クイックスタート
動画生成は非同期処理であり、全体のフローは3つのステップに分かれます:インターフェース概要
Base URL:
https://aihubmix.com
認証方式:Bearer Token
サポートされているモデル
テキストから動画(Text-to-Video)
画像から動画(Image-to-Video)
画像から動画では
input_reference パラメータで参考画像を渡す必要があります(Alibaba Tongyi Wanxiang);Doubao Seedance は extra_body.content 配列で渡し、画像・動画・音声など複数の参照タイプをサポートします;Kling は image / image_tail / image_list で画像を渡します。詳しくは下記の Kling セクションを参照してください。API 詳細説明
リクエストヘッダー
動画生成タスクの作成
リクエストボディ
モデルによってレスポンス形式に若干の違いがありますが、いずれもid(video_id)とstatusフィールドを含みます。statusでタスクの進捗を判断すればよいです。
レスポンス例(Tongyi Wanxiang/Veo/Jimeng AI)
共通ステータス値の説明
動画ステータスの照会
レスポンス例(生成完了 - Tongyi Wanxiang)
レスポンス例(生成完了 - Sora)
すべてのモデルはstatus == "completed"で完了状態を判断し、その後/contentインターフェースを呼び出してダウンロードします。
動画コンテンツのダウンロード
completed になったら、このインターフェースを呼び出して MP4 動画ファイルをダウンロードします。
レスポンス: 動画のバイナリストリームを直接返します(Content-Type: video/mp4)。
注意:動画のダウンロードリンクは通常 24 時間の有効期限があります。速やかにダウンロードして保存してください。
動画タスクの削除
このインターフェースは作成済みの動画タスクを削除するために使用します。各モデルのパラメータ詳細
OpenAI Sora
ヒント:すべてのモデルのサンプルsecondsパラメータは統一して文字列型で渡します(例:"8")。
Google Veo
サンプル
画像フィールドに関する注意:
- 先頭フレームの優先順位:
first_frame>input_reference(OpenAI 互換の単一フレーム)。 first_frame/last_frame/reference_imagesの各要素には、公開 URL、base64 データ URL(data:image/png;base64,...)、または{"mime_type":"image/png","data":"<base64>"}オブジェクトを指定できます。- OpenRouter 形式の
frame_images(frame_type: first_frame | last_frameを持つ要素)およびinput_referencesエイリアスも受け付けます。 - 参照画像は最大 3 枚まで;これを超えると 400 を返します。
ヒント:Veo はネイティブ音声生成をサポートしており、prompt 内で効果音を記述できます。例:「背景に鳥のさえずりが聞こえる」「ピアノの旋律」。
Tongyi Wanxiang
各モデルがサポートする長さ
サポートされる解像度(幅*高さ)
注意:wan2.6 は 720P と 1080P のみサポート;wan2.5 は 480P、720P、1080P をサポート;wan2.2 は 480P と 1080P のみサポート。サンプル
ヒント:wan2.5 以上のバージョンはデフォルトで音声付き動画を生成します(自動吹き替え)。中国語の prompt の方が効果が高いです。
Jimeng AI
サポートされるアスペクト比と対応する解像度
サンプル
Doubao Seedance
extra_body.content がサポートする参照タイプ
サンプル
Seedance 2.0 / 2.0 Fast
Kling
Kling は テキストから動画、画像から動画、複数画像参照から動画、OmniVideo マルチモーダル の4種類の機能をサポートし、統一して/v1/videos インターフェース経由で呼び出します。ゲートウェイが「モデル名 + 入力形態」に応じて Kling 対応エンドポイントへ自動ルーティングするため、呼び出し側で区別する必要はありません。
パラメータ
サポートされていない、またはマッピングされていない重要なパラメータは明示的にエラーを返し、サイレントに破棄されることはありません。その他の Kling ネイティブパラメータは
extra_body に入れて上流へパススルーできます。- 非同期3ステップ:送信して
video_idを取得 →GET /v1/videos/{video_id}をポーリングしてstatusがcompletedになるまで待つ →GET /v1/videos/{video_id}/contentで MP4 をダウンロード。ステータス値:in_progress/completed/failed。 - 動画の出力は通常 1~3 分;結果動画 URL は 30 日後にクリーンアップ されるため、速やかに転送保存してください。
- タスク削除:Kling には削除インターフェースがなく、
DELETE /v1/videos/{video_id}は501 not_supportedを返します。 - 課金:モデル ×
mode× 長さ × 機能(参考動画の有無 / 音声の有無)に応じて課金;生成失敗時は課金されません、照会とダウンロードは課金対象外です。
完全な呼び出しサンプル
FAQ
動画生成にはどのくらい時間がかかりますか?
動画生成は通常 1-5 分かかり、具体的な時間はモデル、解像度、長さによって異なります。15 秒のポーリング間隔を設定することを推奨します。input_reference パラメータはどう使いますか?
input_reference は画像から動画のシナリオで使用し、3種類の渡し方をサポートします:
動画ダウンロードリンクの有効期限はどのくらいですか?
生成された動画のダウンロードリンクは通常 24 時間 の有効期限があります。速やかにダウンロードして保存してください。各モデルのseconds パラメータにはどんな違いがありますか?
> ヒント:すべてのモデルの
seconds パラメータは統一して文字列型で渡します(例:"8")。API が自動的に処理します。
モデルによってsize パラメータの形式にはどんな違いがありますか?
###
seconds と duration にはどんな違いがありますか?
両者の意味は同じで、どちらも動画の長さを表します。API はこの両方のパラメータ名をサポートしています(Sora を除く。Sora は seconds のみ受け付けます)。統一して seconds を使用することを推奨します。
より良い prompt を書くには?
- 具体的なシーンを描写する:主体、動作、環境、光線、雰囲気を含める
- カメラの言語を指定する:例「クローズアップ」「空撮」「ズームイン」「スローモーション」
- スタイルを描写する:例「映画的」「ドキュメンタリー風」「アニメ風」
- 中国語モデルには中国語 prompt の方が効果的:Tongyi Wanxiang は中国語に最適化されている
- Veo は音声記述をサポート:prompt 内で音を記述できる、例「鳥のさえずり」「ピアノの旋律」
タスクが失敗した場合の対処は?
status が failed の場合、レスポンスの error フィールドにエラー情報が含まれます: