Guida introduttiva a P-Video 2 Pro Avatar: da un ritratto più audio o copione, genera video parlati fino a 3 minuti

P-Video 2 Pro Avatar è il modello per video parlati di Pruna AI: gli si fornisce un ritratto e un audio o un copione, e genera un video in cui quella persona parla. Questo articolo spiega cosa può fare, come chiamarlo, come si calcola il costo e quando conviene scegliere un altro modello.

Cosa può fare

• Basta un ritratto per andare in scena: l'unico input obbligatorio è l'immagine del ritratto image_url (jpg, jpeg, png, webp), che costituisce il primo fotogramma del video; non servono materiali video né un addestramento preventivo dell'immagine.
• Due modalità di guida: se si passa un audio audio_url, la durata del video è pari a quella dell'audio; se si passa solo un copione script (massimo 5000 caratteri), viene letto dalla voce integrata. Durata massima 3 minuti per video; in 4k l'audio può durare al massimo 125 secondi.
• Voci integrate opzionali: 30 voci (il genere è indicato nel nome, predefinita Zephyr (Female)), 10 lingue: inglese americano, inglese britannico, spagnolo, francese, tedesco, italiano, portoghese brasiliano, giapponese, coreano, hindi; il cinese al momento non è incluso. voice_prompt definisce tono, velocità ed emozione, e questo testo non viene letto ad alta voce.
• Il prompt controlla l'immagine: prompt (massimo 2000 caratteri) descrive l'aspetto, i movimenti e l'espressione della persona mentre parla; il valore predefinito è "The person is talking.".
• Cinque livelli di risoluzione: 480p, 768p, 1080p, 2k, 4k; predefinita 768p.

Regole di input

• Occorre fornire almeno uno tra audio e copione. Se si forniscono entrambi, prevale l'audio e script, voice, voice_language, voice_prompt vengono ignorati.
• Se non si fornisce nessuno dei due, l'attività fallisce con l'invito ad aggiungerne uno e il costo viene rimborsato per intero.
• Il filtro di sicurezza dei contenuti è attivo per impostazione predefinita; i contenuti non conformi falliscono restituendo CONTENT_POLICY_VIOLATION e il costo viene rimborsato per intero.

Come chiamarlo

Si invia un'attività asincrona e, ottenuto il taskId, si interroga il risultato:

curl https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "p-video-2-pro-avatar",
    "input": {
      "image_url": "https://example.com/portrait.png",
      "script": "Welcome to the course. Today we cover three ideas.",
      "voice": "Charon (Male)",
      "voice_language": "English (US)",
      "voice_prompt": "Calm and clear, moderate pace",
      "resolution": "768p"
    }
  }'

curl https://api.hiapi.ai/v1/tasks/<taskId> \
  -H "Authorization: Bearer $HIAPI_KEY"

Per usare una propria registrazione, basta sostituire script e i vari parametri voice con "audio_url": "https://example.com/voice.mp3". A任务 completata, output contiene l'indirizzo del video.

Prezzi

La fatturazione avviene in base alla durata del video di output; le frazioni inferiori a 1 secondo non vengono addebitate:

• 480p: $0.0286/secondo
• 768p: $0.0572/secondo
• 1080p: $0.0858/secondo
• 2k: $0.1143/secondo
• 4k: $0.1715/secondo

Ad esempio, un video parlato di 30 secondi in 768p costa circa $1.72, mentre 30 secondi in 480p costano circa $0.86. Con un audio, l'addebito viene trattenuto in anticipo in base alla durata dell'audio; con solo il copione, non essendo nota al momento dell'invio la durata della lettura, viene trattenuto in anticipo l'importo per 3 minuti e, al termine, si liquida in base alla durata effettiva del video, restituendo l'eccedenza. Le attività fallite vengono rimborsate per intero.

Come scrivere il prompt

prompt descrive solo l'immagine, non il testo recitato. Si scrive nell'ordine «aspetto della persona → ampiezza dei movimenti → espressione e sguardo → luce o inquadratura», ad esempio:

• Spiegazione di un corso: A calm instructor in a dark shirt, small head nods, steady eye contact, soft studio light
• Visita guidata in museo: A curator speaking warmly to camera, blinks naturally, warm gallery lighting

Tono e ritmo si scrivono in voice_prompt, ad esempio "Speak softly, small pauses between sentences".

Quando scegliere altro

• Per sincronizzare il labiale di una persona in un video esistente con un nuovo audio, oppure per generare un video da immagine in cui nessuno parla: non è questo lo scopo di P-Video 2 Pro Avatar; scegliere il modello di editing video o di generazione video da immagine corrispondente.
• Per sostituire la persona in un video con un'altra, mantenendo movimenti e inquadratura del video originale: usare P-Video 2 Pro Replace della stessa serie.

Per provare subito il risultato, si può caricare un ritratto su HiAPI Playground e scrivere un copione da cui generare il video.