Sora API — OpenAI 兼容工作流中的 text-to-video

Sora 是 OpenAI 的文本转视频模型，“Sora API”指的是团队通过编程方式生成视频，而不是通过消费者应用生成视频。目前在 Kunavo 上，文本转视频通过单一的 OpenAI 风格视频端点运行于 Google Veo 3 之上——Sora 访问权限已列入路线图，而且由于该端点与模型无关，今后迁移到 Sora 只需修改一个单词。本指南使用 Veo 3 演示工作流，因此每个示例现在都可以运行。

什么是 Sora API？

Sora（Sora 2 和 Sora 2 Pro）可将文本提示词——或静态图像——转换为短视频片段，其中 Sora 2 支持同步音频。API 形式让你可以将生成过程编排进流水线：营销镜头、产品动画、补充镜头、分镜预览。现代视频模型的形式基本相同：发送提示词和参数，获得托管视频 URL。

Kunavo 当前的视频能力：Veo 3

Kunavo 通过单一的 OpenAI 风格端点 /v1/video/generations 提供视频生成。Sora 尚未在目录中启用；当前在线的文本转视频模型是 Google Veo 3，可生成带原生音频的电影感片段。下面的示例使用 veo-3——Sora 上线后，唯一需要更改的是 model 字段。

文本转视频快速入门

使用你的 Kunavo 密钥发送一次 POST 请求。生成可能需要几分钟，因此同步调用会保持连接，直到片段准备就绪：

import requests

resp = requests.post(
    "https://api.kunavo.com/v1/video/generations",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "veo-3",
        "prompt": "a cinematic dolly-in on a red origami crane unfolding, soft light",
        "aspect_ratio": "16:9",
    },
    timeout=600,  # generation can take minutes
)
print(resp.json()["data"][0]["url"])

duration（秒）用于在按秒计费的模型（Seedance 系列模型和 Wan 2.7）上设置片段时长。Veo 模型会忽略它；每个 Veo 片段都是 8 秒，按视频计费。

图像生成视频

要让静态图像动起来，请将 image_url（https URL 或上传到 /v1/files 的文件）与提示词一同传递。要实现受控运动，可以使用 image_urls 和 image_mode: "frame" 传递首帧和尾帧。完整示例请参阅 视频文档。

异步任务生命周期

在生产环境中，不要保持一个持续 10 分钟的连接。向 /v1/videos 提交任务，立即获得任务 ID，然后轮询 GET /v1/videos/{id}，直到任务完成。结果 URL 永久有效。

# Production: submit a task, then poll — no long-lived connection.
task = requests.post(
    "https://api.kunavo.com/v1/videos",
    headers={
        "Authorization": f"Bearer {API_KEY}",
        "Idempotency-Key": "my-task-uuid",   # retry-safe within ~24h
    },
    json={"model": "veo-3", "prompt": "...", "aspect_ratio": "16:9"},
    timeout=60,
).json()
# then poll GET /v1/videos/{task["id"]} until it completes

视频文档介绍了完整的轮询流程、幂等键和 Webhook 投递。

定价

Veo 3 按视频计费（此处显示的是每个 720p、8 秒片段的价格），比 Google 的公开价格低约 50–70%。更高分辨率的价格更高——完整的分档表请参阅 价格页面。

视频提示词技巧

• 描述镜头，而不只是描述主体。 摄像机运动（推轨、摇摄、推进）、镜头质感、光线和节奏比形容词更重要。
• 明确设置宽高比——横屏使用 16:9，竖屏/社交媒体使用 9:16。
• 每个 Veo 片段都是 8 秒。请按这个时长设计每个镜头；如需更长的序列，可将多个生成结果拼接起来。
• 使用参考帧（图像转视频），以便让特定角色或产品保持一致。

常见问题