Генерация медиа

Асинхронная генерация медиа: изображения, видео, озвучка (TTS), расшифровка речи (STT), музыка и 3D. Создаёте задачу и опрашиваете результат. Полный список моделей — в каталоге медиа-моделей; webhook, ошибки и биллинг — в разделе webhook.

Создание возвращает 202 с { ok: true, jobId, status: "processing" }. Опрашивайте GET /api/media/jobs/{jobId} до status: "success", затем заберите resultUrls.

# 1. создать задачу генерации
curl https://plusvibeapi.ru/api/media/generate \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "veo-3.1",
    "prompt": "кот на скейте, замедленная съёмка"
  }'
# → {"ok":true,"jobId":"...","status":"processing"}

Помимо model и prompt, в opts можно передать дополнительные параметры. Набор зависит от модели. Полный машиночитаемый контракт — через GET /api/model-capabilities (или GET /api/model-capabilities/{model} для конкретной модели).

Поля с URL (image_url, input_urls, mask_url и другие) — это ссылки, которые скачивает провайдер, поэтому в них принимаются только публичные https:// адреса. Инлайн-строка data:image/...;base64,… в таком поле отклоняется с 400.

Чтобы отправить свой файл, положите его в парное *_base64 поле: сервис сам сохранит байты, опубликует их и подставит ссылку провайдеру. Максимум 16 файлов в input_base64 за запрос.

POST /api/media/generate и POST /api/media/price принимают одно и то же тело, поэтому его можно сначала оценить, а затем отправить без изменений. Других полей верхнего уровня нет: неизвестное поле отклоняется на обоих адресах ответом 400 с кодом unknown_field и именем поля (field, fields), со strict и без него. Параметры генерации передаются внутри opts.

Любой исходный файл можно передать тремя способами: ссылкой (image_url, audio_url, video_url…), инлайн-байтами (image_base64, audio_base64, video_base64…) или id своего файла из POST /v1/files. Поля с id перечислены в requestJsonSchema каждой операции и принимаются в строгом режиме.

У моделей, где длину результата задаёт загруженная дорожка — kling-ai-avatar, omnihuman-v1.5, omnihuman-1-5, volcengine-lipsync (аудио), kling-motion-control, wan-animate, topaz-video-upscale (видео), lipsync-2-pro, sync-3, react-1 (оба входа), — /api/media/price и предварительная проверка max_price_rub на /api/media/generate меряют длину этого файла на сервере (ссылка, data:-строка, base64 или *_file_id) и считают цену за измеренные секунды. В ответе — sourceSeconds (или outputSeconds у липсинка), а estimateReason говорит, что длина измерена. Если файл прочитать не удалось, цена считается по прежнему основанию (одна секунда, оценочная длительность каталога или максимум маршрута), и estimateReason прямо это называет. Итог списания — цена за секунду × фактические секунды результата, не выше max_price_rub. opts.duration у этих моделей принимается и игнорируется с предупреждением param_ignored.

Создание: { name, consent: true, engine, audio_url | audio_base64 } или несколько записей samples: [{ audio_url } | { audio_base64 }, …] (только engine: "elevenlabs"). Голосом ElevenLabs синтезирует voice-clone-tts и пользуется Смена голоса (elevenlabs-voice-changer). Добавление записей к голосу ElevenLabs бесплатно. Каждая запись скачивается и измеряется до обращения к поставщику: при отказе ничего не меняется и не списывается.

Смена голоса и выравнивание текста

Если подтверждение запуска от поставщика не пришло, задача остаётся в status: "submitting" со stage: "submission_unknown", errorCode: "media_submission_uncertain" и failure.advice: "reconcile_first" — опрашивайте тот же jobId и не создавайте дубль. Чтобы проверить эту ветку без затрат, отправьте POST /api/media/generate sandbox-ключом с заголовком x-pv-sandbox-outcome: submission_uncertain. Ответ — обычный 202 с jobId; опрос этого jobId 60 секунд отвечает как неопределённая отправка, затем — как незапущенная задача (failure.code: "submission_not_started", charged: false). Ничего не сохраняется, поставщику не отправляется и не списывается. Обычный ключ с этим заголовком получает 400 sandbox_outcome_requires_sandbox_key.

Тот же эндпоинт, что и остальная генерация: в model — имя STT-модели, prompt оставьте пустой строкой, а ссылку на запись передайте в opts.audio_url. Готовый текст приходит в поле resultText ответа GET /api/media/jobs/{id}; resultUrls у расшифровки пустой — файла на выходе нет.

# расшифровка речи: создать задачу и дождаться текста
curl https://plusvibeapi.ru/api/media/generate \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "whisper-large-v3-turbo",
    "prompt": "",
    "opts": {
      "audio_url": "https://example.com/meeting.mp3",
      "language_code": "ru"
    }
  }'
# → {"ok":true,"jobId":"JOB_ID","status":"processing","priceRub":0.03}

curl https://plusvibeapi.ru/api/media/jobs/JOB_ID \
  -H "Authorization: Bearer $PLUSVIBE_API_KEY"
# → {"status":"success","resultText":"расшифрованный текст…","resultUrls":[],"priceRub":0.03}

Модели

• whisper-large-v3-turbo — 0,02 ₽ за минуту записи. Самая дешёвая и самая быстрая, 99 языков.
• nemotron-asr-multilingual — 0,02 ₽ за минуту. Многоязычная модель NVIDIA, ставит пунктуацию сама.
• whisper-large-v3 — 0,06 ₽ за минуту. Полная версия Whisper: медленнее turbo, точнее на шумной записи.
• universal-2 — 0,35 ₽ за минуту. Сильна на русской речи, разделяет говорящих.
• speech-to-text — 1 ₽ за минуту (ElevenLabs Scribe). Умеет разделение по говорящим и метки звуковых событий.

Параметры

Форматы и ограничения

Принимаются mp3, wav, m4a/mp4, flac, ogg/opus и webm. Размер файла — не более 25 МБ (это примерно 26 минут mp3 128 kbps или несколько часов речи в opus). Файл больше лимита отклоняется сразу, с явным сообщением, и не тарифицируется — режьте запись на части.

Чтобы не опрашивать задачу, зарегистрируйте в личном кабинете один адрес mediaWebhookUrl. Когда задача завершится (успехом или ошибкой), сервис выполнит до пяти попыток доставки POST с JSON-телом:

// POST на ваш mediaWebhookUrl при завершении задачи
{
  "jobId": "...",
  "status": "success",            // или "fail"
  "model": "veo-3.1",
  "kind": "video",                // image | video | audio | music | 3d
  "resultUrls": ["https://plusvibeapi.ru/api/media/file/..."],
  "failMsg": null,
  "createdAt": "2026-06-17T10:00:00.000Z"
}

URL результата генерации (изображение, видео, аудио или 3D-модель) из resultUrls. Используйте его как возвращённый сервисом URL: он открывается без API-ключа и подходит для <img>, <video> или браузер. Провайдер скрыт: upstream-адрес резолвится на сервере, клиент его не видит.

# Подписанный URL возвращается в resultUrls ответа /api/media/jobs/{id}
# или в теле webhook. Открывается напрямую в браузере / <img> — без ключа.
https://plusvibeapi.ru/api/media/file/JOB_ID/0?sig=HMAC_SIGNATURE