照片转会说话视频
从照片生成语音和会说话头像的生产流程：ElevenLabs TTS、Kling Avatar 和 OmniHuman 请求、报价、任务状态、重试及结果保留。
照片转会说话视频流程：使用 elevenlabs-v4-tts 生成语音，将其结果 URL 与肖像一起传递给 kling-ai-avatar 或 omnihuman-v2（推荐使用 OmniHuman；omnihuman-v1.5 仍可用）。使用 Authorization: Bearer $GETVIBE_API_KEY 进行身份验证。使用 POST /api/media/price 为每一步获取报价，然后使用 POST /api/media/generate 和返回的报价 id 创建任务。ElevenLabs 引擎为 v4 和 turbo，两者最多接受 5,000 个字符并按字符计价；头像模型按测得的秒数计价。轮询 GET /api/media/jobs/{jobId} 直到成功，然后将 resultUrls[0] 传入下一步。复用返回的 URL，并检查 resultsExpireAt（完成后 7 天内有效）。重试丢失的创建响应时，使用相同的 Idempotency-Key 和请求正文；提交状态不确定时，继续轮询同一个任务。
Veo 3.1 层级和 USD 报价（FX 88 参考值）
| 参数 | 类型 | 描述 |
|---|---|---|
Lite — Google Veo 3.1 Lite preview | 720p $0.192857 · 1080p $0.225 · 4K $0.964286 | 4/6/8 秒；支持文本、首帧/尾帧和参考图（参考图要求 8 秒）；音轨：支持（已在已完成的生产 MP4 中验证 AAC） |
Fast — Google Veo 3.1 Fast | 720p $0.385714 · 1080p $0.417857 · 4K $1.157143 | 4/6/8 秒；支持文本、首帧/尾帧和参考图（参考图要求 8 秒）；音轨：支持（Veo 3.1 系列） |
Quality — Google Veo 3.1 | 720p $1.607143 · 1080p $1.639286 · 4K $2.442857 | 4/6/8 秒；仅支持文本和首帧/尾帧；音轨：支持（Veo 3.1 系列） |
Google 将 Veo 3.1 描述为带原生音频的视频生成模型。此 API 没有音频开关。显示的价格是在所述参考 FX 下的价格函数报价；使用 POST /api/media/price 获取当前账户的货币和金额。SkyReels 接受 image_url 中的肖像以及 audio_url，或 1–5 个 reference_image_urls 以及音频；视频时长为 3–15 秒。