Guide API Vidu MoE : vidéo Mixture-of-Experts

Si je devais résumer ceci en une ligne : Vidu MoE est une API vidéo au format court pour les équipes qui ont besoin de clips de 1 à 16 secondes, jusqu'à 1080p, 24 ips, livraison asynchrone et audio optionnel dans une seule requête.

Si vous jugez l'adéquation pour la production, voici la réponse courte : il fonctionne le mieux quand vous pouvez gérer des tâches asynchrones, budgéter pour les reprises et choisir le bon palier de modèle pour chaque étape. J'utiliserais viduq3-turbo pour les aperçus et viduq3-pro pour la sortie finale. La plupart des tâches se terminent en environ 60 à 120 secondes en 720p et 90 à 180 secondes en 1080p, avec des temps d'attente de pointe atteignant environ 4 minutes.

Voici ce qui compte le plus :

• Modes d'entrée : texte-vers-vidéo, animation d'une image, alternatives Grok Imagine Video, vidéo deux images début/fin, et entrée de références multi-images
• Limites de clip : 1 à 16 secondes
• Sortie : jusqu'à 1080p à 24 ips
• Audio : peut être activé dans la même requête
• Références image : jusqu'à 7 images dans l'ensemble de fonctions élargi du modèle
• Règle principale de l'API : si vous envoyez des URL d'image, n'envoyez pas aspect_ratio
• Livraison : asynchrone avec task_id, interrogation ou callback
• Exemple de tarif : Pro est d'environ 0,60 $ pour 5 secondes et 1,44 $ pour 12 secondes
• Réalité budgétaire : prévoyez 2 à 3 tentatives par clip approuvé

Quelques détails ressortent. L'API utilise une requête JSON simple avec model, prompt et des entrées média optionnelles. Le choix du modèle est direct : turbo pour des tests à plus bas coût, pro pour des rendus plus haut de gamme. Le contrôle du seed aide à garder les sorties dans une direction similaire à travers les reprises, sans être des correspondances exactes.

Si j'évaluais ceci pour une équipe produit, je me concentrerais sur trois questions :

1. Mon application peut-elle gérer proprement le traitement asynchrone ?
2. Ai-je besoin de génération à partir d'invites seules, d'un contrôle mené par l'image, ou d'un contrôle image de début/fin ?
3. Mon budget tient-il encore après les reprises, pas seulement au coût de première passe ?

Comparaison rapide

Donc avant de lire le guide complet, la conclusion est simple : Vidu MoE est un bon choix pour la génération vidéo courte basée sur l'API quand vous voulez plusieurs modes d'entrée, un audio intégré et un contrôle du coût en basculant entre turbo et pro. Le reste se résume à la configuration des requêtes, à la gestion des statuts et au choix de la méthode d'entrée qui correspond à votre flux.

Aperçu de l'API Vidu MoE et capacités principales

Au niveau de l'API, Vidu MoE correspond à un petit ensemble de noms de modèles, de flux et de champs de sortie.

Vidu MoE apparaît dans l'API sous le nom viduq3-mix, le modèle Q3 équilibré. viduq3-turbo penche vers la vitesse, tandis que viduq3-pro penche vers plus de détail.

Ce que signifie Mixture-of-Experts dans la génération vidéo

Le mixture-of-experts envoie différentes parties du processus de génération vers des composants spécialisés. En pratique, cela aide pour le mouvement, la composition de scène et le respect de l'invite.

La série Q3 prend aussi en charge le changement de scène intelligent et le changement de caméra intelligent ^[2][4]. Cela compte le plus dans les séquences multi-plans, où la continuité peut s'effondrer vite si le modèle perd le fil de la scène.

Flux pris en charge : texte-vers-vidéo, image-vers-vidéo et génération guidée par référence

À partir de là, la principale différence se résume au type d'entrée que vous envoyez.

viduq3-mix prend en charge quatre flux :

• Texte-vers-vidéo à partir d'une invite seule
• Image-vers-vidéo à partir d'une image de départ
• Référence-vers-vidéo à partir de 1 à 7 images pour la cohérence d'apparence et de style
• Début-Fin vers vidéo à partir de deux images qui définissent la transition

Les invites prennent en charge jusqu'à 5 000 caractères ^[3][4]. viduq3-mix ne prend pas en charge la bibliothèque d'entités Subjects.

Entrées et sorties en un coup d'œil

Chaque tâche renvoie un task_id et un state, et l'video_url finale devient disponible après le traitement.

