhalb weniger Minuten mit dem Status success abgeschlossen. Das Ergebnis war eine MP4-Datei: 832×480, 7,33 Sekunden, mit einer Audiospur. Wir haben folgende Prüfungen durchgeführt:

Die Stimme stammt von uns. Wir haben die Tonspur des Clips Sample für Sample mit der ursprünglichen Sprachaufnahme verglichen: Korrelation 0.99998 bei einem Offset von null. Das Modell hat die Datei beibehalten und keine neu eingesprochene Imitation erstellt.
Das Gesicht bleibt erhalten. Einzelbilder bei 1, 3 und 5 Sekunden zeigen dieselbe Frau wie auf dem Referenzfoto (Haare, Ohrringe, grünes Leinenhemd), nun wie im Prompt gewünscht in einer Bäckerei, mit sichtbaren Mundbewegungen beim Sprechen.
Die Länge folgt der Tonspur. Eine 7,3 Sekunden lange Sprachaufnahme mit duration: "7" erzeugte einen 7,33 Sekunden langen Clip, wie es die Regel für eine Abweichung innerhalb einer Sekunde vorhersagt.

480p im Cost-Modus eignet sich gut für Vorschauen und kleine Social-Formate. Für den finalen Schnitt führen Sie dieselbe Anfrage mit 768p aus, sobald Sie mit dem Prompt zufrieden sind.

Tipps und Einschränkungen

Senden Sie mit keep_audio genau eine Audiodatei; bei zwei oder drei Dateien wird die Anfrage mit einer eindeutigen Fehlermeldung abgelehnt.
Halten Sie die Sprachaufnahme bei höchstens 15 Sekunden. Teilen Sie längere Skripte in mehrere Clips auf und fügen Sie diese anschließend zusammen.
Jedes Referenzbild wird berechnet, einschließlich first_frame_url und last_frame_url. Ein gutes Porträt reicht normalerweise aus.
Beschreiben Sie im Prompt die Umgebung und die Art des Sprechens („ruhig, erklärend“, „lächelnd, energiegeladen“); die Worte stammen aus Ihrem Audio.
Verwenden Sie nur Fotos und Stimmen, für die Sie die entsprechenden Rechte besitzen. Imitieren Sie keine realen Personen ohne deren Zustimmung.

Weitere Videomodelle, einschließlich Text-zu-Video- und Bild-zu-Video-Optionen, sind auf der Modellseite aufgeführt. Bild, Video und Sprache über eine API erklärt den Ablauf von Medienaufträgen im Allgemeinen. Vollständige Referenz für Anfragen: Dokumentation zur Mediengenerierung.

Wo dies nützlich ist

Sprechende Clips, die aus einem Standbild und einer fertigen Sprachaufnahme erstellt werden, eignen sich für jeden Workflow, bei dem die Worte feststehen und das Gesicht jedes Mal gleich bleiben soll:

Produkt- und Funktionsankündigungen. Nehmen Sie ein 10-Sekunden-Skript einmal auf und lassen Sie es Ihre präsentierende Person vor unterschiedlichen Hintergründen vortragen, indem Sie nur den Prompt ändern.
Kurs- und Onboarding-Intros. Ein konsistenter Host für jede Lektion, ohne für jede einzelne ein Studio buchen zu müssen.
Lokalisierte Versionen. Nehmen Sie die Sprachaufnahme in einer anderen Sprache auf oder synthetisieren Sie sie und generieren Sie einen passenden Clip; die Lippen folgen dem neuen Audio.
Kurze Kundensupport-Videos. Kurze Clips nach dem Muster „So führen Sie X aus“, bei denen die Genauigkeit des Wortlauts wichtiger ist als cineastische Bewegung.

Zwei Dinge sind dies nicht: ein Tool für Avatare in Langform (jede Generierung dauert höchstens 15 Sekunden) und eine Möglichkeit, ein vorhandenes Video zu bearbeiten. Wenn Sie das Aussehen bereits vorhandener Aufnahmen ändern möchten, sehen Sie sich Kling 3.0 Omni Transformation an.

FAQ

Kann ich ein Foto mit meiner eigenen aufgenommenen Stimme zum Sprechen bringen?

Ja. Senden Sie das Foto in reference_image_urls, Ihre Aufnahme als einzigen Eintrag in reference_audio_urls und keep_audio: true. Die Aufnahme wird zur Tonspur des Clips, und die Lippen werden passend dazu generiert.

Was geschieht ohne keep_audio?

Das Audio wird nur als Beispiel zur Imitation verwendet. Ihre Datei ist nicht in der Ausgabe enthalten, und die Sprache im Clip kann abweichen.

Wie lang kann der Clip sein?

5 bis 15 Sekunden pro Generierung. Referenzaudio ist auf insgesamt 15 Sekunden begrenzt.

Wie viel kostet ein sprechender Clip?

Das hängt von Dauer, Auflösung, Modus und den von Ihnen gesendeten Referenzen ab. Ermitteln Sie vor der Generierung über den kostenlosen Endpunkt /api/media/price den genauen Betrag; unser 7-Sekunden-Clip in 480p im Cost-Modus mit einem Foto und einer Audiospur ist oben aufgeführt. Die aktuellen Tarife finden Sie auf der Modellseite.

Ist die Ausgabe mit einem Wasserzeichen versehen?

Wir haben auf unserem Clip kein Wasserzeichen gesehen.