产品简介

产品概述

产品功能

产品优势

购买指南

价格指南

购买指引

使用代金券购买流程

退费说明

数智人形象介绍

形象类别介绍

基础形象库

形象和声音复刻指引

数智人平台操作指引

访问平台

形象生产与资产管理

数智人会话互动应用与管理

播报数智人视频生成与管理

运营管理与分析

服务端 API 接入

数智人 API 接入模式概述

数智人 aPaas 接口调用方式

2D真人小样本形象、声音定制 API 文档

视频生成服务 API 文档

交互数智人服务 API 文档

个人资产管理 API 文档

客户端 SDK 接入

整体介绍

3D 端渲染 SDK 接入

2D 端渲染 SDK 接入

数智人 SSML 标记语言规范

视频制作接口-视频免训练

PDF

聚焦模式

字号

最后更新时间： 2025-10-10 11:34:43

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：支持1 - 600秒，建议时长在10秒到120秒（当 ConcurrencyType 为 Exclusive 时，支持20分钟视频时长）。
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10分钟，不少于1秒（当 ConcurrencyType 为 Exclusive 时，支持20分钟音频时长）
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。
VideoParam
object
否
定义合成视频的详细参数。
VideoParam.RefPhotoUrl
string
否
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.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.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5s），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.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。
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）
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": {
        "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
{
    "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"
    }
}
返回示例
{
    "Header": {
        "Code": 0,
        "DialogID": "",
        "Message": "",
        "RequestID": "fde854eaa981c7f2f7285d1c7eca335b",
        "SessionID": "gzb7dec22117297528294581119"
    },
    "Payload": {
        "TaskId": "81883d47c6154edf8e276531f09227b6"
    }
}
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视频后，可借助系统自带播放器或第三方 VLC 等软件检查。
﻿
﻿

帮助和支持

本页内容是否解决了您的问题？

您也可以联系销售或提交工单以寻求帮助。

填写满意度调查问卷，共创更好文档体验。

文档反馈

tencent cloud

腾讯云智能数智人

视频制作接口-视频免训练

接口说明

调用协议

请求参数

DisableInterval

返回参数

请求示例

返回示例

编码格式转换小教程

第一步：安装 FFmpeg

第二步：转换

第三步：验证

帮助和支持

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：支持1 - 600秒，建议时长在10秒到120秒（当 ConcurrencyType 为 Exclusive 时，支持20分钟视频时长）。 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25601440。当输入视频分辨率<=25601440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40964096。当输入视频分辨率<=40964096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10分钟，不少于1秒（当 ConcurrencyType 为 Exclusive 时，支持20分钟音频时长） 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。
VideoParam	object	否	定义合成视频的详细参数。
VideoParam.RefPhotoUrl	string	否	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.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.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5s），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.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。