文档反馈官招募中，报名立赚积分兑换代金券！> HOT
文档中心>腾讯云智能数智人>播报服务>视频生成服务 API 文档>视频制作接口-视频免训练

视频制作接口-视频免训练

最近更新时间：2026-06-09 18:00:06

我的收藏

本页目录：

接口说明

无需训练，即可基于一段真人视频素材，通过输入文本或音频，生成人物说话口型与输入内容相匹配的新视频。
通过 音视频制作进度查询接口 最终返回成品视频。目前音视频资源只保留7天，请尽快下载。

调用协议

HTTPS + JSON
POST /v2/ivh/videomaker/broadcastservice/videomakenotrain
Header Content-Type: application/json;charset=utf-8

请求参数

参数
类型
必须
说明
RefVideoUrl
string
是
模板视频 URL，该字段必填。
1. 支持封装格式：mp4、mov、avi
注意：
视频本身要求编码格式为 H.264 格式，若不是，可通过下述方法转换。请参见 编码格式转换。
2. 文件大小：不超过5G。
3. 视频分辨率：单边像素要求在360 - 4096之间。
4. 视频时长：时长不超过20分钟，不少于1秒。
5. 请保证文件的下载速度，否则会下载失败或导致视频制作实时率下降。
对于输入视频素材的规范性要求：
1. 人脸画面：要求真人出镜（如果是卡通人物，需要人物五官和真人比例相近），画面中的人脸说话时，建议正对镜头，水平转动不超过45度，俯仰不超过15度；人脸尽量不遮挡，面部光线稳定。
2. 说话音频：对音频无限制。
对于输出视频的说明：
1. 输出格式：mp4
2. 输出分辨率：最大支持输出单边4096，即 4K 视频。
2.1 当 ConcurrencyType 为 Shared 时，支持最大输出2560*1440。当输入视频分辨率<=2560*1440时，输出分辨率和输入视频一致。
2.2 当 ConcurrencyType 为 Exclusive 时，支持最大输出4096*4096。当输入视频分辨率<=4096*4096时，输出分辨率和输入视频一致。（4K 视频是 2K 视频合成实时率的2倍）
DriverType
string
是
驱动类型，该字段必填。
1. Text：文本驱动，要求 InputSsml 字段必填。
2. OriginalVoice：原声音频驱动，要求 InputAudioUrl 字段必填。
IdentityWrittenUrl
string
否
PDF 格式授权书，格式为 PDF，文件大小小于10M。
IdentityVideoUrl
string
否
视频格式授权书，格式为 mp4，文件大小小于5G。
InputAudioUrl
string
否
驱动数智人的音频 URL，当 DriverType 为 OriginalVoice 时，该字段必填。
1. 支持格式：wav、mp3、wma、m4a、aac、ogg
2. 时长不超过20分钟，不少于1秒。
3. 大小要求：不超过100MB
4. 请保证文件的下载速度，否则会下载失败或导致视频制作实时率下降。
InputSsml
string
否
播报文本内容，支持 SSML 标签，支持的标签类型参照 数智人 SSML 标记语言规范，标签写法参照示例，内容不能换行，符号需转义。上限2000字，不少于4个字（字数按 unicode 字符数计算）。DriverType 为空或 Text 时，该字段必填。
SpeechParam
object
否
定义音频的详细参数。DriverType 为 Text 时，该字段必填。
SpeechParam.Speed
float
否
语速（1.0为正常语速，范围[0.5-1.5]，值为0.5时播报语速最慢，值为1.5时播报语速最快， DriverType 为音频驱动类型时，语速控制不生效），DriverType 为 Text 时，该字段必填。
SpeechParam.TimbreKey
string
否
音色 key，DriverType 为 Text 时，该字段必填。
SpeechParam.Volume
int
否
音量大小，范围[0，10]，对应音量大小。默认为0，代表正常音量，值越大音量越高。
说明：
TimbreKey 在 male_1-20、female_1-23（即男声1-20、女声1-23）间的音色不支持音量调节。
SpeechParam.EmotionCategory
string
否
控制合成音频的情感，仅支持多情感音色使用，可选值参考个人资产管理 API 分页查询音色列表接口。
