A text-to-video model that creates dynamic clips from written prompts, suitable for advertising concepts, storyboards, cinematic scenes, and social media content.
Price: $0.18 / request
480P text_to_video : $0.06999999999999999 /
720P text_to_video : $0.13999999999999999 /
1080P text_to_video : $0.18 /
Wan2.7-R2V 是参考生视频模型，支持文本、图像、视频三种模态输入，能够从参考素材中复刻角色外观、音色和动作，生成自然逼真的表演视频。其核心能力在于角色一致性保持：最多可提供5个参考素材，支持单人或多人表演，参考视频还能复刻语音音色。模型支持多分镜叙事，用户可通过时间段描述镜头逻辑，模型自动识别分镜结构。此外，通过 reference_voice 音频文件可独立设定音色，未指定时默认使用参考视频中的音频。输出支持720P/1080P分辨率，画面比例可选16:9、9:16、1:1等，视频时长最长10秒。
PixVerse V5.5 于2025年12月1日发布，是首款实现“分镜+音频”一键直出的 AI 视频大模型。此次更新首次支持音频与多镜头同步生成，并强化了多角色音画同步能力，AI 能够根据提示词生成具备叙事结构的短片，标志着 AI 视频从“镜头生成”向自动“讲故事”的进化。用户可在多镜头和音画同步开启状态下生成5秒、8秒或10秒的视频，直接在提示词中控制音效类型。在分辨率方面，10秒片段最高支持720p，1080p输出限制为5秒或8秒。V5.5新增了 generate_audio_switch 和 generate_multi_clip_switch 等 API 参数，为开发者提供了更细粒度的控制能力。
PixVerse V4 于2025年2月25日发布，核心升级是写实度的大幅提升和 Restyle（风格重绘）功能的推出，同时新增了音频生成能力。模型支持5秒或8秒视频，分辨率覆盖540p、720p和1080p，可从文本或图像提示生成视频。在定价方面，5秒1080P普通运动消耗80积分（约0.80美元），开启音效额外消耗10积分。V4在人物/物体的自然度和生成速度上均有改善，使 PixVerse 的生成能力开始跻身行业第一梯队。该版本还引入了风格重绘功能，用户可在写实与动漫等外观之间灵活切换，为后续 V4.5 的多模态融合和多主体控制能力奠定了基础。
HappyHorse-1.0-I2V 是图生视频变体，输入一张图像和文本提示，输出流畅自然的高质量视频。其核心能力在于“高度还原的动态画面生成”，能够精准理解文本语义，将静态图像的视觉信息与文本描述相结合，生成细节丰富、运动自然的视频片段。该模型输入模态为图像与文本，输出为视频，通过阿里云百炼平台提供推理服务，部署于北京、新加坡、法兰克福、弗吉尼亚等区域。