Generación de multimedia

Generación asíncrona de contenido multimedia: imágenes, video, voz superpuesta (TTS), conversión de voz a texto, música y 3D. Creas una tarea y consultas el resultado. La lista completa de modelos está en el catálogo de media-models; los webhooks, errores y la facturación están en la sección de webhooks.

La creación devuelve 202 con { ok: true, jobId, status: "processing" }. Consulta GET /api/media/jobs/{jobId} hasta status: "success" y luego toma 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"}

Además de model y prompt, puedes pasar opciones adicionales en opts. El conjunto depende del modelo. El contrato completo legible por máquinas está disponible mediante GET /api/model-capabilities (o GET /api/model-capabilities/{model} para un modelo específico).

Las opciones de URL (image_url, input_urls, mask_url y las demás) son enlaces que el proveedor obtiene, por lo que solo aceptan direcciones https:// públicas. Se rechaza una cadena data:image/...;base64,… insertada directamente en uno de esos campos con 400.

Para enviar tu propio archivo, usa en su lugar el campo *_base64 correspondiente: el servicio almacena los bytes, los publica y pasa el enlace resultante al proveedor. Hasta 16 archivos por solicitud en input_base64.

POST /api/media/generate y POST /api/media/price aceptan el mismo cuerpo, así que puedes calcular el precio y después enviarlo sin cambios. No hay otros campos de nivel superior: cualquier campo desconocido se rechaza en ambos endpoints con 400 y el código unknown_field, que indica su nombre (field, fields), con o sin strict. Los parámetros de generación van dentro de opts.

Cualquier archivo de origen se puede enviar de tres formas: como un enlace (image_url, audio_url, video_url…), como bytes insertados (image_base64, audio_base64, video_base64…) o como el id de tu propio archivo de POST /v1/files. Los campos de id aparecen en cada requestJsonSchema de operación y se aceptan en modo estricto.

Para los modelos cuya duración de salida sigue la duración de un archivo subido — 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 (ambas entradas) — /api/media/price y la comprobación previa de max_price_rub en /api/media/generate miden ese archivo en el servidor (enlace, URI data:, base64 o *_file_id) y calculan el precio según los segundos medidos. La respuesta incluye sourceSeconds (outputSeconds para lip-sync), y estimateReason indica que se midió la duración. Si no se puede leer el archivo, el precio conserva su base anterior (un segundo, la estimación del catálogo o el máximo de la ruta) y estimateReason lo indica. El cargo es la tarifa por segundo × los segundos renderizados realmente, sin superar nunca max_price_rub. opts.duration en estos modelos se acepta y se ignora, con una advertencia param_ignored.

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.

Cambiador de voz y alineación forzada

Cuando no llega la confirmación de inicio del proveedor, el trabajo permanece con status: "submitting", stage: "submission_unknown", errorCode: "media_submission_uncertain" y failure.advice: "reconcile_first". Sigue consultando el mismo jobId y no crees un duplicado. Para probar esta ruta sin costo, envía POST /api/media/generate con una clave de sandbox y el header x-pv-sandbox-outcome: submission_uncertain. La respuesta es un 202 normal con un jobId; al consultarlo, responde como un envío desconocido durante 60 segundos y después como un trabajo que nunca comenzó (failure.code: "submission_not_started", charged: false). No se almacena, envía a un proveedor ni cobra nada. Una clave normal con este header recibe 400 sandbox_outcome_requires_sandbox_key.

El mismo endpoint que el resto de la generación: coloca el nombre del modelo STT en model, deja prompt como una cadena vacía y pasa la grabación en opts.audio_url. La transcripción llega en resultText en GET /api/media/jobs/{id}; resultUrls permanece vacío: la transcripción no produce ningún archivo.

# 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}

Modelos

• whisper-large-v3-turbo — $0.00025 por minuto de audio. El más barato y rápido, 99 idiomas.
• nemotron-asr-multilingual — $0.00025 por minuto. ASR multilingüe de NVIDIA, puntúa automáticamente.
• whisper-large-v3 — $0.000563 por minuto. Whisper completo: más lento que turbo, más preciso con audio ruidoso.
• universal-2 — $0.003125 por minuto.
• speech-to-text — $0.01 por minuto (ElevenLabs Scribe). Admite diarización de hablantes y etiquetas de eventos de audio.

Parámetros

Formatos y límites

Se aceptan mp3, wav, m4a/mp4, flac, ogg/opus y webm. El tamaño del archivo es de 25 MB como máximo: aproximadamente 26 minutos de mp3 a 128 kbps o varias horas de voz en opus. Todo lo que supere ese tamaño se rechaza inmediatamente con un mensaje explícito y no se factura; divide la grabación en su lugar.

Para evitar las consultas periódicas, registra una dirección mediaWebhookUrl en tu dashboard. Cuando la tarea finaliza (con éxito o error), el servicio realiza hasta cinco intentos de entrega de un POST con un cuerpo JSON:

// 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"
}

La URL del resultado de generación (imagen, video, audio o modelo 3D) de resultUrls. Úsala tal como la devuelve el servicio: se abre sin una clave de API y funciona en <img>, <video> o un navegador. El proveedor está oculto: la dirección ascendente se resuelve en el servidor y el cliente nunca la ve.

# 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