AI 模型发现
TypeSafe
Alibaba
Black Forest Labs
ByteDance
Google
Grok
Kling
Lightricks
MiniMax
OpenAI
PixVerse
Runway
SeeAPI
Vidu
模型发布时间线
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 视频生成，支持文本、图像、视频、音频、文档和网页参考。
Wan 3.0
Alibaba阿里巴巴 Wan 3.0 视频生成，支持文本、图像、视频、音频、文档和网页参考。
Gemini Omni Flash 1.1
GoogleGemini Omni Flash 1.1 video generation with image, video, audio, and character references.
Seedance 2.5
ByteDance字节跳动新一代视频生成模型，增强长叙事能力，并支持最多 50 个多模态参考素材
MiniMax H3
MiniMaxMiniMax H3（海螺 03）多模态原生音频视频生成，最高支持 2K 输出。
Seedance 2.0 Mini
ByteDance字节跳动高性价比 Seedance 2.0 视频模型，生成速度更快、推理成本更低
Seedance 2.0 Fast
ByteDance快速且实惠的多模态视频，支持文本、图像、视频和音频输入，最高可达 720p
Grok Imagine Video 1.5
GrokxAI Grok Imagine Video 1.5 图生视频生成
Wan 2.7
Alibaba阿里巴巴的 Wan 2.7 视频 API 支持全模态输入（文本、图像、视频、音频），提供四种模式（T2V、I2V、Reference2V、Edit），输出分辨率为 720P–1080P。
把画面与声音作为同一交付物规划
有声视频生成同时涉及视觉和音频输出。按场景目标筛选模型，并以 Endpoint 文档确认实际支持的设置。
先定义声音的作用
确定需要对白、环境声、音效还是它们的组合；让声音要求服务于画面与叙事。
核对音频输出设置
每个 Endpoint 的音频选项和限制可能不同。不要因模型类别而假设所有视频都会带声音。
一起审查画面和声音
检查音画是否匹配、声音是否清晰，以及最终片段是否符合应用的使用标准。
准备有声视频 API 请求
先确定交付目标，再阅读对应模型的公开契约。
写明场景与声音
分别说明画面动作和所需声音，避免把不同要求混在一句模糊描述中。
检查 Endpoint 设置
查看支持的音频字段、输出选项和任务检索方式。
审查完整结果
在已授权测试中检查整个片段的画面、声音和同步情况。
有声视频生成 API 常见问题
选择模型和规划音频输出的实用解答。
此分类描述带音频的视频输出。是否接受音频输入取决于具体 Endpoint；请以其公开文档为准。