模型 API

BizyAir Index2.5 TTS 文本转语音, BizyAir IndexTTS 2.5 文本转语音是工业级零样本文本转语音系统，仅需单条参考音频即可克隆声音。支持中文、英语、日语、西班牙语、阿拉伯语 5 种语言，具备跨语言与音色-情感解耦能力，支持细粒度情感控制（emo_vector / emo_audio_prompt / emo_text）、语速控制（duration_factor 0.5x–2.0x）及发音控制（拼音 / CMU 音标 / 日文假名）。推理速度较 IndexTTS 2 更快，支持 BF16 推理与 vLLM 生产部署。模型参数量 0.8B，返回 wav/mp3/flac 格式。

音潮涌现 生成歌曲，全自研国产AI音乐大模型，一句话提示词或自定义歌词直达完整歌曲。支持v4.5超长提示词（3000字符），单次最多生成2首，输出mp3并支持流式播放。适配短视频配乐、品牌主题曲与个性化音乐礼物等场景。

音潮涌现 BGM 生成，全自研国产AI音乐大模型，一句话提示词直达无人声纯音乐/背景音乐。支持v4.5模型，单次最多生成2首，输出mp3并支持流式播放。适配视频配乐、播客背景与环境氛围音乐等场景。

音潮涌现 参考歌曲，基于上传的参考音频风格创作新歌，相似度可调。基于v3.5模型，可在参考曲目基础上叠加提示词或歌词，单次最多生成2首。适配风格化翻唱、品牌声音一致性与音乐原型打样等场景。

PixVerse V6 视频延长，爱诗科技视频生成模型，在保持画面连贯性的基础上为现有视频续写新内容，可选生成新音频，共享V6家族360P至1080P分辨率与最长15秒延展时长。适配加长短片、补完未竟镜头与构建更长叙事等场景。

PixVerse V6 文生视频，爱诗科技视频生成模型，将文本提示词转化为生动视频片段，支持360P至1080P分辨率、五种创意风格、最长15秒时长，可选同步音频生成。适配社交内容、营销素材与快速创意打样等场景。

PixVerse V6 图生视频，爱诗科技视频生成模型，将单张图片动画化为流畅视频并支持提示词引导运动，同样提供360P至1080P分辨率、最长15秒时长与可选音频生成。适配角色动画、产品展示与老照片动态化等场景。

PixVerse V6 首尾帧生视频，爱诗科技视频生成模型，基于自定义首帧与尾帧生成顺滑过渡动画，支持360P至1080P分辨率、最长15秒时长与创意风格渲染。适配循环片段、场景转场与分镜预演等场景。

Lightricks LTX 2.5 Pro 文生视频，LTX 2.5 家族高画质档位，在720P与1080P下以原生同步音频呈现最高画面保真与运动质量，支持精细运镜与6至10秒高质量时长。适配品牌大片、电影级预演与核心内容创作等场景。

Lightricks LTX 2.5 Pro 首尾帧生视频，基于首帧与可选尾帧以高画质档生成原生音频动态影像，并提供可选尾帧控制以精确锁定结尾构图，为图像驱动叙事的高画质首选。适配高端产品影片、主视觉动画与品牌标志性时刻等场景。

Lightricks LTX 2.5 Fast 文生视频，将提示词生成720P至4K视频并自带原生同步音频，支持24-50帧率、电影级运镜与最长20秒时长，为家族高性价比档位。适配大批量生产、动态预演与快速迭代等场景。

Lightricks LTX 2.5 Fast 首尾帧生视频，基于自定义首帧与可选尾帧生成动画，并可通过尾帧精确控制起止构图，720P至4K分辨率、原生音频，保持家族高性价比档位。适配产品动态展示、漫画分镜活化与受控镜头规划等场景。

谷歌 Gemini 4.0 Argon 视觉理解, Gemini 4.0 Argon 视觉理解，谷歌旗舰多模态理解模型，在统一100万上下文窗口内处理文本、图片、视频与音频输入。跨模态推理能力业界领先，支持长上下文理解。适配文档理解、视频分析与多模态助手等场景。

谷歌 Gemini 4.0 Argon, Gemini 4.0 Argon 文本生成，谷歌旗舰推理模型，统一100万上下文窗口与长达百万级解码输出。擅长复杂软件工程、数理求解与自主多步智能体，输出按token计费（含思考token）。适配编程智能体、深度研究与长文生成等生产场景。

FLUX.3 Klein 文生图，Black Forest Labs 图像生成模型，将文本提示词转化为高质量图片。支持灵活宽高比、1K与2K分辨率、单次最多4张输出、可复现种子与提示词扩写。适配概念艺术、营销素材与生产管线等场景。

FLUX.3 Klein 图生图，基于文本指令与最多10张参考图进行编辑与合成，支持边框控制摆放物体。共享家族的灵活宽高比、1K与2K分辨率与种子复现能力。适配照片精修、产品摆拍与多参考合成等场景。