Permintaan umum dari orang-orang yang membuat demo produk, intro kursus, dan klip media sosial: “Saya punya foto presenter dan voiceover yang sudah saya rekam. Buat orang di foto itu mengucapkan persis seperti itu.” P-Video-2 Pro Reference dari Pruna AI melakukan ini dalam satu panggilan API. Anda mengirim foto sebagai referensi, file audio, dan keep_audio: true; model menghasilkan video berdasarkan trek Anda, dengan gerakan bibir dan kepala mengikuti kata-kata. Panduan ini menunjukkan permintaan yang tepat, biayanya, dan klip nyata yang kami buat saat menulisnya.
Yang dilakukan P-Video-2 Pro Reference
Ini adalah model reference-to-video. Alih-alih mendeskripsikan semuanya dalam teks, Anda memberikan materi untuk digunakan sebagai dasar:
- Gambar referensi (hingga 9): tampilan karakter atau produk, atau sebuah gaya.
- Video referensi (hingga 3, masing-masing 2 hingga 15 detik, total 15 detik): gerakan atau adegan yang harus diikuti.
- Audio (hingga 3 file, total 15 detik).
- Prompt teks yang menyatukan semuanya: di mana orang tersebut berada dan apa yang sedang dilakukannya.
Output-nya adalah klip berdurasi 5 hingga 15 detik dengan suara, pada 480p atau 768p, dalam mode Speed atau Cost, dengan rasio aspek mulai dari 16:9 hingga 9:16 atau “adaptive” (mengikuti referensi). Setidaknya satu referensi gambar atau video wajib disertakan.
keep_audio: suara Anda, kata-kata Anda
Input audio memiliki dua arti yang sangat berbeda, dan keep_audio menentukan cara penggunaannya:
- Tanpa
keep_audio(default), audio hanya merupakan sampel. Model meniru suara atau bunyinya, tetapi file Anda tidak ditempatkan di dalam klip dan kata-katanya mungkin berbeda. - Dengan
keep_audio: truedan tepat satu file audio, file tersebut menjadi soundtrack. Suara dan kata-katanya sama; video (gerakan dan bibir) dibuat agar sesuai dengannya.
Interaksi durasi trek dengan duration: jika audio Anda lebih pendek daripada durasi, audio diputar terlebih dahulu dan model menghasilkan sisanya; jika lebih panjang, audio dipotong sesuai durasi; jika selisihnya kurang dari satu detik dari durasi, panjang klip mengikuti panjang audio. Jadi, pilih durasi yang mendekati voiceover Anda. keep_audio tidak mengubah harga.
Harga
Klip dihargai per generasi berdasarkan tiga hal: detik output (berdasarkan mode dan resolusi), ditambah setiap gambar referensi, serta detik video dan audio referensi. Kombinasi termurah adalah 480p dalam mode Cost. Tabel tier lengkap tersedia di halaman model P-Video-2 Pro Reference.
Karena harga bergantung pada input Anda yang sebenarnya, minta penawaran sebelum melakukan generate. Endpoint penawaran ini gratis dan mengembalikan quoteId yang dapat Anda sematkan ke job:
curl https://getvibeapi.com/api/media/price \
-H "Authorization: Bearer $GETVIBE_API_KEY" \
-H "Content-Type: application/json" \
-d @request.json
# Penawaran kami pada 22 Oktober 2026 untuk permintaan di bawah
# (7 s, 480p, mode Cost, 1 foto, 1 trek audio, keep_audio):
{"ok":true,"priceUsd":0.165625,"isEstimate":false,"chargeBasis":"quote","quoteId":"mq_…","quoteTtlSeconds":900}Penawaran tersebut merupakan batas maksimum: referensi tidak diukur sebelum pengiriman, jadi sistem mengasumsikan batas penuh (misalnya seluruh 15 detik audio referensi saat audio apa pun dikirim). Job kami dikenai biaya persis sebesar jumlah yang ditawarkan.
Langkah demi langkah: foto + voiceover → klip berbicara
1. Siapkan dua file publik
Anda memerlukan URL HTTPS publik untuk potret (foto kepala dan bahu yang jelas dan menghadap ke depan biasanya memberikan hasil terbaik) serta satu URL untuk voiceover (MP3 atau WAV). Untuk pengujian kami, kami membuat presenter fiktif dengan Nano Banana 2.1 dan voiceover berbahasa Inggris berdurasi 7.3 detik dengan gpt-4o-mini-tts, keduanya melalui kunci API yang sama. Rekaman apa pun milik Anda sendiri dapat digunakan dengan cara yang sama.
2. Kirim job
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": "Perempuan dari foto referensi berbicara dengan hangat kepada kamera di toko roti yang nyaman, "
"gerakan kepala yang alami, bibir sinkron dengan voiceover",
"opts": {
"mode": "cost", # mode termurah; "speed" lebih cepat
"resolution": "480p", # atau "768p"
"duration": "7", # mendekati durasi voiceover (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, # gunakan trek ini sebagai soundtrack, bukan sebagai sampel
},
}
job = requests.post(f"{API}/api/media/generate", json=body, headers=HEADERS).json()
print(job["jobId"], job["status"], job["priceRub"])Field tersebut bernama priceRub karena alasan historis; di getvibeapi.com, field ini berisi dolar AS, dengan angka yang sama seperti yang dikembalikan oleh penawaran.
