API chuyển văn bản thành video — tạo video từ prompt (tương thích OpenAI, 2026)

API chuyển văn bản thành video biến lời nhắc văn bản thành một đoạn video ngắn — bằng lập trình, để bạn có thể đưa việc tạo video vào pipeline thay vì thao tác qua ứng dụng dành cho người tiêu dùng. Hướng dẫn này trình bày cấu trúc API phổ biến của các mô hình video hiện đại, các mô hình đang hoạt động trên Kunavo, giá theo từng đoạn và mẫu không đồng bộ cần dùng trong môi trường production.

API chuyển văn bản thành video hoạt động như thế nào

Cấu trúc này giống nhau trên các mô hình video hiện đại: gửi một prompt và các tham số (duration, aspect_ratio, resolution), rồi nhận về URL video được lưu trữ. Kunavo cung cấp cấu trúc này qua một endpoint theo kiểu OpenAI, /v1/video/generations, vì vậy bạn chuyển đổi giữa các mô hình video bằng cách thay đổi chuỗi model — không cần SDK hay tích hợp mới.

import os

import requests

API_KEY = os.environ["KUNAVO_API_KEY"]

# One OpenAI-style endpoint for every text-to-video model.
resp = requests.post(
    "https://api.kunavo.com/v1/video/generations",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "veo-3",                       # swap the model, same request
        "prompt": "a cinematic dolly-in on a red origami crane unfolding",
        "aspect_ratio": "16:9",
    },
    timeout=600,  # generation takes minutes
)
print(resp.json()["data"][0]["url"])

duration (giây) đặt độ dài clip trên các mô hình tính phí theo giây: các mô hình Seedance và mô hình Wan 2.7. Các mô hình Veo bỏ qua tham số này; mỗi clip Veo dài 8 giây và được tính phí theo video.

Các mô hình chuyển văn bản thành video trên Kunavo

Hiện có ba nhóm: Google Veo 3 (chất lượng điện ảnh với âm thanh tích hợp sẵn), ByteDance Seedance 2 (kể chuyện nhiều cảnh và tính nhất quán với hình ảnh tham chiếu) và Alibaba Wan 2.7 (điện ảnh tiết kiệm, tính phí theo giây). Sora, Kling và Hailuo nằm trong lộ trình; vì endpoint không phụ thuộc mô hình, việc dùng bất kỳ mô hình nào trong số đó chỉ cần thay đổi một từ ở trường model.

Giá

Veo 3 được tính phí theo video (mỗi đoạn 8 giây ở 720p như hiển thị tại đây), thấp hơn khoảng50–70% so với giá niêm yết của Google. Độ phân giải cao hơn sẽ tốn nhiều hơn — trang giá có bảng đầy đủ các gói, còn công cụ tính chi phí video AI tính giá cho một tháng sử dụng — bao gồm cả sự khác biệt giữa tính theo đoạn và theo giây, yếu tố khiến hai mức giá trông tương tự tạo ra các hóa đơn rất khác nhau.

Chuyển hình ảnh thành video

Để tạo chuyển động cho ảnh tĩnh, truyền image_url (URL https hoặc tệp đã tải lên) cùng với lời nhắc; truyền khung hình đầu và cuối để kiểm soát chuyển cảnh. Các tham số đầy đủ nằm trong tài liệu video.

Âm thanh và video: endpoint này làm được và không làm được gì

“Chuyển giọng nói thành video” thường được tìm kiếm với hai ý khác nhau, và cần nói chính xác ý nào hiện có tại đây.

Video có giọng nói được tạo — có. Veo 3 tạo âm thanh đồng bộ tích hợp sẵn như một phần của quá trình tạo: lời thoại, âm thanh môi trường và hiệu ứng, được căn thời gian với cảnh quay, từ cùng một lời nhắc văn bản. Mô tả câu thoại bạn muốn được nói trong lời nhắc và câu thoại đó sẽ xuất hiện trên track âm thanh của MP4 trả về. Không cần mô hình giọng nói riêng, không cần API call thứ hai, không cần bước đồng bộ hậu kỳ. Đây là đặc tính riêng của dòng Veo 3 — Seedance 2 và Wan 2.7 tạo video không có âm thanh.

Điều khiển video từ tệp âm thanh — không. Nếu bạn cần tải bản ghi lên để nhận avatar nói chuyện đồng bộ khẩu hình, hoặc chép lời và lập storyboard từ bản ghi, Kunavo hiện chưa có mô hình cho việc đó. Các mô hình video ở đây nhận lời nhắc văn bản và tùy chọn một ảnh nguồn; không mô hình nào nhận âm thanh làm đầu vào. Nói đầy đủ: /v1/audio/transcriptions hiện cũng chưa bật mô hình nào, vì vậy bạn không thể tự lắp ghép phiên bản hai bước chỉ bằng API này. Nếu đó là trường hợp sử dụng của bạn, đây là công cụ không phù hợp và nên nói rõ thay vì bán cho bạn một giải pháp vòng không tồn tại.

Vòng đời tác vụ không đồng bộ

Quá trình tạo mất vài phút, vì vậy trong môi trường production bạn không giữ kết nối. Gửi tác vụ đến /v1/videos, nhận ngay ID tác vụ, sau đó polling GET /v1/videos/{id} cho đến khi hoàn tất. URL kết quả là vĩnh viễn.

# Production: submit a task and poll — don't hold a long connection.
task = requests.post(
    "https://api.kunavo.com/v1/videos",
    headers={"Authorization": f"Bearer {API_KEY}",
             "Idempotency-Key": "my-task-uuid"},
    json={"model": "veo-3", "prompt": "..."},
    timeout=60,
).json()
# then poll GET /v1/videos/{task["id"]} until status == "completed"

Chọn giữa tám mô hình

Trang này trình bày endpoint. Đối với câu hỏi về chi phí — một đoạn 8 giây 720p trên từng mô hình có giá bao nhiêu, và vì sao cách tính theo đoạn và theo giây đưa các mô hình khác nhau lên đầu ở các độ dài đoạn khác nhau — xem so sánh API tạo video.

Câu hỏi thường gặp