fal.ai 多媒体生成

在内容创作流程中，生成图像、视频或音频往往需要切换多个工具，参数定义不统一，生成结果的可控性和成本也难以把握。fal.ai 多媒体生成技能通过 MCP 将 fal.ai 的多模态模型整合到同一工作流，解决跨类型媒体生成的工具割裂问题。

核心能力

该技能支持三类媒体生成任务，覆盖从草稿到成品的迭代需求：

• 图像生成：提供两类模型适配不同场景，Nano Banana 2 适合快速迭代和草稿，支持文生图与图像编辑；Nano Banana Pro 面向高保真成品，擅长写实画面、排版与复杂提示词解析。可调整 image_size、num_images、guidance_scale 等参数控制输出效果。
• 视频生成：支持文本或图像转视频，包含三个优化不同需求的模型：Seedance 1.0 Pro（ByteDance）主打高动态质量，Kling Video v3 Pro 支持原生音频生成，Veo 3（Google DeepMind）侧重高画质与配套音效。通过 duration、aspect_ratio 等参数定义视频规格。
• 音频生成：覆盖语音合成与视频配音场景，CSM-1B 用于自然对话风格文生语音，ThinkSound 支持视频转音频，ElevenLabs 提供专业级语音合成，若配置 VideoDB 还可使用其生成式音频功能。

关键工作步骤

1. 用 search 工具按关键词查找可用模型，或通过 find 获取模型详情与参数说明
2. 调用 estimate_cost 估算生成成本，避免高开销任务的意外支出
3. 使用 generate 执行生成任务，通过 result 或 status 检查异步任务进度，必要时用 cancel 终止运行中的任务
4. 涉及图像编辑或图生视频时，先用 upload 上传输入文件

适用边界与注意点

• 需提前在 fal.ai 获取 API key 并配置 MCP 服务器
• 不同模型成本差异较大，建议草稿阶段用低成本模型（如 Nano Banana 2）迭代，成品阶段切换至专业模型
• 视频生成开销较高，执行前务必检查成本估算
• seed 参数可用于复现结果，适合提示词迭代场景
• 部分音频功能（如 ElevenLabs、VideoDB）需额外配置或独立调用