3. Polling hasil
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"])Untuk batch produksi, gunakan webhook, bukan polling; lihat media webhooks. Tautan hasil kedaluwarsa setelah sekitar seminggu, jadi salin file tersebut ke penyimpanan Anda sendiri.
Hasil yang kami dapatkan
Job kami selesai dalam beberapa menit dengan status success. Hasilnya berupa MP4: 832×480, 7.33 detik, dengan trek audio. Pemeriksaan yang kami lakukan:
- Suaranya adalah suara kami. Kami membandingkan soundtrack klip dengan sampel voiceover asli sample demi sample: korelasi 0.99998 pada offset nol. Model mempertahankan file tersebut, bukan membuat tiruan dengan suara yang diubah.
- Wajahnya tetap sama. Frame pada detik 1, 3, dan 5 menunjukkan perempuan yang sama seperti di foto referensi (rambut, anting, kemeja linen hijau), kini berada di toko roti seperti yang diminta prompt, berbicara dengan gerakan mulut yang terlihat.
- Durasi mengikuti trek. Voiceover 7.3 detik dengan
duration: "7"menghasilkan klip berdurasi 7.33 detik, seperti yang diprediksi oleh aturan selisih kurang dari satu detik.
480p dalam mode Cost sudah memadai untuk pratinjau dan format media sosial berukuran kecil. Untuk hasil akhir, jalankan permintaan yang sama pada 768p setelah Anda puas dengan prompt-nya.
Tips dan batasan
- Kirim tepat satu file audio dengan
keep_audio; jika mengirim dua atau tiga file, permintaan akan ditolak dengan error yang jelas. - Jaga voiceover tetap berdurasi 15 detik atau kurang. Untuk skrip yang lebih panjang, bagi menjadi beberapa klip lalu gabungkan.
- Setiap gambar referensi dikenai biaya, termasuk
first_frame_urldanlast_frame_url. Satu potret yang bagus biasanya sudah cukup. - Jelaskan latar dan cara berbicara dalam prompt (“tenang, menjelaskan”, “tersenyum, energik”); kata-katanya berasal dari audio Anda.
- Gunakan hanya foto dan suara yang hak penggunaannya Anda miliki. Jangan meniru orang nyata tanpa persetujuan mereka.
Model video lainnya, termasuk opsi text-to-video dan image-to-video, tercantum di halaman model, dan image, video and voice melalui satu API menjelaskan alur job media secara umum. Referensi permintaan lengkap: dokumentasi media generation.
Manfaatnya
Klip berbicara yang dibuat dari foto diam dan voiceover siap pakai cocok untuk alur kerja apa pun yang kata-katanya sudah ditentukan dan wajahnya harus sama setiap kali:
- Pengumuman produk dan fitur. Rekam skrip berdurasi 10 detik sekali, lalu minta presenter Anda menyampaikannya di depan latar yang berbeda hanya dengan mengubah prompt.
- Intro kursus dan onboarding. Host yang konsisten untuk setiap pelajaran tanpa perlu memesan studio untuk setiap sesi.
- Versi lokal. Rekam atau sintesis voiceover dalam bahasa lain dan buat klip yang sesuai; bibir akan mengikuti audio baru.
- Klip singkat dukungan pelanggan. Klip singkat “begini cara melakukan X” ketika keakuratan kata-kata lebih penting daripada gerakan sinematik.
Ada dua hal yang bukan merupakan fungsi alat ini: alat avatar berdurasi panjang (setiap generasi maksimal 15 detik) dan cara untuk mengedit video yang sudah ada. Untuk mengubah tampilan footage yang sudah Anda miliki, lihat Kling 3.0 Omni Transformation.
FAQ
Bisakah saya membuat foto berbicara dengan suara rekaman saya sendiri?
Ya. Kirim foto dalam reference_image_urls, rekaman Anda sebagai satu-satunya item dalam reference_audio_urls, dan keep_audio: true. Rekaman tersebut menjadi soundtrack klip, dan bibir dibuat agar sesuai dengannya.
Apa yang terjadi tanpa keep_audio?
Audio hanya digunakan sebagai sampel untuk ditiru. File Anda tidak ada dalam output, dan ucapan dalam klip mungkin berbeda.
Berapa lama durasi klipnya?
5 hingga 15 detik per generasi. Audio referensi dibatasi hingga total 15 detik.
Berapa biaya klip berbicara?
Biayanya bergantung pada durasi, resolusi, mode, dan referensi yang Anda kirim. Dapatkan angka pasti dari endpoint gratis /api/media/price sebelum melakukan generate; klip mode Cost 480p berdurasi 7 detik dengan satu foto dan satu trek audio yang kami buat ditampilkan di atas. Tier terbaru tersedia di halaman model.
Apakah output memiliki watermark?
Kami tidak melihat watermark apa pun pada klip kami.