curl --request POST \
--url https://api.vidgo.ai/api/generate/submit \
--header 'Authorization: Bearer <token>' \
--header 'Content-Type: application/json' \
--data '
{
"model": "bytedance/omnihuman-2.0/audio-to-video",
"input": {
"image_urls": [
"https://example.com/presenter.png"
],
"audio_url": "https://example.com/voiceover.mp3"
}
}
'{
"code": 200,
"data": {
"task_id": "task-unified-1762160000-abc123",
"status": "not_started",
"created_time": "2026-11-03T10:30:00"
}
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}Request timeout{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}OmniHuman (ByteDance)
OmniHuman 2.0 音频生视频
OmniHuman 2.0 音频生视频 API 用一段 4–300 秒的 WAV 或 MP3 音频驱动一张角色图片，生成口型同步的 720p 视频，可选提示词。
POST
/
api
/
generate
/
submit
curl --request POST \
--url https://api.vidgo.ai/api/generate/submit \
--header 'Authorization: Bearer <token>' \
--header 'Content-Type: application/json' \
--data '
{
"model": "bytedance/omnihuman-2.0/audio-to-video",
"input": {
"image_urls": [
"https://example.com/presenter.png"
],
"audio_url": "https://example.com/voiceover.mp3"
}
}
'{
"code": 200,
"data": {
"task_id": "task-unified-1762160000-abc123",
"status": "not_started",
"created_time": "2026-11-03T10:30:00"
}
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}Request timeout{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}{
"detail": "<string>"
}- 提交后会返回
task_id。如果提供了callback_url，当任务状态变为finished或failed时，系统会向callback_url发送 POST 请求。 - 无论是否提供
callback_url，都可以通过统一的查询任务状态接口获取结果。
模型
- bytedance/omnihuman-2.0/audio-to-video — OmniHuman 2.0 音频生视频：一张图片加一个 WAV 或 MP3 文件，输出 720p，时长跟随音频。
功能
- 由一张图片生成音频驱动的说话和演唱视频。
- 口型同步、表情和手势由音频驱动。
- 音频从 4 秒到 5 分钟，视频时长与音频相同。
- 支持真人、动物、卡通、3D 和风格化角色，以及多人画面。
- 可选提示词，用于描述镜头运动、动作和额外的画面元素。
必填参数
image_urls（string[]）：恰好一个公开 HTTP(S) 角色图片 URL。视频构图跟随这张图片。audio_url（string）：WAV 或 MP3 文件的公开 HTTP(S) URL，不超过 15 MB，时长 4–300 秒。
可选参数
prompt（string）：镜头运动、动作或额外的画面元素。口型和表情仍由音频决定。
时长
没有duration 字段。输出时长跟随音频，30 秒的旁白会生成约 30 秒的视频。要改变时长，请剪辑音频。
输出
任务完成后，查询任务状态和回调内容的files 数组中会返回一个 MP4 视频。视频为 720p。
示例
- 用头像生成讲解主持人：一张头像和一段 MP3 旁白，不带提示词。
- 带镜头提示词的演唱角色，带回调：一只卡通猫、一首 WAV 歌曲、描述动作和镜头的提示词，并提供
callback_url。
注意事项
- 使用一张面部清晰可见的图片，以及没有长时间静音或明显背景噪声的干净音频，口型同步效果最好。
- 音频不是 WAV 或 MP3、超过 15 MB、短于 4 秒或长于 300 秒都会返回 400。
duration、resolution、aspect_ratio、seed以及上文未列出的其他字段同样返回 400。 model和callback_url放在请求根级，不要放进input。- 按生成视频的秒数计费。提交时按完整音频时长预扣积分；任务成功后按实际输出时长结算并退还差额，最终扣费不会超过预扣金额。任务失败会全额退还。当前费率见定价页。
授权
所有 API 接口都需要 Bearer Token 认证
获取 API Key：
进入 仪表盘 → API 密钥（API Key 管理页面）获取你的 API Key
在请求头中添加：
Authorization: Bearer VIDGO_API_KEY
请求体
application/json