用角色与场景参考创作新短片 · Alibaba

{
  "type": "object",
  "required": [
    "body"
  ],
  "properties": {
    "body": {
      "type": "object",
      "$schema": "https://json-schema.org/draft/2020-12/schema",
      "required": [
        "prompt",
        "media"
      ],
      "~standard": {
        "vendor": "zod",
        "version": 1,
        "jsonSchema": {}
      },
      "properties": {
        "seed": {
          "type": "integer",
          "maximum": 2147483647,
          "minimum": 0,
          "description": "可选整数，范围为 0 至 2147483647。固定种子可复用随机起点，但不保证生成相同场景、角色外观或声音。"
        },
        "media": {
          "type": "array",
          "items": {
            "type": "object",
            "required": [
              "type",
              "url"
            ],
            "properties": {
              "url": {
                "type": "string",
                "minLength": 1,
                "description": "必填，为图片或视频可公开访问的 HTTPS 链接。不接受 HTTP、Base64 或本地文件输入。图片支持 JPG/JPEG、无透明通道的 PNG、BMP 或 WEBP，最多 20 MB，宽高各为 240–8000 像素，比例为 1:8 至 8:1。视频须为 MP4 或 MOV，长 1–30 秒，最多 100 MB，宽高各为 240–4096 像素，比例为 1:8 至 8:1。"
              },
              "type": {
                "enum": [
                  "reference_image",
                  "reference_video",
                  "first_frame"
                ],
                "type": "string",
                "description": "必填值：reference_image 用于角色或场景参考，reference_video 用于角色参考，first_frame 用于起始构图。每份角色参考须只含一个角色，可以是人、动物或物体；背景图可提供场景。不要用空场景视频作为角色参考。素材只是生成指导，不保证精确还原。"
              },
              "reference_voice": {
                "type": "string",
                "minLength": 1,
                "description": "可选非空公开 HTTPS 音频链接，仅可附在 reference_image 或 reference_video 上，不能用于 first_frame。支持 WAV 或 MP3，长 1–10 秒，最多 15 MB。它引导声音特征，不决定台词；提供时优先于参考视频原音，否则视频中可用的音频可作为声音参考。不保证音色相似度、逐字台词或口型。"
              }
            },
            "additionalProperties": false
          },
          "minItems": 1,
          "description": "必填非空数组，至少含一个 reference_image 或 reference_video，这两类合计最多五项。可另加一个 first_frame，但只有首帧不能满足参考素材要求。须保留顺序，在描述中按图片和视频分别编号为 Image 1、Video 1。"
        },
        "ratio": {
          "enum": [
            "16:9",
            "9:16",
            "1:1",
            "4:3",
            "3:4"
          ],
          "type": "string",
          "default": "16:9",
          "description": "可选 16:9、9:16、1:1、4:3 或 3:4，默认 16:9。提供 first_frame 时忽略此设置，改用该图片的画幅作为参考；不保证构图和角色细节完全一致。"
        },
        "prompt": {
          "type": "string",
          "maxLength": 5000,
          "minLength": 1,
          "description": "必填非空文字，最多 5000 个字符。描述新的动作或台词，并使用 Image 1、Video 1 等首字母大写、数字前有空格的名称指明参考。图片与视频按数组顺序分别编号。声音样本不提供要说的内容，期望台词应在这里描述。"
        },
        "duration": {
          "type": "integer",
          "default": 5,
          "maximum": 15,
          "minimum": 2,
          "description": "可选整数秒数，默认 5 秒。仅图片时支持 2–15 秒；只要包含 reference_video，就须用 2–10 秒。它是新场景的输出时长，不是原片加续接内容的总长度。"
        },
        "watermark": {
          "type": "boolean",
          "default": false,
          "description": "可选布尔值，默认 false。设为 true 时请求在视频上添加 AI Generated 水印。"
        },
        "resolution": {
          "enum": [
            "720P",
            "1080P"
          ],
          "type": "string",
          "default": "720P",
          "description": "可选 720P 或 1080P，本工具默认 720P。它用于选择生成视频的分辨率档位，不保证细节更清晰或更贴近参考。"
        },
        "prompt_extend": {
          "type": "boolean",
          "default": true,
          "description": "可选布尔值，默认 true。允许模型在生成前改写描述，可能增加处理时间；不保证质量更高或理解更准确。"
        },
        "negative_prompt": {
          "type": "string",
          "maxLength": 500,
          "description": "可选文字，最多 500 个字符，用于指导排除不希望出现的内容，不保证成片完全没有所列元素。"
        }
      },
      "additionalProperties": false
    }
  },
  "additionalProperties": false
}