Mediengenerierung

Asynchrone Mediengenerierung: Bilder, Video, Voiceover (TTS), Speech-to-Text, Musik und 3D. Sie erstellen eine Aufgabe und fragen das Ergebnis ab. Die vollständige Modellliste finden Sie im Medienmodellkatalog; Webhooks, Fehler und Abrechnung finden Sie im Webhook-Abschnitt.

Beim Erstellen wird 202 mit { ok: true, jobId, status: "processing" } zurückgegeben. Fragen Sie GET /api/media/jobs/{jobId} ab, bis status: "success" erreicht ist, und übernehmen Sie dann die resultUrls.

# 1. create a generation job
curl https://getvibeapi.com/api/media/generate \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "veo-3.1",
    "prompt": "a cat on a skateboard, slow motion"
  }'
# → {"ok":true,"jobId":"...","status":"processing"}

Neben model und prompt können Sie zusätzliche Optionen in opts übergeben. Die Menge hängt vom Modell ab. Der vollständige maschinenlesbare Vertrag ist über GET /api/model-capabilities verfügbar (oder über GET /api/model-capabilities/{model} für ein bestimmtes Modell).

URL-Optionen (image_url, input_urls, mask_url und die übrigen) sind Links, die der Anbieter abruft. Daher akzeptieren sie nur öffentliche https://-Adressen. Eine Inline-Zeichenfolge data:image/...;base64,… in einem dieser Felder wird mit 400 abgelehnt.

Um Ihre eigene Datei zu senden, verwenden Sie stattdessen das entsprechende Feld *_base64: Der Dienst speichert die Bytes, veröffentlicht sie und übergibt den resultierenden Link an den Anbieter. Bis zu 16 Dateien pro Anfrage in input_base64.

POST /api/media/generate und POST /api/media/price akzeptieren denselben Body, sodass Sie zunächst ein Angebot erstellen und ihn anschließend unverändert übermitteln können. Es gibt keine weiteren Felder auf oberster Ebene: Ein unbekanntes Feld wird an beiden Endpunkten mit 400 und dem Code unknown_field abgelehnt, der es benennt (field, fields), mit oder ohne strict. Generierungsparameter gehören in opts.

Jede Quelldatei kann auf drei Arten gesendet werden: als Link (image_url, audio_url, video_url …), als Inline-Bytes (image_base64, audio_base64, video_base64 …) oder als ID Ihrer eigenen Datei aus POST /v1/files. Die ID-Felder sind im requestJsonSchema jeder Operation aufgeführt und werden im Strict-Modus akzeptiert.

Bei Modellen, deren Ausgabelänge einer hochgeladenen Audiospur folgt — kling-ai-avatar, omnihuman-v2, omnihuman-2-0, omnihuman-v1.5, omnihuman-1-5, volcengine-lipsync (audio), kling-motion-control, wan-animate, topaz-video-upscale, p-video-edit (video), lipsync-2-pro, sync-3, react-1 (beide Eingaben) — messen /api/media/price und die Vorabprüfung von max_price_rub auf /api/media/generate diese Datei serverseitig (link, data: URI, base64 oder *_file_id) und berechnen den Preis anhand der gemessenen Sekunden. Die Antwort enthält sourceSeconds (outputSeconds für Lippensynchronisation), und estimateReason gibt an, dass die Länge gemessen wurde. Kann die Datei nicht gelesen werden, basiert der Preis weiterhin auf der vorherigen Grundlage (eine Sekunde, der Katalogschätzung oder dem Routenmaximum), und estimateReason gibt dies an. Die Abrechnung entspricht dem Sekundensatz × den tatsächlich gerenderten Sekunden, jedoch niemals mehr als max_price_rub. opts.duration wird bei diesen Modellen akzeptiert und ignoriert, wobei eine param_ignored-Warnung ausgegeben wird.

Create: { name, consent: true, engine, audio_url | audio_base64 } or several recordings samples: [{ audio_url } | { audio_base64 }, …] (engine: "elevenlabs" only). An ElevenLabs voice is used by voice-clone-tts and by the Voice Changer (elevenlabs-voice-changer). Appending recordings to an ElevenLabs voice is free. Every recording is downloaded and measured before the supplier is called: a refusal changes and charges nothing.

