ergouzi/e-video · 自研模型

e-video 是 ergouzi 推出的一款注重生成速度与创意迭代的视频生成模型。它可以在约 10 秒内生成一段 5 秒、720p 的视频，并提供速度提升 4 倍的草稿模式，方便你在正式渲染前快速预览效果。 **功能特性** - **统一接口**：支持文生视频、图生视频和音频生视频 - **草稿模式**：预览速度提升 4 倍，便于快速迭代 - **内置音频生成**：原生生成对白与音效，同时支持导入自定义音频 - **最高支持 1080p、48 FPS** - **支持多种宽高比**：16:9、9:16、4:3、3:4、3:2、2:3 和 1:1 - **提示词扩写**：自动增强提示词，同时保留完整的用户控制权 **输入参数** - **`prompt`**（必填）：描述你想要生成的视频内容。 - **`image`**：用于图生视频的输入图片，支持 JPG、JPEG、PNG 和 WebP 格式。 - **`audio`**：用于引导视频生成的输入音频，支持 FLAC、MP3 和 WAV 格式。 - **`duration`**：视频时长，范围为 1–10 秒，默认 5 秒。提供音频时，此参数将被忽略。 - **`aspect_ratio`**：视频宽高比，可选 16:9、9:16、4:3、3:4、3:2、2:3 或 1:1，默认为 16:9。提供输入图片时，此参数将被忽略。 - **`resolution`**：视频分辨率，可选 720p 或 1080p，默认为 720p。 - **`fps`**：视频帧率，可选每秒 24 帧或 48 帧，默认为 24 FPS。 - **`draft`**：启用草稿模式，以更快的速度生成较低质量的预览，默认为 `false`。 - **`prompt_upsampling`**：自动增强提示词，默认为 `true`。 - **`seed`**：设置随机种子，以便复现生成结果。 **擅长场景** - **口播数字人与口型同步**：能够很好地保持输入人物图片的一致性，并提供可靠的口型同步和原生对白生成。 - **主体特写**：尤其擅长处理前景物体和近距离特写镜头。 - **产品动画**：将静态产品图片转化为动态视频。 - **社交媒体广告与短视频内容**：支持快速迭代和多分辨率输出。 - **音乐视频**：将自定义音频与 AI 生成的画面相结合。 - **低分辨率素材动画化**：能够有效地让低分辨率图片动起来。 **使用技巧** - **使用草稿模式进行迭代。** 建议先开启草稿模式，快速尝试不同的提示词和画面构图，确定效果后再关闭草稿模式进行最终渲染。 - **竖屏格式使用 1080p 和 48 FPS 可能会获得更好的效果。** - **尝试不同的分辨率与帧率组合。** 输出质量可能会受到分辨率、帧率和输入画面构图组合的影响。 - **适当优化提示词会有所帮助。** 与其他生成式模型一样，先用较短的时间尝试和调整提示词，通常能获得更好的结果。 **限制** - 不适合极端的电影级镜头运动或复杂的多场景叙事。 - 不支持原生 4K 输出。 - 音效（SFX）生成能力有限。如果需要更真实的高品质人声或更高级的声音设计，可以使用专业音频服务生成音频，再将其作为 P-Video 的音频输入。 - 当说话者超过两人时，不同说话者之间的声音区分效果可能会下降。 - 可能出现说话者归属偏移，例如本应由不同角色说出的多句台词被同一个声音连续说出。 **使用方式** - 使用方式，给codex等客户端，安装skill：https://github.com/aiman-labs/ergouzi-agent-skills - 或者安装mcp：https://github.com/aiman-labs/ergouzi-agent-skills - 单独创建一个【图片视频模型】分组的密钥，告诉AI，让它配置ergouzi的url+密钥给这个skill - 这个密钥不是配置给客户端，是配置到skill内部 - 配置好之后就可以在codex等客户端中，调用skill进行生图