मीडिया निर्माण

Async media generation: images, video, voiceover (TTS), speech-to-text, music और 3D। आप एक task बनाते हैं और result को poll करते हैं। पूरी model सूची media-models catalog में है; webhooks, errors और billing webhook section में हैं।

बनाने पर 202 के साथ { ok: true, jobId, status: "processing" } मिलता है। जब तक status: "success" न हो, GET /api/media/jobs/{jobId} को poll करें, फिर resultUrls लें।

# 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"}

model और prompt के अलावा, आप opts में अतिरिक्त options दे सकते हैं। यह सेट model पर निर्भर करता है। पूरा machine-readable contract GET /api/model-capabilities से मिलता है (या किसी विशिष्ट model के लिए GET /api/model-capabilities/{model} से)।

URL options (image_url, input_urls, mask_url और बाकी) वे links हैं जिन्हें provider fetch करता है, इसलिए ये केवल public https:// addresses स्वीकार करते हैं। उन fields में से किसी एक में inline data:image/...;base64,… string 400 के साथ reject होती है।

अपनी file भेजने के लिए, इसके बजाय matching *_base64 field का उपयोग करें: service bytes को store करती है, उन्हें publish करती है और परिणामी link provider को pass करती है। input_base64 में प्रति request 16 files तक।

POST /api/media/generate और POST /api/media/price एक ही body स्वीकार करते हैं, इसलिए आप इसे quote करके बिना बदलाव submit कर सकते हैं। कोई अन्य top-level field नहीं है: कोई अज्ञात field दोनों endpoints पर 400 के साथ अस्वीकार होता है और code unknown_field उसे नाम देता है (field, fields), strict के साथ या बिना। Generation parameters opts के अंदर जाते हैं।

कोई भी source file तीन तरीकों से भेजी जा सकती है: link के रूप में (image_url, audio_url, video_url…), inline bytes के रूप में (image_base64, audio_base64, video_base64…) या POST /v1/files से अपनी file के id के रूप में। id fields हर operation के requestJsonSchema में सूचीबद्ध हैं और strict mode में स्वीकार किए जाते हैं।

जिन मॉडल का आउटपुट-लंबाई अपलोड किए गए ट्रैक पर निर्भर करती है — kling-ai-avatar, omnihuman-v2, omnihuman-2-0, omnihuman-v1.5, omnihuman-1-5, volcengine-lipsync (ऑडियो), kling-motion-control, wan-animate, topaz-video-upscale, p-video-edit (वीडियो), lipsync-2-pro, sync-3, react-1 (दोनों इनपुट) — उनके लिए /api/media/price और /api/media/generate पर max_price_rub की पूर्व-जांच सर्वर-साइड उस फ़ाइल (लिंक, data: URI, base64 या *_file_id) को मापती है और मापे गए सेकंड के आधार पर मूल्य निर्धारित करती है। उत्तर में sourceSeconds (लिप-सिंक के लिए outputSeconds) शामिल होता है, और estimateReason बताता है कि लंबाई मापी गई थी। यदि फ़ाइल पढ़ी नहीं जा सकती, तो मूल्य निर्धारण अपने पिछले आधार (एक सेकंड, कैटलॉग अनुमान या रूट की अधिकतम सीमा) पर ही रहता है और estimateReason इसका कारण बताता है। शुल्क प्रति-सेकंड दर × वास्तव में रेंडर किए गए सेकंड के बराबर होता है, और कभी भी max_price_rub से अधिक नहीं होता। इन मॉडल पर opts.duration स्वीकार किया जाता है और param_ignored चेतावनी के साथ अनदेखा कर दिया जाता है।

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.

Voice Changer और Forced Alignment

जब supplier की start confirmation नहीं आती, तो job status: "submitting" के साथ stage: "submission_unknown", errorCode: "media_submission_uncertain" और failure.advice: "reconcile_first" में रहता है — उसी jobId को poll करते रहें और duplicate न बनाएँ। इस path को बिना किसी लागत के test करने के लिए, sandbox key और header x-pv-sandbox-outcome: submission_uncertain के साथ POST /api/media/generate भेजें। जवाब एक सामान्य 202 होता है जिसमें jobId होता है; उसे poll करने पर 60 सेकंड तक unknown submit के रूप में जवाब मिलता है, फिर ऐसे job के रूप में जो कभी शुरू ही नहीं हुआ (failure.code: "submission_not_started", charged: false)। कुछ भी store नहीं होता, किसी supplier को नहीं भेजा जाता और charge नहीं लगता। इस header के साथ एक regular key को 400 sandbox_outcome_requires_sandbox_key मिलता है।

बाकी generation जैसा ही endpoint: model में STT model name डालें, prompt को empty string रहने दें, और opts.audio_url में recording pass करें। Transcript GET /api/media/jobs/{id} पर resultText में आता है; resultUrls खाली रहता है — transcription कोई file produce नहीं करता।

# 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}

Models

• whisper-large-v3-turbo — audio के प्रति minute $0.00025। सबसे सस्ता और सबसे तेज़, 99 languages।
• nemotron-asr-multilingual — प्रति minute $0.00025। NVIDIA multilingual ASR, अपने आप punctuate करता है।
• whisper-large-v3 — प्रति minute $0.000563। पूरा Whisper: turbo से धीमा, noisy audio पर अधिक सटीक।
• universal-2 — प्रति minute $0.003125।
• speech-to-text — प्रति minute $0.01 (ElevenLabs Scribe)। Speaker diarization और audio-event tags का समर्थन करता है।

Parameters

Formats और limits

mp3, wav, m4a/mp4, flac, ogg/opus और webm स्वीकार किए जाते हैं। File size अधिकतम 25 MB है — 128 kbps mp3 का लगभग 26 मिनट, या opus में कई घंटे की speech। इससे बड़ा कुछ भी स्पष्ट message के साथ तुरंत अस्वीकार कर दिया जाता है और उस पर billing नहीं होती; इसके बजाय recording को split करें।

Polling से बचने के लिए, अपने dashboard में एक address mediaWebhookUrl register करें। जब task पूरा होता है (success या error), तो service JSON body के साथ POST की पाँच delivery attempts तक करता है:

// 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"
}

Generation result URL (image, video, audio या 3D model) resultUrls से। इसे वैसे ही इस्तेमाल करें जैसे service लौटाती है: यह बिना API key के खुलता है और <img>, <video> या browser में काम करता है। Provider छिपा रहता है: upstream address server-side resolve होता है, client उसे कभी नहीं देखता।

# 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