Stimmveränderung und Forced Alignment

Wenn die Startbestätigung des Anbieters nicht eintrifft, bleibt der Auftrag im Status: "submitting" mit stage: "submission_unknown", errorCode: "media_submission_uncertain" und failure.advice: "reconcile_first" – fragen Sie weiterhin dieselbe jobId ab und erstellen Sie kein Duplikat. Um diesen Pfad kostenlos zu testen, senden Sie POST /api/media/generate mit einem Sandbox-Schlüssel und dem Header x-pv-sandbox-outcome: submission_uncertain. Die Antwort ist ein normales 202 mit einer jobId; bei der Abfrage wird 60 Sekunden lang eine unbekannte Übermittlung zurückgegeben, danach ein Auftrag, der nie gestartet wurde (failure.code: "submission_not_started", charged: false). Nichts wird gespeichert, an einen Anbieter gesendet oder berechnet. Ein regulärer Schlüssel mit diesem Header erhält 400 sandbox_outcome_requires_sandbox_key.

Derselbe Endpunkt wie für den Rest der Generierung: Geben Sie den Namen des STT-Modells in model an, lassen Sie prompt als leere Zeichenfolge stehen und übergeben Sie die Aufnahme in opts.audio_url. Das Transkript kommt in resultText bei GET /api/media/jobs/{id} an; resultUrls bleibt leer — die Transkription erzeugt keine Datei.

# speech-to-text: create the job, then read the transcript
curl https://getvibeapi.com/api/media/generate \
  -H "Authorization: Bearer $GETVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "whisper-large-v3-turbo",
    "prompt": "",
    "opts": {
      "audio_url": "https://example.com/meeting.mp3",
      "language_code": "en"
    }
  }'
# → {"ok":true,"jobId":"JOB_ID","status":"processing","priceRub":0.03}

curl https://getvibeapi.com/api/media/jobs/JOB_ID \
  -H "Authorization: Bearer $GETVIBE_API_KEY"
# → {"status":"success","resultText":"the transcribed text…","resultUrls":[],"priceRub":0.03}

Modelle

• whisper-large-v3-turbo — $0.00025 pro Audiominute. Am günstigsten und schnellsten, 99 Sprachen.
• nemotron-asr-multilingual — $0.00025 pro Minute. Mehrsprachige NVIDIA-ASR, setzt automatisch Satzzeichen.
• whisper-large-v3 — $0.000563 pro Minute. Vollständiges Whisper: langsamer als turbo, bei verrauschtem Audio genauer.
• universal-2 — $0.003125 pro Minute.
• speech-to-text — $0.01 pro Minute (ElevenLabs Scribe). Unterstützt Sprecherdiarisierung und Tags für Audioereignisse.

Parameter

Formate und Limits

mp3, wav, m4a/mp4, flac, ogg/opus und webm werden akzeptiert. Die Dateigröße beträgt maximal 25 MB — ungefähr 26 Minuten MP3 mit 128 kbit/s oder mehrere Stunden Sprache in Opus. Alles Größere wird sofort mit einer ausdrücklichen Meldung abgelehnt und nicht berechnet; teilen Sie die Aufzeichnung stattdessen auf.

Um Polling zu vermeiden, registrieren Sie eine Adresse mediaWebhookUrl in Ihrem Dashboard. Wenn die Aufgabe abgeschlossen ist (erfolgreich oder mit Fehler), unternimmt der Dienst bis zu fünf Zustellversuche einer POST mit einem JSON-Body:

// POST to your mediaWebhookUrl when a job finishes
{
  "jobId": "...",
  "status": "success",            // or "fail"
  "model": "veo-3.1",
  "kind": "video",                // image | video | audio | music | 3d
  "resultUrls": ["https://getvibeapi.com/api/media/file/..."],
  "failMsg": null,
  "createdAt": "2026-06-17T10:00:00.000Z"
}

Die URL des Generierungsergebnisses (Bild, Video, Audio oder 3D-Modell) aus resultUrls. Verwenden Sie sie so, wie sie vom Dienst zurückgegeben wird: Sie lässt sich ohne API-Schlüssel öffnen und funktioniert in <img>, <video> oder einem Browser. Der Provider bleibt verborgen: Die Upstream-Adresse wird serverseitig aufgelöst, der Client sieht sie nie.

# The signed URL is returned in resultUrls of the /api/media/jobs/{id} response
# or in the webhook body. Opens directly in the browser / <img> — no key needed.
https://getvibeapi.com/api/media/file/JOB_ID/0?sig=HMAC_SIGNATURE