SpeechParam.EmotionIntensity
int
否
控制合成音频情感程度，取值范围为 [50,200]，只有 EmotionCategory 不为空时生效。
SpeechParam.TimbreLanguage
string
否
音色语种，可选语种参考个人资产管理 API 分页查询音色列表 接口，多语种音色在合成时必须选择对应语种。
ConcurrencyType
string
否
视频制作任务使用的资源类型。
1. Exclusive：使用并发调用，不扣除小时包，需要购买并发，如果没有购买，任务提交失败。
2. Shared：调用会扣除小时包，需要购买小时包，如果没有购买，任务提交失败。
3. 不填：如果购买了并发或者并发和小时包都购买则为“Exclusive”，如果没有购买并发但购买了小时包则为“Shared”，如果都没有购买，任务提交失败。
VideoLoop
int
否
当音频时长大于视频时长时，生成的视频会对齐音频时长。以下是两种对齐方式：
0：反向拼接、1：正向拼接 。默认 0。
VideoParametersConsistent
int
否
视频输出标准（码率与帧率）对齐选项，默认0 。
​​0​​：不强制对齐输入视频格式。
​​1​​：对齐输入视频格式。
参数说明：
​​一、选择“0”时
1. ​​码率​​：
默认采用 ​​CRF=17​​ 的编码方式，编码器会根据视频内容复杂度动态调整输出码率，确保质量稳定。
2. ​​帧率​​：
默认输出帧率为 ​​25fps​​。
​​二、选择“1”时
1. ​​码率处理规则​​：
输入码率 ​​< 1000kbps​​ → 输出码率调整为 ​​1000kbps​​。
输入码率 ​​> 9000kbps​​ → 输出码率调整为 ​​9000kbps​​。
输入码率在 ​​[1000kbps, 9000kbps]​​ 范围内 → 输出码率与输入一致。​​
2. 帧率处理规则​​：
输入帧率 ​​< 15fps​​ → 输出帧率调整为 ​​15fps​​。
输入帧率 ​​> 60fps​​ → 输出帧率调整为 ​​60fps​​。
输入帧率在 ​​[15fps, 60fps]​​ 范围内 → 输出帧率与输入一致。
CallbackUrl
string
否
当用户增加回调 URL 时，将把视频制作结果以固定格式发送 POST 请求到该 URL 地址，固定格式见 附录二： 回调请求体格式，需注意：
1. 限制 CallbackUrl 长度小于1000。
2. 只发送一次请求，无论是哪种问题导致的请求失败，都不会再进行发送。
VideoStorageS3Url
string
否
可传入含鉴权 S3 协议存储 URL，视频成品会上传至该 URL。
VideoParam
object
否
定义合成视频的详细参数。
VideoParam.RefPhotoUrl
string
否
当“人脸 ID 追踪开关”开启时，该字段生效。
用户上传的人脸参考图 URL。
输入视频中包含多张人脸时，VideoMakeNoTrain 视频生成 API 仅能选择一张人脸作为目标替换其口型，实现口型与音频相匹配的效果。此参数用来指定以哪个人物作为目标。
若不输入人脸参考图，默认将选择视频中第一个有人脸的画面中，人脸占比最大的人物为目标。
图像文件要求：
1. 文件大小：文件≤10MB
2. 图像大小：单边分辨率要求在[192~4096]
3. 格式支持 jpg、jpeg、png、bmp、webp
4. 内容：需包含一张清晰的人物正脸，且为视频中出现的人物。
VideoParam.RefPhotoUrls
string[]
否
当“人脸 ID 追踪开关”开启时，该字段生效。
用户上传的多张人脸参考图 URL 数组，用于辅助定位目标人脸。
适用场景：
当输入视频中包含多张人脸，或单张参考图不足以唯一确定目标人脸时（如动漫场景中人物脸型相似度较高），可通过提供多张不同角度、表情或光照条件下的人脸图像（如人物三视图），提升人脸识别的准确性与鲁棒性。系统将综合多张图像提取的人脸特征，与视频中的人脸进行匹配，最终选定目标人脸进行口型替换。
与 RefPhotoUrl 的关系：
若同时传入 RefPhotoUrl 与 RefPhotoUrls，以 RefPhotoUrls 为准，RefPhotoUrl 将被忽略。若两者均未传入，默认将选择视频中第一个有人脸的画面中，人脸占比最大的人物为目标。
图像文件要求（每张图片）：
1. 文件大小：单张文件 ≤ 10MB
2. 图像大小：单边分辨率要求在 [192, 4096]
3. 格式支持 jpg、jpeg、png、bmp、webp
