Генерация медиа

Асинхронная генерация медиа: изображения, видео, озвучка (TTS), распознавание речи, музыка и 3D. Вы создаёте задачу и опрашиваете результат. Полный список моделей — в каталоге media-models; вебхуки, ошибки и биллинг описаны в разделе о вебхуках.

Создание возвращает 202 с { ok: true, jobId, status: "processing" }. Опрашивайте GET /api/media/jobs/{jobId} до status: "success", затем возьмите 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"}

Помимо model и prompt, дополнительные параметры можно передать в opts. Их набор зависит от модели. Полный машиночитаемый контракт доступен через GET /api/model-capabilities (или GET /api/model-capabilities/{model} для конкретной модели).

Параметры URL (image_url, input_urls, mask_url и остальные) — это ссылки, которые загружает провайдер, поэтому они принимают только публичные адреса https://. Встроенная строка data:image/...;base64,… в одном из этих полей отклоняется с 400.

Чтобы отправить собственный файл, используйте вместо этого соответствующее поле *_base64: сервис сохраняет байты, публикует их и передаёт провайдеру полученную ссылку. До 16 файлов на запрос в input_base64.

POST /api/media/generate и POST /api/media/price принимают одно и то же тело запроса, поэтому можно сначала запросить расчёт стоимости, а затем отправить его без изменений. Других полей верхнего уровня нет: неизвестное поле отклоняется на обоих эндпоинтах с 400 и кодом unknown_field, в котором оно названо (field, fields), с strict и без него. Параметры генерации передаются внутри opts.

Любой исходный файл можно отправить тремя способами: как ссылку (image_url, audio_url, video_url…), как встроенные байты (image_base64, audio_base64, video_base64…) или как id вашего собственного файла из POST /v1/files. Поля id перечислены в requestJsonSchema каждой операции и принимаются в строгом режиме.

Для моделей, длина вывода которых определяется загруженной дорожкой — 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 (оба входных файла), — /api/media/price и предварительная проверка max_price_rub в /api/media/generate измеряют длительность этого файла на стороне сервера (link, data: URI, base64 или *_file_id) и рассчитывают стоимость исходя из измеренного количества секунд. Ответ содержит sourceSeconds (для lip-sync — outputSeconds), а в estimateReason указывается, что длительность была измерена. Если файл невозможно прочитать, цена рассчитывается на основе прежнего критерия (одна секунда, оценка из каталога или максимальное значение маршрута), а в estimateReason это указывается. Сумма списания равна ставке за секунду × фактически отрендеренному количеству секунд и никогда не превышает max_price_rub. Параметр opts.duration для этих моделей принимается и игнорируется; возвращается предупреждение 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.

Замена голоса и принудительное выравнивание

Когда подтверждение старта от поставщика не приходит, задача остаётся в статусе: "submitting" со stage: "submission_unknown", errorCode: "media_submission_uncertain" и failure.advice: "reconcile_first" — продолжайте опрашивать тот же jobId и не создавайте дубликат. Чтобы проверить этот сценарий бесплатно, отправьте POST /api/media/generate с sandbox-ключом и заголовком x-pv-sandbox-outcome: submission_uncertain. Ответ будет обычным 202 с jobId; при опросе он 60 секунд отвечает как неизвестная отправка, а затем как задача, которая так и не запустилась (failure.code: "submission_not_started", charged: false). Ничего не сохраняется, не отправляется поставщику и не тарифицируется. Обычный ключ с этим заголовком получит 400 sandbox_outcome_requires_sandbox_key.

Тот же эндпоинт, что и для остальной генерации: укажите имя STT-модели в model, оставьте prompt пустой строкой и передайте запись в opts.audio_url. Транскрипт приходит в resultText при GET /api/media/jobs/{id}; resultUrls остаётся пустым — транскрипция не создаёт файл.

# 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}

Модели

• whisper-large-v3-turbo — $0.00025 за минуту аудио. Самый дешёвый и быстрый, 99 языков.
• nemotron-asr-multilingual — $0.00025 за минуту. Многоязычный ASR от NVIDIA, расставляет знаки препинания самостоятельно.
• whisper-large-v3 — $0.000563 за минуту. Полноценный Whisper: медленнее, чем turbo, но точнее на шумном аудио.
• universal-2 — $0.003125 за минуту.
• speech-to-text — $0.01 за минуту (ElevenLabs Scribe). Поддерживает диаризацию спикеров и теги аудиособытий.

Параметры

Форматы и ограничения

Принимаются mp3, wav, m4a/mp4, flac, ogg/opus и webm. Размер файла — не более 25 МБ, то есть примерно 26 минут mp3 на 128 кбит/с или несколько часов речи в opus. Всё, что больше, сразу отклоняется с явным сообщением и не тарифицируется; вместо этого разделите запись.

Чтобы избежать опроса, зарегистрируйте один адрес mediaWebhookUrl в панели управления. Когда задача завершается (успешно или с ошибкой), сервис делает до пяти попыток доставки POST с телом 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"
}

URL результата генерации (изображения, видео, аудио или 3D-модели) из resultUrls. Используйте его в том виде, в каком его вернул сервис: он открывается без API-ключа и работает в <img>, <video> или браузере. Провайдер скрыт: вышестоящий адрес определяется на стороне сервера, клиент его никогда не видит.

# 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