音乐视频生成 API：整曲、参考图和字幕

Music Video 1.0 可以在一个异步 API 任务中，用一首 10-300 秒的 MP3 和 1-7 张参考图生成完整音乐视频。 支持五种宽高比、540P/720P/1080P 分辨率输出，以及可选的烧制字幕——字幕可从音频自动生成或通过 SRT 文件供给。^[1]

这与逐一生成三十个五秒视频片段然后进行编辑不同。音乐设置了输出时长和账单。

输入、输出和限制

字段	作用	限制
`audio_url`	完整歌曲	MP3，10-300 秒
`reference_image_urls`	歌手、角色、场景或风格参考	1-7 个公开 URL
`prompt`	视觉方向	最多 3000 字符
`aspect_ratio`	横屏、竖屏或正方形	16:9、9:16、1:1、4:3、3:4
`resolution`	输出档位	540P、720P、1080P
`add_subtitle`	将字幕烧制到视频中	可选
`srt_url`	提供已审核的字幕时序	可选公开 SRT URL

输出按音乐时长生成，最长五分钟。API 立即返回任务 ID；应用轮询直到 output.video_urls 包含 MP4。^[1]

最小请求

curl -X POST https://api.reapi.ai/api/v1/videos/generations \
  -H "Authorization: Bearer $REAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "music-video-1-0",
    "audio_url": "https://files.example.com/song.mp3",
    "reference_image_urls": [
      "https://files.example.com/artist-portrait.jpg",
      "https://files.example.com/neon-stage.jpg"
    ],
    "aspect_ratio": "16:9",
    "resolution": "540P",
    "prompt": "Intimate live performance, practical colored lights, slow camera movement"
  }'

所有媒体必须是公开 HTTP(S) URL。禁止本地路径和 base64 数据。

完整歌曲的成本

公开实时费率为 540P 时每歌曲秒 $0.05、720P 时 $0.08、1080P 时 $0.15。^[2]

音乐视频成本 = 向上取整（歌曲秒数）× 分辨率费率

歌曲时长	540P	720P	1080P
30 秒	$1.50	$2.40	$4.50
60 秒	$3.00	$4.80	$9.00
2 分钟	$6.00	$9.60	$18.00
3 分钟	$9.00	$14.40	$27.00
5 分钟	$15.00	$24.00	$45.00

服务器测试 MP3 而非依赖客户端提供的时长。上传前移除 12 秒无声尾部可以同时减少输出时长和计费时长。

用参考图作为视觉契约

七张图片都可用，但每张都应有其用途。艺人视频的实用组合是：

一张干净的面部/着装参考；
一张全身图像；
两张场景或布景参考；
一张色彩/灯光参考；
一张物体或专辑封面参考。

不要混入同一角色不同发型、服装或年龄的多个版本，除非这种变化是有意的。模型无法判断哪个矛盾是错误。

prompt 应该解释这些图的角色而非重述图像内容：

Keep the singer's face and silver jacket from the first two images. Use the
warehouse and amber light from images three and four. Verses are restrained
handheld close-ups; choruses widen into fast dolly moves. No crowd, no logos,
no text except supplied subtitles.

自动字幕还是自己的 SRT？

有三个有效选择：

字幕模式	使用场景	风险
`add_subtitle: false`	干净的主版本稍后配字幕	交付文件中没有字幕
自动字幕	快速草稿足够	人名、俚语和时序可能错误
`srt_url` 已供给	字幕和时序已审核	需要准备 SRT

对于发布版本，准备一个 SRT。自动转录对评审有用，不能作为每个字幕正确的证明。

{
  "model": "music-video-1-0",
  "audio_url": "https://files.example.com/song.mp3",
  "reference_image_urls": ["https://files.example.com/look.jpg"],
  "aspect_ratio": "9:16",
  "resolution": "720P",
  "add_subtitle": true,
  "srt_url": "https://files.example.com/song-approved.srt",
  "subtitle_color": "#F4EBDD"
}

完整歌曲生成还是逐镜头？

当速度和视觉连贯性比逐个镜头编辑更重要时，使用完整歌曲任务。当视频需要精确产品、编舞、叙事连贯性或固定的节拍编辑时，使用镜头列表。

折衷方案通常最好：生成一套完整 540P 视觉处理，标记值得保留的部分，然后只用镜头级模型重建重要时刻。完整歌曲成了分镜脚本而非最终版本。

一个完整歌曲请求能和不能控制什么

单个任务擅长保持整体风格、节奏方向和整个音轨中的重复主体。当编辑需要第 17 小节的特定动作、每个副歌中的确切产品或固定歌词处的叙事事件时，效果较差。

把 prompt 看作音乐视频创意简案而非五十个时间戳命令的镜头列表。描述视觉语法：诗句与副歌如何不同、桥接部分在哪里改变、哪个主体必须保持可识别、什么永远不应出现。然后把结果当分镜脚本评审。

对于确定性叠加、logo、法律声明、歌词排版和精确节拍切割，使用时间轴编辑或镜头级生成。生成式帧不是排版已审核赞助商名称的好地方。字幕系统是例外，因为它通过专用字段烧制已知转录/SRT，而不是要求视频模型从 prompt 绘制任意文本。

选择 1080P 前估计重试成本

成本表乘以预期尝试次数时更有用。三分钟音轨在 1080P 时成本 $27。三种不同视觉概念成本 $81；两次修改已选概念可将总成本提升到 $135。

同样的探索在 540P 时每次 $9。三个概念加一个 1080P 最终版本成本 $54：

3 × 180 秒 540P 概念   $27
1 × 180 秒 1080P 最终   $27
总计                    $54

当接受问题只在最终分辨率可见时，该分阶段计划不适用。如果视频取决于面部细节、精细服装纹理或字幕清晰度，请早期运行一次短或完整高分辨率校准。

提交前准备音频和参考图

服务器测量实际 MP3，所以上传的主版本应该已是最终版。发送前：

移除意外的静音和数拍音频；
确认样品不含临时水印或向导语音；
在视频任务外归一化已审核主版本；
验证每张参考图都已获许可且有意成为观感的一部分；
在模型需要的主题信息周围裁切参考图；
移除带冲突色彩分级的近似重复图像；
如果字幕重要，创建和校对 SRT。

生成后改变歌曲会改变每个后续编辑和字幕提示。完整歌曲渲染是音频母带制作的下游，不是发现桥接部分会短八秒的地方。

处理失败或停滞的长任务

轮询超时时不要自动重新提交。原始任务可能仍在处理，盲目重试可能产生第二次完整歌曲费用。持久化任务 ID，再次查询其状态，并区分应用超时与终态 failed。

如果服务器无法测试音频，请求返回定价错误，不计费。检查 URL 是否公开、直接返回 MP3 且支持远程访问。包含音频播放器的分享页面与直接音频 URL 不同。

围绕长运行异步任务构建

多分钟渲染可能比短文本到视频任务花费更长时间。生产代码应该：

在返回给用户前保存任务 ID；
在后台轮询而不是保持 HTTP 请求打开；
允许长超时窗口；
显示测试的歌曲时长和估计分辨率成本；
保留输入 URL 和 prompt 用于审计和重试。

完整请求和错误合同在 Music Video 1.0 API 文档中，当前费率在 Music Video 1.0 模型页上。

References

reAPI Music Video 1.0 API documentation，2026 年 8 月 23 日检索。
reAPI Music Video 1.0 model and pricing page，2026 年 8 月 23 日检索。