写真からトーキング動画
写真から音声とトーキングアバターまでの本番パイプライン：ElevenLabs TTS、Kling Avatar、OmniHumanのリクエスト、見積もり、ジョブステータス、再試行、結果の保持。
写真から会話動画を作成するパイプライン: elevenlabs-v4-ttsで音声を作成し、その結果のURLをポートレート画像とともにkling-ai-avatarまたはomnihuman-v2（推奨のOmniHuman。omnihuman-v1.5も引き続き利用可能）に渡します。Authorization: Bearer $GETVIBE_API_KEYで認証します。各ステップの見積もりをPOST /api/media/priceで取得し、返された見積もりIDを使ってPOST /api/media/generateで作成します。ElevenLabsのエンジンはv4とturboで、どちらも最大5,000文字を受け付け、文字数に応じて料金が設定されます。アバターモデルは測定した秒数に応じて料金が設定されます。GET /api/media/jobs/{jobId}を成功するまでポーリングし、その後、返されたresultUrls[0]を次のステップに渡します。返されたURLを再利用し、resultsExpireAtを確認してください（完了後7日間）。失われた作成応答を再試行する場合は、同じIdempotency-Keyと本文を使用してください。送信が不確かな場合は、同じジョブのポーリングを続けてください。
Veo 3.1 のティアと USD 見積もり（FX 88 参考）
| パラメーター | タイプ | 説明 |
|---|---|---|
Lite — Google Veo 3.1 Lite preview | 720p $0.192857 · 1080p $0.225 · 4K $0.964286 | 4/6/8 秒。テキスト、最初/最後のフレーム、参照（参照には 8 秒が必要）。音声トラック：あり（完成した制作版 MP4 で AAC を確認済み） |
Fast — Google Veo 3.1 Fast | 720p $0.385714 · 1080p $0.417857 · 4K $1.157143 | 4/6/8 秒。テキスト、最初/最後のフレーム、参照（参照には 8 秒が必要）。音声トラック：あり（Veo 3.1 ファミリー） |
Quality — Google Veo 3.1 | 720p $1.607143 · 1080p $1.639286 · 4K $2.442857 | 4/6/8 秒。テキストと最初/最後のフレームのみ。音声トラック：あり（Veo 3.1 ファミリー） |
Google は Veo 3.1 をネイティブ音声付きの動画生成と説明しています。この API に音声のオン/オフ切り替えはありません。表示価格は、記載の参照為替レートにおける価格関数の見積もりです。現在のアカウント通貨と金額には POST /api/media/price を使用してください。SkyReels は image_url のポートレートと audio_url、または 1〜5 枚の reference_image_urls と音声を受け付けます。動画の長さは 3〜15 秒です。