製作一支帶旁白的影片
一個端到端範例：用 LLM 寫腳本、生成影片片段、合成配音，再把它們合在一起——全程只用一把 API 金鑰。
本教學在同一支腳本裡串起三種模型：語言模型撰寫旁白，影片模型生成畫面，語音模型把旁白唸出來。它很好地說明了「單一 API、單一餘額橫跨各類模型」在實務上的價值。
您需要準備： Python 3.9+、一把 API 金鑰，以及 ffmpeg（若最後想把音訊與影片合流的話）。
本教學會實際提交生成任務並消耗真實額度。影片是最花錢的一環——調整階段請先用較短的時長，若想先算出確切金額，可以參考價格估算。
準備工作
pip install requests
export ATLASCLOUD_API_KEY="your-api-key"步驟 1 —— 共用輔助函式
每個媒體任務都遵循同樣的「提交後輪詢」流程，所以只需要寫一次。
import os, time, requests
API_KEY = os.environ["ATLASCLOUD_API_KEY"]
BASE = "https://api.atlascloud.ai/api/v1"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}
TERMINAL = {"completed", "succeeded", "failed", "timeout"}
def submit(endpoint: str, model: str, **params) -> str:
"""提交任務。注意參數是平鋪的，不要包在 input 裡。"""
r = requests.post(f"{BASE}/model/{endpoint}",
headers=HEADERS, json={"model": model, **params}, timeout=60)
r.raise_for_status()
return r.json()["data"]["id"]
def wait(prediction_id: str, timeout: int = 900) -> dict:
"""輪詢到終態，間隔逐步放大。"""
deadline, delay = time.time() + timeout, 2.0
while time.time() < deadline:
r = requests.get(f"{BASE}/model/prediction/{prediction_id}",
headers=HEADERS, timeout=30)
r.raise_for_status()
data = r.json()["data"]
if data.get("status") in TERMINAL:
if data["status"] in ("failed", "timeout"):
raise RuntimeError(f"任務失敗: {data.get('error') or data['status']}")
return data
time.sleep(delay)
delay = min(delay * 1.5, 10.0)
raise TimeoutError(prediction_id)
def download(url: str, path: str) -> str:
r = requests.get(url, timeout=300)
r.raise_for_status()
with open(path, "wb") as f:
f.write(r.content)
return path步驟 2 —— 用 LLM 撰寫腳本
語言模型使用的是另一個 Base URL，而且是同步的，因此不會經過 submit／wait。
def write_narration(topic: str) -> str:
r = requests.post(
"https://api.atlascloud.ai/v1/chat/completions",
headers={**HEADERS, "Content-Type": "application/json"},
json={
"model": "deepseek-ai/deepseek-v3.2",
"messages": [
{"role": "system",
"content": "You write narration for short videos. "
"Reply with two sentences of spoken narration and nothing else."},
{"role": "user", "content": f"Topic: {topic}"},
],
"max_tokens": 200,
},
timeout=120,
)
r.raise_for_status()
return r.json()["choices"][0]["message"]["content"].strip()
narration = write_narration("how ocean waves shape a coastline")
print(narration)步驟 3 —— 生成畫面
video_id = submit(
"generateVideo",
"alibaba/wan-2.5/text-to-video",
prompt="slow aerial shot of waves breaking against a rocky coastline at golden hour",
duration=5,
)
video = wait(video_id)
download(video["outputs"][0], "footage.mp4")影片生成耗時是以分鐘計，而非秒。在生產環境中，請註冊 Webhook，讓任務完成後回呼您，而不是一直掛著一個輪詢迴圈。
步驟 4 —— 合成配音
步驟 2 產出的旁白在這裡作為輸入。語音、音樂與轉寫共用同一個端點——實際執行哪一種由模型決定。
audio_id = submit(
"generateAudio",
"bytedance/seed-audio-1.0",
text=narration,
format="mp3",
sample_rate=44100,
speech_rate=-5, # 略慢一點，旁白更好懂
)
audio = wait(audio_id)
download(audio["outputs"][0], "voiceover.mp3")完整參數（包含音色參考）請參閱音訊模型。
步驟 5 —— 合流
ffmpeg -i footage.mp4 -i voiceover.mp3 \
-c:v copy -c:a aac -shortest narrated.mp4選用 —— 生成字幕
把配音再送進轉寫模型，就能取得詞層級的時間軸，用來製作字幕。
stt_id = submit(
"generateAudio",
"bytedance/seed-asr-2.0",
audio_url=audio["outputs"][0], # 注意欄位名稱是 audio_url
enable_punc=True,
show_utterances=True,
)
stt = wait(stt_id)
# 轉寫模型的 outputs[0] 是文字本身，不是檔案 URL
print(stt["outputs"][0])
for word in stt.get("stt_result", {}).get("words", [])[:10]:
print(word["start"], word["end"], word["text"])轉寫模型接收的是 audio_url，但另一些語音轉文字模型接收的卻是 audio。請查閱該模型的 API 參考——欄位名稱傳錯會直接驗證失敗。
接下來可以做什麼
相關內容
Last updated on