model: ai-talking-avatar を使ってリップシンク付きトーキング動画に変換します。GoEnhance API の非同期タスクを送信し、返された img_uuid を保存してから、完了までポーリングするかコールバックを使用します。リップシンク動画向け AI Talking Avatar API
1 枚のポートレートと 1 つの音声トラックを、
API キーを取得
1 つのリクエストでポートレートと音声入力を接続します。
まず鮮明なポートレートを用意します。
公開されている image_url を 10MB 以下で指定します。話者の顔がはっきり見え、遮蔽されておらず、ほぼ正面を向いていることが、信頼できるソース画像に必要です。
録音したオーディオで発話を駆動します。
公開されている audio_url を 3 秒から 60 秒、最大 50MB で指定します。計測された再生時間が、出力の長さと課金時間の両方を決定します。
送信前に、正確なモデル名、メディア URL、ファイルサイズ、音声の長さ、解像度を検証します。
AI Talking Avatar API の機能と制限
正確なモデル識別子
<code>model</code> を <code>ai-talking-avatar</code> に設定します。この必須値によって、トーキングアバターのワークフローが選択されます。
必須のポートレート URL
<code>image_url</code> に、顔がはっきり見えて遮蔽物のない、10MB 以下の公開ポートレート URI を指定します。
必須の音声 URL
<code>audio_url</code> に、3〜60 秒、50MB 以下の公開発話音声を指定します。
オプションのパフォーマンスプロンプト
<code>prompt</code> を使用して、希望する発話パフォーマンスを記述します。ドキュメント上のデフォルトは <code>person talking</code> です。
2 つの解像度オプション
<code>540p</code> または <code>720p</code> を選択します。ドキュメント上のデフォルトは <code>540p</code> です。
コールバックまたはポーリング
HTTPS コールバックを指定するか、<code>img_uuid</code> を保存して、完了までジョブ詳細エンドポイントをポーリングします。
料金は計測された音声の長さに基づきます。30 秒のクリップは、540p では 15 トークン、720p では 30 トークンです。
AI Talking Avatar API の料金
540p の料金
音声 1 秒あたり 0.5 トークン。ドキュメント記載のトークン価値 $0.02 で、1 秒あたり $0.01 に相当します。
720p の料金
音声 1 秒あたり 1 トークン。ドキュメント記載のトークン価値 $0.02 で、1 秒あたり $0.02 に相当します。
計測音声に基づく課金
GoEnhance はトークンを差し引く前に、転送された音声を計測します。コストは、計測された秒数に選択したレートを掛けた値です。
GoEnhance API を統合する6つのステップ
1
1. API キーを作成
GoEnhance API キーを作成し、認証済み API リクエストに含めて送信してください。
2
2. ソースメディアの検証
人物画像の視認性とサイズを確認し、音声ファイルが公開済みで、3〜60秒、50MB以下であることを確認してください。
3
3. リクエストの構築
model: ai-talking-avatar を設定し、image_url と audio_url を追加して、任意のプロンプトと解像度を選択します。 4
4. タスクの送信
https://api.goenhance.ai/api/v1/videos/generations に JSON ボディを POST してください。duration フィールドは送信しないでください。 5
5. 永続化と追跡
返された
img_uuid を保存し、GET /api/v1/jobs/detail をポーリングするか、コールバックイベントを受信します。 6
6. 終端状態の処理
成功と失敗を冪等に処理し、返された動画を検証し、リトライは重複送信と分けて管理します。
許可を得た人物画像と音声入力を中心に、同意を考慮したプレゼンター、トレーニング、ローカライズ、クリエイター向けワークフローを構築します。
トーキングアバター動画の開発者向けユースケース
ローカライズされたプレゼンター動画
承認済みのプレゼンター画像とローカライズされた音声トラックを組み合わせ、製品説明動画や地域キャンペーンに活用します。
トレーニングコンテンツパイプライン
許可を得た人物画像と準備済みのナレーションから、社内学習教材向けのトーキングヘッドセグメントを生成します。
パーソナライズされたオンボーディング
カスタムのリップシンクレンダリングスタックを構築せずに、製品フロー向けの同意に基づくウェルカムクリップを作成します。
クリエイター向けナレーションツール
すべてのリクエストを非同期で追跡しながら、クリエイター向けプロダクトに人物画像＋音声の生成機能を追加します。
キャンペーン動画のバリエーション
レビュー、ローカライズ、後続の動画編集に使う、承認済みの音声と解像度のバリエーションを生成します。
自動化されたコンテンツキュー
アプリケーションのリクエストスレッドをブロックせずに、タスク ID とコールバックをバッチオーケストレーションに接続します。
一般的なリクエスト、料金、メディア制限、タスクステータス、インテグレーションに関する質問への回答です。