腾讯云智能数智人视频制作接口-照片免训练

接口说明
无需训练，即可基于一个真人照片素材，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/phototovideonotrain
Header   Content-Type: application/json;charset=utf-8
请求参数
参数
类型
必须
说明
RefPhotoUrl
string
是
模板照片，格式支持 jpg、jpeg、png、bmp、webp。
1. 文件大小必须在10M内。
2. 图片单边分辨率要求在[192~4096]之间。
3. 图片宽高比在1:2到2:1范围内。
4. 需要有真人或类真人的卡通人脸，避免上传无人脸、人脸不完整、不清晰、偏转角度过大、嘴部被遮挡的图片。
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。
InputAudioUrl
string
否
驱动数智人的音频 URL，当 DriverType 为 OriginalVoice 时，该字段必填。
音频格式要求：
1、时长在【2，60】秒。
2、支持格式：wav、mp3、wma、m4a、aac、ogg。
3、文件大小：不超过20M。
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300字（文本驱动底层会转换为音频，如果时长超过60秒时任务会制作失败），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。
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。
VideoParam
object
否
定义输出视频的相关参数，不填时取各字段默认值。
VideoParam.EmotionLevel
int
否
输出视频的人物情绪强度：可选强度：1，2，3；默认值是2。越大音频控制强度越强，但可能导致不自然。
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
{  
  "Header": {},  
  "Payload": {   
    "RefPhotoUrl": "http://virtualhuman-cos-test-1251316161.cos.ap-nanjing.myqcloud.com/ref_photo.jpg",   
    "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
{  
   "Header": {},  
   "Payload": {   
     "RefPhotoUrl": "http://virtualhuman-cos-test-1251316161.cos.ap-nanjing.myqcloud.com/ref_photo.jpg",    
     "DriverType": "OriginalVoice",    
     "InputAudioUrl": "http://virtualhuman-cos-test-1251316161.cos.ap-nanjing.myqcloud.com/audio.mp3"  
    }
}
返回示例
{
    "Header": {
        "Code": 0,
        "DialogID": "",
        "Message": "",
        "RequestID": "fde854eaa981c7f2f7285d1c7eca335b",
        "SessionID": "gzb7dec22117297528294581119"
    },
    "Payload": {
        "TaskId": "81883d47c6154edf8e276531f09227b6"
    }
}
 
 

参数	类型	必须	说明
RefPhotoUrl	string	是	模板照片，格式支持 jpg、jpeg、png、bmp、webp。 1. 文件大小必须在10M内。 2. 图片单边分辨率要求在[192~4096]之间。 3. 图片宽高比在1:2到2:1范围内。 4. 需要有真人或类真人的卡通人脸，避免上传无人脸、人脸不完整、不清晰、偏转角度过大、嘴部被遮挡的图片。
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。
InputAudioUrl	string	否	驱动数智人的音频 URL，当 DriverType 为 OriginalVoice 时，该字段必填。音频格式要求： 1、时长在【2，60】秒。 2、支持格式：wav、mp3、wma、m4a、aac、ogg。 3、文件大小：不超过20M。
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300字（文本驱动底层会转换为音频，如果时长超过60秒时任务会制作失败），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。
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。
VideoParam	object	否	定义输出视频的相关参数，不填时取各字段默认值。
VideoParam.EmotionLevel	int	否	输出视频的人物情绪强度：可选强度：1，2，3；默认值是2。越大音频控制强度越强，但可能导致不自然。

视频制作接口-照片免训练

本页目录：

接口说明

调用协议

请求参数

返回参数

请求示例

返回示例