4. 内容：需包含清晰的人物正脸或不同角度的人脸，且均为视频中出现的人物。
使用建议：
建议提供 2～5 张不同姿态的图片以获得更优匹配效果，最多支持同时上传 10 张图片。搭配 FaceMatchMode 设为 Strict（严格匹配模式）可进一步提升定位精度。
VideoParam.DisableIdDetect
int
否
人脸 ID 追踪开关。默认0。
0：开启人脸 ID 追踪。开启后，可以通过人脸 ID 参数（VideoParam.RefPhotoUrl）指定人脸 ID 进行驱动（如果不指定就以识别到的第一个有效人脸 ID 为主）。
1：关闭人脸 ID 追踪。关闭后，人脸 ID 参数（VideoParam.RefPhotoUrl）无效，识别出人脸 ID 均会驱动（如同一帧画面中出现多张人脸，最大的人脸会作为有效人脸 ID）。
VideoParam.DisableOcclusionDetect
int
否
遮挡检测开关。默认0。
0：开启遮挡检测。开启后，当嘴部有遮挡时，不会驱动口型。
1：关闭遮挡检测。关闭后，当嘴部有遮挡时，也会驱动口型。
VideoParam.EnableFakeTeeth
int
否
假牙处理开关。默认0。
0：关闭假牙处理。关闭后，最终合成的视频里的牙齿，会学习原视频里的牙齿特征。
1：开启假牙处理。开启后，最终合成的视频里的牙齿会重新生成，不会参考原视频的牙齿特征。
VideoParam.EnableMusicMode
int
否
唱歌口型模式（适用于输入音频是歌曲的场景）开关。默认 0。
0：关闭唱歌口型模式，使用口播模式。
1：开启唱歌口型模式。
VideoParam.MakeType
string
否
视频定制类型。
Default：默认配置，视频片段默认会从原视频第0秒开始，StartTime 和 EndTime 均不生效
Custom：指定视频片段，可以填写 StartTime 和 EndTime 来选择片段（需要大于1s），默认生成的视频用该“指定的视频片段”进行正倒放循环。
Circle：首尾帧归位，可以填写 StartTime 来指定视频开始时间（EndTime 不生效），并且此时 VideoLoop 参数不生效。
CustomOnlyStart：通过 StartTime 指定视频起始时间，EndTime 不生效，此时 VideoLoop 参数不生效，默认为反向拼接。
VideoParam.MouthMode
string
否
口型模式，控制视频中人物的口型幅度，默认值为 Soft。
Soft：柔和口型 (默认)。口型效果柔和自然。
Exaggerated：夸张口型。口型幅度更大，适用于欧美风格表达或需要强化口型表现力的视频场景。
VideoParam.StartTime
float
否
起始时间，单位秒（有效数字为小数点后3位），当 MakeType 为 Custom 或 Circle 时生效，当填写的时候，默认生成的视频从该位置开始；不填的时候，默认选取视频开始时间。
VideoParam.EndTime
float
否
结束时间，单位秒（有效数字为小数点后3位），当 MakeType 为 Custom 时生效，当填写的时候，默认结束的视频到该位置结束；不填的时候，默认选取该“选中的全部视频片段”的结束时间
VideoParam.DisableIntervals
Array of [DisableInterval]
否
定义视频中不驱动时间片段列表（目前最大支持5个时间片段），列表需按照时间顺序递增，否则任务提交失败。
例如：[[1,2],[3,4],[5,6]] 表明原视频的1s～2s、3s～4s、5s～6s不做口型驱动。
VideoParam.FaceMatchMode
string
否
人脸匹配模式，当"人脸 ID 追踪开关"开启且传入 RefPhotoUrl 或 RefPhotoUrls 时生效。默认值为 Loose。
Strict：严格匹配模式。要求参考照片与视频中人脸高度相似，适用于需要精确锁定特定人物的场景。推荐在以下情况使用： 视频中存在多个相似人脸（如动漫角色）、或需要配合多张参考图（RefPhotoUrls）精准定位目标人脸时。
Loose：宽松匹配模式（默认）。允许参考照片与视频中人脸存在一定差异，适用于参考照片角度、光线与视频不一致的情况，容错性更高。
MultiSpeakerParam
object
否
多人同屏对话参数。MultiSpeakerParam 非空，且 Speakers 与 NarrationSegments 至少一个非空时，进入多人模式，否则按单人模式处理。模式下其他字段的填写要求详见下方 多人同屏对话模式 章节。

