Vidu 多模态生成工具

要解决的问题

调用 Vidu API 时，视频、图片和音频接口分散，模型参数、时长分辨率、音色选择、域名切换和异步轮询都需要手工处理。开发者若直接在聊天里描述需求，容易反复确认该用 text-to-video、image-to-video 还是 TTS，也容易忽略 VIDU_API_KEY、生成 URL 时效与任务状态。

技能如何工作

该技能把自然语言需求映射到 Vidu 的生成类型：纯文字触发文生视频或文生图；加入首帧图片转图生视频；多张参考图走参考生视频；首尾两张图走首尾帧视频；出现配音、朗读、复刻音色等则进入音频链路。

• 模型选择：根据场景推荐 viduq3-pro、viduq3-turbo、q3-fast 等模型，并处理时长、分辨率与特殊比例。
• 音频合成：支持 speed、volume、pitch、emotion 参数，并依据内容场景推荐中英文音色。
• 任务执行：调用前检查 VIDU_API_KEY，按用户语言选择 api.vidu.cn 或 api.vidu.com，异步任务轮询状态，并返回可用的 creations[0].url。

适用边界与注意点

该技能依赖 Vidu 开放平台的 API Key，不处理 Key 申请、计费或素材版权。生成 URL 通常 24 小时内有效，复刻音色 7 天内需在 TTS 中调用才会保留。长文本 TTS、图片大小、模型能力差异和任务失败都需要结合 API 错误信息判断。