P-Video-2 Pro Reference: говорящее видео по фото и голосу

P-Video-2 Pro Reference — видеомодель Pruna AI, которая собирает ролик не из одного текста, а из референсов: фото персонажа или товара, коротких видео и аудио. Самое полезное в ней — режим keep_audio: вы загружаете фото и свою озвучку, а модель генерирует видео, в котором персонаж произносит ваши слова вашим голосом, с движением губ под звук. Разбираем, как сделать такое говорящее видео по API из России, сколько это стоит в рублях и что получилось у нас на реальном запуске.

Что умеет модель

• До 9 изображений-референсов — внешность персонажа, товар, стиль. Это не кадры ролика, а образец того, как должен выглядеть герой.
• До 3 референсных видео (2–15 секунд каждое, до 15 секунд в сумме) — движение, сцена, манера.
• До 3 аудиофайлов (до 15 секунд в сумме). Без keep_audio это образец голоса или звука, которому модель подражает. С keep_audio: true единственный файл становится готовой звуковой дорожкой ролика.
• Длительность от 5 до 15 секунд, разрешение 480p или 768p, соотношения сторон 16:9, 9:16, 1:1, 4:3, 3:4, 3:2, 2:3 или «по референсам».
• Два режима: speed (быстрее, дороже) и cost (дешевле).
• Опционально — первый и последний кадр и seed для воспроизводимости.

Как работает keep_audio

Обычные видеомодели со звуком сами придумывают речь — и по-русски часто путают слова. Здесь наоборот: звук задаёте вы, а модель подстраивает под него картинку. Правила такие:

• в reference_audio_urls (или reference_audio_file_ids) должен быть ровно один файл;
• если дорожка короче выбранной длительности, она звучит в начале, остальное модель догенерирует;
• если длиннее — обрезается;
• если отличается от длительности не больше чем на 1 секунду, длина ролика равна длине дорожки;
• на цену флаг не влияет — платите только за секунды результата и за референсы.

Озвучку можно записать на телефон или синтезировать через наш API озвучки текста — дальше пример как раз такой.

Цены P-Video-2 Pro Reference в рублях

Цена — за ролик и зависит от длительности, разрешения, режима и референсов. Таблица из нашего каталога и расчёта POST /api/media/price на 22 октября 2026 года, для запроса с одним фото персонажа:

Аудио и видео-референсы тарифицируются по секундам, дополнительные изображения — поштучно. Точную сумму конкретного запроса до запуска возвращает POST /api/media/price с тем же телом, что вы отправите на генерацию. Для этой модели цена помечена как точная, а не ориентировочная. Актуальные значения — на странице модели.

Пошагово: фото + своя озвучка = говорящий ролик

Все шаги ниже мы выполнили на боевом API 22 октября 2026 года. Персонаж — вымышленная девушка-бариста, которую мы сами сгенерировали через Nano Banana. Используйте только изображения и голоса, на которые у вас есть права.

Шаг 1. Озвучка

Записали фразу «Привет! Сегодня у нас осенний латте с корицей. Заходите, ждём вас!» через синтез речи — получился MP3 длиной 5,45 секунды. Вместо этого можно загрузить собственную запись голоса.

curl https://plusvibeapi.ru/v1/audio/speech \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" -H "Content-Type: application/json" \
  -d '{"model":"gpt-4o-mini-tts","voice":"nova","response_format":"mp3",
       "input":"Привет! Сегодня у нас осенний латте с корицей. Заходите, ждём вас!"}' \
  -o voice.mp3

Шаг 2. Загрузка файлов

Фото и аудио загружаем через Files API — так не нужен свой хостинг для ссылок. Файлы хранятся 7 дней.

curl https://plusvibeapi.ru/v1/files -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -F purpose=user_data -F file=@barista.jpg
# {"id":"file-pv-215d…","object":"file","bytes":689095,"filename":"barista.jpg",…}

curl https://plusvibeapi.ru/v1/files -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -F purpose=user_data -F file=@voice.mp3
# {"id":"file-pv-a53d…","object":"file","bytes":87168,"filename":"voice.mp3",…}

Шаг 3. Узнать цену заранее

cat > req.json <<'JSON'
{
  "model": "p-video-2-pro-reference",
  "prompt": "Девушка-бариста с рыжими волосами стоит за стойкой уютной кофейни, смотрит в камеру и приветливо говорит, лёгкие естественные жесты, камера почти неподвижна",
  "opts": {
    "mode": "cost",
    "resolution": "480p",
    "duration": "5",
    "aspect_ratio": "16:9",
    "reference_image_file_ids": ["file-pv-215d…"],
    "reference_audio_file_ids": ["file-pv-a53d…"],
    "keep_audio": true
  },
  "max_price_rub": 20
}
JSON

curl https://plusvibeapi.ru/api/media/price -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" -d @req.json
# {"ok":true,"priceRub":13.88,"isEstimate":false,"quoteId":"mq_80c9…","quoteTtlSeconds":900}

Поле max_price_rub — страховка: если цена окажется выше, генерация не запустится. А quote_id из ответа можно передать в генерацию, чтобы зафиксировать именно эту сумму.