DisableInterval

参数
类型
必须
说明
StartTime
float
否
不驱动片段起始时间，单位秒，（有效数字为小数点后3位）
EndTime
float
否
不驱动片段结束时间，单位秒，（有效数字为小数点后3位）

多人同屏对话模式

本节描述传入 MultiSpeakerParam 后进入的多人同屏对话模式。模式定位：在同一参考视频中为多个出场人物分别指定人脸图片、各自台词音频以及每个音频对应视频哪些时间区间，实现多人对话。

1. 模式生效条件

MultiSpeakerParam.Speakers 或 MultiSpeakerParam.NarrationSegments 至少一个非空。两者均为空时等价于未传入，仍按单人模式处理。

2. MultiSpeakerParam 字段说明

MultiSpeakerParam

参数
类型
必须
说明
Speakers
Array of Speaker
否¹
说话人列表，最多3个。
NarrationSegments
Array of AudioSegment
否¹
旁白片段列表，区间内不驱动人脸。
SilentMouthMode
string
否
静默嘴型模式，控制视频中对于指定 Speaker 未被 AudioSegments 覆盖的时间段内人物的嘴型表现，不传或传空字符串时按默认值 ForceClosed 处理。
ForceClosed：强制闭嘴。静默时段人物嘴型保持闭合状态。
KeepOriginal：保留原视频。静默时段不替换口型，保留原视频的人物嘴型。
注意：
否¹：Speakers 与 NarrationSegments 不能同时为空。

Speaker

参数
类型
必须
说明
IdPhotoUrl
string
是
说话人人脸图参考图 URL，要求同 RefPhotoUrl
AudioSegments
Array of AudioSegment
是
该说话人音频片段列表，同一 Speaker 最多 10 段，总片段数最多30段（含旁白片段数）

AudioSegment

参数
类型
必须
说明
AudioUrl
string
是
音频文件 URL，要求同 InputAudioUrl（格式、时长、大小限制一致）
StartTime
float
是
片段起始时间，单位秒（有效数字为小数点后3位）
EndTime
float
是
片段结束时间，单位秒（有效数字为小数点后3位），需小于或者等于参考视频时长
说明：
同一 Speaker 的 AudioSegments 内部需按时间递增。

3. 模式下其他字段的填写要求

字段

多人同屏对话模式下的要求
DriverType
必须为 OriginalVoice
InputAudioUrl
必须为空（驱动音频由 Speakers[*].AudioSegments 提供）
InputSsml
必须为空
SpeechParam
必须为空
VideoParam.RefPhotoUrl
必须为空（目标人脸由 Speakers[*].IdPhotoUrl 指定）
VideoParam.RefPhotoUrls
必须为空
VideoParam.DisableIdDetect
必须为 0（开启人脸 ID 追踪）
VideoParam.MakeType
必须为 Default
VideoParam.StartTime
必须为 0
VideoParam.EndTime
必须为 0
上表未列出的字段（如 ConcurrencyType、CallbackUrl、VideoStorageS3Url、VideoLoop、VideoParametersConsistent、VideoParam.DisableOcclusionDetect、VideoParam.EnableFakeTeeth、VideoParam.MouthMode、VideoParam.FaceMatchMode 等）保持与单人模式相同的语义和默认行为。

返回参数

参数
类型
必须
说明
TaskId
string
是
视频制作的任务 ID，携带 TaskId 访问 音视频制作进度查询接口，可获得制作进度和制作结果

请求示例

文本驱动（单人模式）
{
    "Header": {},
    "Payload": {
        "RefVideoUrl": "http://virtualhuman-cos-test-1251316161.cos.ap-nanjing.myqcloud.com/ref_video.mp4",
        "DriverType": "Text",
        "InputSsml": "你好，我是虚拟<phoneme alphabet=\\"py\\" ph=\\"fu4\\">主</phoneme>播",
        "SpeechParam": {
            "TimbreKey": "female_1",
            "Volume": 1,
            "Speed": 1.0
        }
    }
}
音频驱动（单人模式）
{
    "Header": {},
    "Payload": {
        "RefVideoUrl": "http://virtualhuman-cos-test-1251316161.cos.ap-nanjing.myqcloud.com/ref_video.mp4",
        "DriverType": "OriginalVoice",
        "InputAudioUrl": "http://virtualhuman-cos-test-1251316161.cos.ap-nanjing.myqcloud.com/audio.mp3"
    }
}
多人模式

{
    "Header": {},
    "Payload": {
        "RefVideoUrl": "https://xxx.com/two_persons.mp4",
        "DriverType": "OriginalVoice",
        "MultiSpeakerParam": {
            "Speakers": [
                {
                    "IdPhotoUrl": "https://xxx.com/person_a.jpg",
                    "AudioSegments": [
                        { "AudioUrl": "https://xxx.com/a_1.wav", "StartTime": 0.0, "EndTime": 3.5 },
                        { "AudioUrl": "https://xxx.com/a_2.wav", "StartTime": 8.0, "EndTime": 11.2 }
                    ]
                },
                {
                    "IdPhotoUrl": "https://xxx.com/person_b.jpg",
                    "AudioSegments": [
                        { "AudioUrl": "https://xxx.com/b_1.wav", "StartTime": 4.0, "EndTime": 7.5 }
                    ]
                }
            ],
            "NarrationSegments": [
                { "AudioUrl": "https://xxx.com/narration.wav", "StartTime": 12.0, "EndTime": 15.0 }
            ]
        }
    }
}


返回示例

成功
{
    "Header": {
        "Code": 0,
        "DialogID": "",
        "Message": "",
        "RequestID": "fde854eaa981c7f2f7285d1c7eca335b",
        "SessionID": "gzb7dec22117297528294581119"
    },
    "Payload": {
        "TaskId": "81883d47c6154edf8e276531f09227b6"
    }
}
失败
{
    "Header": {
        "RequestID": "d99cf740be48d7b0fb1eee4447b71781",
        "SessionID": "gz6240ef0317651792698007383",
        "DialogID": "",
        "Code": 100001,
        "Message": "InvalidParameter:请求参数错误:  Speed value invalid，ranges:0.5-1.5"
    }
}

编码格式转换小教程

该教程专用于将视频转成 H.264 编码格式，主要原理为：通过 FFmpeg 实现转换。

第一步：安装 FFmpeg

Windows 系统：
从 FFmpeg 官网下载 Windows 版本的压缩包。
macOS 系统：
可以使用 Homebrew 进行安装，命令为 brew install ffmpeg。
Linux 系统：
Ubuntu/Debian 系统使用命令 sudo apt-get install ffmpeg。
Fedora 系统使用命令 sudo dnf install ffmpeg。

第二步：转换

1. 准备好两个路径：转换前视频路径和转换后视频路径，然后在“终端”中输入以下指令。
ffmpeg -i 转换前视频路径 -c:v libx264 -preset medium -crf 23 -c:a aac -b:a 128k 转换后视频路径
例如：
转换前视频路径为：“/Users/xxxx/Downloads/picture/video/视频名.mov”
转换后视频路径为：“/Users/xxxx/Downloads/picture/video/转换后视频名.mp4”
2. 则终端输入指令为：
ffmpeg -i "/Users/xxxx/Downloads/picture/video/视频名.mov" -c:v libx264 -preset medium -crf 23 -c:a aac -b:a 128k "/Users/xxxx/Downloads/picture/video/转换后视频名.mp4"
注意：
Windows 系统需要通过 cd 切换目录到压缩包 .exe 所在的文件夹后，再执行指令。

第三步：验证

验证是否为 H.264：在上一步指定路径下获取已转换的视频后，可借助系统自带播放器或第三方 VLC 等软件检查。

中国站