Geração de mídia

Geração assíncrona de mídia: imagens, vídeo, locução (TTS), conversão de fala em texto, música e 3D. Você cria uma tarefa e consulta o resultado. A lista completa de modelos está no catálogo de media-models; webhooks, erros e faturamento estão na seção de webhook.

A criação retorna 202 com { ok: true, jobId, status: "processing" }. Consulte GET /api/media/jobs/{jobId} até status: "success" e, em seguida, obtenha o 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"}

Além de model e prompt, você pode passar opções extras em opts. O conjunto depende do modelo. O contrato completo legível por máquina está disponível em GET /api/model-capabilities (ou em GET /api/model-capabilities/{model} para um modelo específico).

As opções de URL (image_url, input_urls, mask_url e as demais) são links que o provedor busca, portanto aceitam apenas endereços https:// públicos. Uma string data:image/...;base64,… inline em um desses campos é rejeitada com 400.

Para enviar seu próprio arquivo, use o campo *_base64 correspondente: o serviço armazena os bytes, publica o arquivo e repassa o link resultante ao provedor. Até 16 arquivos por solicitação em input_base64.

POST /api/media/generate e POST /api/media/price aceitam o mesmo corpo, então você pode fazer uma cotação e depois enviá-lo sem alterações. Não há outros campos de nível superior: um campo desconhecido é recusado em ambos os endpoints com 400 e o código unknown_field informando seu nome (field, fields), com ou sem strict. Os parâmetros de geração ficam dentro de opts.

Qualquer arquivo de origem pode ser enviado de três maneiras: como um link (image_url, audio_url, video_url…), como bytes inline (image_base64, audio_base64, video_base64…) ou como o id do seu próprio arquivo enviado por POST /v1/files. Os campos de id estão listados no requestJsonSchema de cada operação e são aceitos no modo estrito.

Para modelos cuja duração de saída segue a duração de uma faixa enviada — 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 as entradas) — /api/media/price e a verificação prévia de max_price_rub em /api/media/generate medem esse arquivo no servidor (link, URI data:, base64 ou *_file_id) e calculam o preço com base nos segundos medidos. A resposta inclui sourceSeconds (outputSeconds para lip-sync), e estimateReason informa que a duração foi medida. Se não for possível ler o arquivo, o preço mantém sua base anterior (um segundo, a estimativa do catálogo ou o máximo da rota), e estimateReason informa isso. A cobrança corresponde à taxa por segundo × os segundos efetivamente renderizados, nunca acima de max_price_rub. opts.duration nesses modelos é aceito e ignorado, com um aviso 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.

Alterador de voz e alinhamento forçado

Quando a confirmação de início do fornecedor não chega, o job permanece com status: "submitting", stage: "submission_unknown", errorCode: "media_submission_uncertain" e failure.advice: "reconcile_first" — continue consultando o mesmo jobId e não crie uma duplicata. Para testar esse caminho sem custo, envie POST /api/media/generate com uma chave de sandbox e o header x-pv-sandbox-outcome: submission_uncertain. A resposta é um 202 normal com um jobId; consultá-lo responde como um envio desconhecido por 60 segundos e, depois, como um job que nunca foi iniciado (failure.code: "submission_not_started", charged: false). Nada é armazenado, enviado a um fornecedor ou cobrado. Uma chave normal com esse header recebe 400 sandbox_outcome_requires_sandbox_key.

Mesmo endpoint do restante da geração: coloque o nome do modelo STT em model, deixe prompt como uma string vazia e passe a gravação em opts.audio_url. A transcrição chega em resultText em GET /api/media/jobs/{id}; resultUrls permanece vazio — a transcrição não produz nenhum arquivo.

# 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 áudio. Mais barato e mais rápido, 99 idiomas.
• nemotron-asr-multilingual — $0.00025 por minuto. ASR multilíngue da NVIDIA, com pontuação automática.
• whisper-large-v3 — $0.000563 por minuto. Whisper completo: mais lento que o turbo, mais preciso em áudio com ruído.
• universal-2 — $0.003125 por minuto.
• speech-to-text — $0.01 por minuto (ElevenLabs Scribe). Oferece diarização de locutores e tags de eventos de áudio.

Parâmetros

Formatos e limites

mp3, wav, m4a/mp4, flac, ogg/opus e webm são aceitos. O tamanho do arquivo é de 25 MB no máximo — aproximadamente 26 minutos de mp3 a 128 kbps ou várias horas de fala em opus. Qualquer arquivo maior é recusado imediatamente com uma mensagem explícita e não é cobrado; divida a gravação.

Para evitar o polling, registre um endereço mediaWebhookUrl no seu dashboard. Quando a tarefa for concluída (com sucesso ou erro), o serviço fará até cinco tentativas de entrega de um POST com um corpo 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"
}

A URL do resultado da geração (imagem, vídeo, áudio ou modelo 3D) de resultUrls. Use-a como retornada pelo serviço: ela abre sem uma chave de API e funciona em <img>, <video> ou em um navegador. O provedor fica oculto: o endereço upstream é resolvido no lado do servidor, e o cliente nunca o vê.

# 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