Wan 2.2 A14B Turbo 语音转视频

接口

POST /audio/generations

完整 URL: https://modelfold.ai/v1/audio/generations

鉴权：所有请求都需要 Authorization: Bearer <API_KEY> 请求头。

模型参数直接放在 JSON 请求体中，不要套 input。请求等待生成完成后返回 data[].url；支持的媒体模型也可使用 异步创建、轮询及回调。示例素材地址须替换为自己的公开可访问文件。计费及错误说明见 API 网关。

生成任务的输入参数

请求参数

请求体 (application/json)

参数	类型	必填	说明
model	string	是	用于生成任务的模型名称。必填字段。 - 该接口必须使用 wan/2-2-a14b-speech-to-video-turbo 模型 默认值："wan/2-2-a14b-speech-to-video-turbo"。 可选值：wan/2-2-a14b-speech-to-video-turbo。 示例：wan/2-2-a14b-speech-to-video-turbo。
prompt	string	是	用于视频生成的文本提示词（最大长度：5000 字符） maxLength: 5000. 示例：这位女士正在说话。
image_url	string	是	输入图像的 URL。（需为上传后的文件 URL，而非文件内容；支持的格式：image/jpeg、image/png、image/webp；最大文件大小：10.0MB） 示例：https://file.aiquickdraw.com/custom-page/akr/section-images/1756797663082u4pjmcrq.png。
audio_url	string	是	音频文件的 URL（需为上传后的文件 URL，而非文件内容；支持的格式：audio/mp3、audio/wav、audio/ogg、audio/m4a、audio/flac、audio/aac、audio/x-ms-wma、audio/mpeg；最大文件大小：10.0MB） 示例：https://file.aiquickdraw.com/custom-page/akr/section-images/17567977044127d1emlmc.mp3。
num_frames	number	否	待生成的视频帧数。取值范围为 40 至 120，且必须为 4 的倍数（最小值：40，最大值：120，步长：4） 默认值：80。 minimum: 40. maximum: 120. 示例：80。
frames_per_second	number	否	生成视频的帧率。取值范围为 4 至 60。（最小值：4，最大值：60，步长：1） 默认值：16。 minimum: 4. maximum: 60. 示例：16。
resolution	string	否	生成视频的分辨率（可选值：480p、580p、720p） 默认值："480p"。 可选值：480p / 580p / 720p。 示例：480p。
negative_prompt	string	否	视频生成的反向提示词（最大长度：500 字符） maxLength: 500. 示例：``。
seed	integer	否	可选，不传则随机。
num_inference_steps	number	否	采样推理步数。数值越高，生成质量越好，但耗时越长（最小值：2，最大值：40，步长：1） 默认值：27。 minimum: 2. maximum: 40. 示例：27。
guidance_scale	number	否	无分类器引导系数。数值越高，生成内容与提示词的贴合度越好，但可能降低整体质量（最小值：1，最大值：10，步长：0.1） 默认值：3.5。 minimum: 1. maximum: 10. 示例：3.5。
shift	number	否	视频的偏移值。取值范围为 1.0 至 10.0（最小值：1，最大值：10，步长：0.1） 默认值：5。 minimum: 1. maximum: 10. 示例：5。
nsfw_checker	boolean	否	默认 false。为 false 时不额外进行内容过滤，结果由模型直接返回。

请求示例

curl -X POST "https://modelfold.ai/v1/audio/generations" \
  -H "Authorization: Bearer $MODELFOLD_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "wan/2-2-a14b-speech-to-video-turbo",
  "prompt": "这位女士正在说话",
  "image_url": "https://file.aiquickdraw.com/custom-page/akr/section-images/1756797663082u4pjmcrq.png",
  "audio_url": "https://file.aiquickdraw.com/custom-page/akr/section-images/17567977044127d1emlmc.mp3",
  "num_frames": 80,
  "frames_per_second": 16,
  "resolution": "480p",
  "num_inference_steps": 27,
  "guidance_scale": 3.5,
  "shift": 5
}'

{
  "model": "wan/2-2-a14b-speech-to-video-turbo",
  "prompt": "这位女士正在说话",
  "image_url": "https://file.aiquickdraw.com/custom-page/akr/section-images/1756797663082u4pjmcrq.png",
  "audio_url": "https://file.aiquickdraw.com/custom-page/akr/section-images/17567977044127d1emlmc.mp3",
  "num_frames": 80,
  "frames_per_second": 16,
  "resolution": "480p",
  "num_inference_steps": 27,
  "guidance_scale": 3.5,
  "shift": 5
}

响应

200 — 生成完成。usage 返回实际计费明细；结果地址仅作结构示例。

{
  "ok": true,
  "created": 1792134000,
  "data": [
    {
      "url": "https://modelfold.ai/uploads/outputs/result.mp3"
    }
  ],
  "usage": {}
}