Шаг 4. Генерация и результат

# то же тело + "quote_id": "mq_80c9…"
curl https://plusvibeapi.ru/api/media/generate -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" -d @req-run.json
# {"ok":true,"jobId":"cmvj00wab…","status":"processing","priceRub":13.88,…}

curl https://plusvibeapi.ru/api/media/jobs/cmvj00wab… -H "Authorization: Bearer $PLUSVIBE_API_KEY"
# {"status":"success","resultUrls":["https://plusvibeapi.ru/api/media/file/cmvj00wab…/0?sig=…"],
#  "priceRub":13.88,"stage":"completed",…}

Задача выполнилась примерно за 26 секунд. Результат: MP4 832×480, 24 кадра в секунду, 5,46 секунды — длина совпала с дорожкой, как и обещает правило «±1 секунда». Мы прогнали звук готового ролика обратно через распознавание речи и получили ровно исходный текст: «Привет! Сегодня у нас осенний латте с корицей. Заходите, ждем вас!». Голос и слова сохранились, губы двигаются под речь, внешность персонажа совпадает с фото. Итого списано 13,88 ₽.

Вместо опроса статуса можно передать webhook_url — мы сами пришлём итог задачи. Подробнее — в документации по медиагенерации.

Другие сценарии: без keep_audio и с видео-референсом

Аудио как образец. Если убрать keep_audio, загруженный звук перестаёт быть дорожкой ролика и становится примером: модель ориентируется на тембр или характер звука, но сама решает, что прозвучит. Это подходит, когда нужна атмосфера — шум кафе, музыкальное настроение, — а точные слова не важны.

Видео-референс движения. В reference_video_urls можно передать до трёх коротких клипов: например, проход камеры вдоль витрины или жест ведущего. Модель перенесёт движение и композицию, а внешность возьмёт из фото. Секунды видео-референса оплачиваются отдельно, но не больше длины результата плюс полсекунды на клип.

Первый и последний кадр. Если ролик должен начаться и закончиться конкретной картинкой — упаковкой товара или логотипом на экране, — передайте first_frame_url и last_frame_url. Они считаются вместе с референсными изображениями в лимите девяти штук.

Где это пригодится

• Короткие ролики для соцсетей и маркетплейсов: маскот или «лицо бренда» озвучивает акцию вашим текстом.
• Обучающие и HR-видео: один персонаж, разные реплики, без съёмок.
• Локализация: та же внешность, новая дорожка на другом языке.
• Товарные ролики: фото товара как референс плюс видео-референс нужного движения камеры.

Если нужен ролик длиннее 15 секунд или другой стиль, сравните с другими видеомоделями каталога — например, Kling и Seedance.

Советы по качеству

• Фото персонажа — анфас, лицо крупно, ровный свет, рот закрыт: так модели проще анимировать губы.
• Подгоняйте длину дорожки под длительность ролика (±1 с), иначе звук обрежется или модель догенерирует хвост.
• В промпте описывайте действие и камеру, а не внешность — внешность задаёт фото.
• Черновики делайте в cost и 480p, финал — в 768p.

Частые вопросы

Можно ли пользоваться P-Video-2 Pro Reference из России без VPN?

Да. API PlusVibe работает из России напрямую, баланс пополняется российской картой или по счёту, оплата в рублях за каждый ролик.

Сохранится ли мой голос и текст?

Да, если передать ровно один аудиофайл и keep_audio: true. Без этого флага аудио служит только образцом, и модель озвучит ролик сама.

Сколько стоит самый дешёвый ролик?

На 22 октября 2026 года — 10,84 ₽ за 5 секунд в 480p в режиме cost с одним фото. Своя озвучка длиной около 5 секунд добавила около 3 ₽.

Какие форматы файлов подходят?

Мы проверили связку JPEG + MP3 — она работает. Видео-референсы передавайте в MP4. Файлы можно отдать публичными HTTPS-ссылками или id из POST /v1/files; тип файла проверяется до списания, и неподходящий файл отклоняется с понятной ошибкой.

Сколько ждать результат?

Наш 5-секундный ролик в 480p был готов примерно за 26 секунд. Длинные ролики и режим 768p занимают больше времени.