AI 模型探索
TypeSafe
Alibaba
Black Forest Labs
ByteDance
Google
Grok
Kling
Lightricks
MiniMax
OpenAI
PixVerse
Runway
SeeAPI
Vidu
模型發布時間軸
Vidu Q4
ViduVidu Q4 preview video generation with image or multi-reference guidance, audio, up to 16 seconds, and up to 4K output.
Wan 3.0 Prime
Alibaba阿里巴巴 Wan 3.0 Prime 影片生成，支援文字、圖片、影片、音訊、文件和網頁參考。
Wan 3.0
Alibaba阿里巴巴 Wan 3.0 影片生成，支援文字、圖片、影片、音訊、文件和網頁參考。
Gemini Omni Flash 1.1
GoogleGemini Omni Flash 1.1 video generation with image, video, audio, and character references.
Seedance 2.5
ByteDance字節跳動新一代影片生成模型，強化長篇敘事能力，並支援最多 50 個多模態參考素材
MiniMax H3
MiniMaxMiniMax H3（海螺 03）多模態原生音訊影片生成，最高支援 2K 輸出。
Seedance 2.0 Mini
ByteDance字節跳動高性價比 Seedance 2.0 影片模型，生成速度更快、推理成本更低
Seedance 2.0 Fast
ByteDance快速且實惠的多模態影片，支援文字、圖片、影片與音訊輸入，最高 720p
Grok Imagine Video 1.5
GrokxAI Grok Imagine Video 1.5 圖生影片生成
Wan 2.7
Alibaba阿里巴巴的 Wan 2.7 影片 API 支援全模態輸入（文字、圖片、影片、音訊），提供四種模式（T2V、I2V、Reference2V、Edit），可輸出 720P 至 1080P 的內容。
把畫面與聲音作為同一交付物規劃
有聲影片生成同時涉及視覺和音訊輸出。按場景目標篩選模型，並以 Endpoint 文件確認實際支援的設定。
先定義聲音的作用
確定需要對白、環境聲、音效還是它們的組合；讓聲音要求服務於畫面與敘事。
核對音訊輸出設定
每個 Endpoint 的音訊選項和限制可能不同。不要因模型類別而假設所有影片都會帶聲音。
一起審查畫面和聲音
檢查音畫是否匹配、聲音是否清晰，以及最終片段是否符合應用的使用標準。
準備有聲影片 API 請求
先確定交付目標，再閱讀對應模型的公開契約。
寫明場景與聲音
分別說明畫面動作和所需聲音，避免把不同要求混在一句模糊描述中。
檢查 Endpoint 設定
檢視支援的音訊欄位、輸出選項和任務檢索方式。
審查完整結果
在已授權測試中檢查整個片段的畫面、聲音和同步情況。
有聲影片生成 API 常見問題
選擇模型和規劃音訊輸出的實用解答。
此分類描述帶音訊的影片輸出。是否接受音訊輸入取決於具體 Endpoint；請以其公開文件為準。