メディア生成

非同期メディア生成: 画像、動画、ボイスオーバー（TTS）、音声テキスト変換、音楽、3D。タスクを作成して結果をポーリングします。モデルの完全なリストは media-models catalog にあり、webhook、エラー、課金については webhook section を参照してください。

作成すると { ok: true, jobId, status: "processing" } を含む 202 が返されます。status: "success" になるまで GET /api/media/jobs/{jobId} をポーリングし、その後 resultUrls を取得します。

# 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とpromptに加えて、optsで追加のオプションを渡すことができます。そのセットはモデルによって異なります。完全な機械可読なコントラクトはGET /api/model-capabilities（特定のモデルの場合はGET /api/model-capabilities/{model}）で確認できます。

URLオプション（image_url、input_urls、mask_urlなど）はプロバイダーが取得するリンクであるため、公開されたhttps://アドレスのみを受け付けます。これらのフィールドのいずれかにインラインのdata:image/...;base64,…文字列を指定すると、400で拒否されます。

自分のファイルを送信するには、代わりに対応する*_base64フィールドを使用してください。サービスがバイトを保存し、公開して、結果のリンクをプロバイダーに渡します。1リクエストあたりinput_base64で最大16ファイルまでです。

POST /api/media/generate と POST /api/media/price は同じボディを受け付けるため、見積もりを取得してからそのまま送信できます。他のトップレベルフィールドはありません。未知のフィールドは、strict の有無にかかわらず、両方のエンドポイントで 400 と、そのフィールド名を示すコード unknown_field (field, fields) とともに拒否されます。生成パラメーターは opts 内に記述します。

任意のソースファイルは 3 つの方法で送信できます。リンクとして（image_url、audio_url、video_url…）、インラインバイトとして（image_base64、audio_base64、video_base64…）、または POST /v1/files で作成した自分のファイルの id として。id フィールドは各操作の requestJsonSchema に記載されており、strict モードでも受け付けられます。

出力長がアップロードされたトラックに従うモデル（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（両方の入力））では、/api/media/price と /api/media/generate の max_price_rub による事前チェックで、サーバー側でそのファイル（link、data: URI、base64、または *_file_id）の長さを測定し、測定した秒数に基づいて料金を計算します。レスポンスには sourceSeconds（リップシンクの場合は outputSeconds）が含まれ、estimateReason には長さが測定されたことが示されます。ファイルを読み取れない場合、料金の基準は従来どおり（1秒、カタログの推定値、またはルートの最大値）のままとなり、estimateReason にその旨が示されます。請求額は、1秒あたりの料金 × 実際にレンダリングされた秒数で計算され、max_price_rub を超えることはありません。これらのモデルでは opts.duration は受け付けられますが無視され、param_ignored 警告が返されます。

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.

ボイスチェンジャーと強制アラインメント

サプライヤーの開始確認が届かない場合、ジョブは status: "submitting"、stage: "submission_unknown"、errorCode: "media_submission_uncertain"、failure.advice: "reconcile_first" のままになります。同じ jobId をポーリングし続け、重複したジョブを作成しないでください。このパスを無料でテストするには、sandbox キーとヘッダー x-pv-sandbox-outcome: submission_uncertain を付けて POST /api/media/generate を送信します。応答は jobId を含む通常の 202 です。それをポーリングすると、60 秒間は unknown submit として応答し、その後は開始されなかったジョブ（failure.code: "submission_not_started"、charged: false）として応答します。何も保存されず、サプライヤーへ送信されることも、課金されることもありません。このヘッダーを通常のキーで使用すると 400 sandbox_outcome_requires_sandbox_key になります。

その他の生成と同じエンドポイントを使用します。model に STT モデル名を指定し、prompt は空文字列のままにして、opts.audio_url に録音を渡します。文字起こし結果は GET /api/media/jobs/{id} の resultText に格納され、resultUrls は空のままです。文字起こしではファイルは生成されません。

# 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}

モデル

• whisper-large-v3-turbo — 音声1分あたり $0.00025。最も安く最速で、99 言語に対応しています。
• nemotron-asr-multilingual — 1分あたり $0.00025。NVIDIA の多言語 ASR で、独自に句読点を付けます。
• whisper-large-v3 — 1分あたり $0.000563。完全な Whisper で、turbo より遅いものの、ノイズの多い音声ではより正確です。
• universal-2 — 1分あたり $0.003125。
• speech-to-text — 1分あたり $0.01（ElevenLabs Scribe）。話者ダイアリゼーションと音声イベントタグに対応しています。

パラメーター

フォーマットと制限

mp3、wav、m4a/mp4、flac、ogg/opus、webm を受け付けます。ファイルサイズは 最大 25 MB です — 128 kbps の mp3 でおよそ 26 分、opus の音声であれば数時間に相当します。それより大きいものは明示的なメッセージとともに即座に拒否され、課金されません。その場合は録音を分割してください。

ポーリングを避けるには、ダッシュボードで1つのアドレスmediaWebhookUrlを登録してください。タスクが完了すると（成功またはエラー）、サービスはJSONボディを含むPOSTの配信を最大5回試行します。

// 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"
}

resultUrls からの生成結果 URL（画像、動画、音声、3D モデル）です。サービスが返したとおりに使用してください。API キーなしで開くことができ、<img>、<video>、ブラウザーで動作します。プロバイダーは隠されています。上流のアドレスはサーバー側で解決され、クライアントには決して見えません。

# 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