Les vidéos Q3 tournent à 24 ips, prennent en charge des durées de 1 à 16 secondes (comparables aux capacités de Sora 2), et offrent une sortie 540p, 720p ou 1080p ^[2]. Les entrées image sont limitées à 50 Mo par fichier ^[4][1].

Ces options de flux façonnent la charge utile que vous envoyez ensuite, que la section suivante décompose en authentification et format de requête.

Authentification, structure des requêtes et configuration APIMart

Pour générer des vidéos Vidu MoE, vous devez envoyer une requête JSON authentifiée. Le corps de la requête dépend du mode d'entrée : texte seul, image unique ou multi-images.

Obtenir les identifiants d'API et définir les en-têtes de requête

Générez votre clé d'API depuis la page Gestion des clés d'API APIMart ^[6]. Sauvegardez-la sous APIMART_API_KEY, puis chargez-la à l'exécution avec os.environ.get("APIMART_API_KEY") en Python ou process.env.APIMART_API_KEY en Node.js.

Incluez ces en-têtes à chaque requête :

• Authorization: Bearer YOUR_API_KEY
• Content-Type: application/json

Charge utile minimale pour une tâche de génération vidéo

L'endpoint APIMart standard pour les générations Vidu Q3 (MoE) est https://api.apimart.ai/v1/videos/generations ^[6]. L'API déduit le mode à partir de image_urls :

• 0 URL = texte-vers-vidéo
• 1 URL = image-vers-vidéo
• 2 URL = première-à-dernière image

Voici les champs principaux et quand les utiliser ^[6] :

Une erreur facile ici : n'envoyez pas aspect_ratio avec image_urls. Quand vous incluez des images, l'API tire le ratio d'aspect de l'image source. Si vous envoyez quand même aspect_ratio, la requête renvoie une erreur 400.

Une fois la charge utile définie, vous pouvez soumettre la tâche et commencer à interroger pour le résultat.

Exemple d'appel d'API et schéma de réponse

Exemple de requête texte-vers-vidéo :

curl -X POST https://api.apimart.ai/v1/videos/generations \
  -H "Authorization: Bearer $APIMART_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "viduq3-turbo",
    "prompt": "A product shot of a glass perfume bottle on a marble surface, camera slowly zooms in, soft studio lighting",
    "duration": 5,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "audio": false
  }'

Une soumission réussie renvoie un task_id et un statut submitted ^[6] :

{
  "code": 200,
  "data": [{
    "status": "submitted",
    "task_id": "task_xxxxxxxxxx"
  }]
}

L'API s'exécute de manière asynchrone. Cela signifie que la première réponse vous indique seulement que la tâche a été acceptée. Utilisez le task_id pour interroger l'endpoint « Get Task Status ». Quand la tâche se termine, la réponse inclut le ou les liens MP4, généralement valides 7 jours ^[6].

Un rythme d'interrogation simple fonctionne bien :

• Interrogez toutes les 5 secondes pendant les 5 premières minutes
• Après cela, interrogez une fois par minute
• Continuez d'interroger jusqu'à ce que le statut soit completed

À ce moment-là, téléchargez et stockez le ou les liens vidéo retournés.

Ensuite, ajustez la durée, la résolution, le ratio d'aspect et les entrées de référence pour contrôler la vidéo finale. Pour les projets nécessitant des styles cinématographiques différents, vous pouvez aussi comparer les capacités de Kling V3 pour la génération vidéo haut de gamme.

Flux de génération, paramètres et contrôle de la sortie

Flux de bout en bout : soumettre, surveiller, récupérer et stocker les résultats

Après avoir soumis une tâche, la grande décision de production est simple : utiliser un callback ou interroger le statut. Dans la plupart des cas, callback_url est le meilleur choix pour la production. L'interrogation fonctionne, mais elle devrait être votre plan de secours. Quand vous utilisez un callback, l'API envoie le statut final à votre endpoint. Si la livraison échoue, elle réessaie jusqu'à trois fois ^[3].

La tâche traverse ensuite un chemin de statut fixe : created → queueing → processing → success ou failed ^[3][4]. Si une tâche aboutit à failed, la réponse inclut un code d'erreur. Consignez ce code et gérez-le dans votre flux pour que votre équipe puisse repérer les schémas et corriger les problèmes plus vite.

Quand le statut passe à success, téléchargez la sortie tout de suite et sauvegardez-la dans un stockage durable. Cette étape compte parce que les URL hébergées par l'API peuvent expirer ^[9].

Paramètres clés qui affectent composition, mouvement, durée et cohérence

Une fois qu'une tâche est en cours, quelques paramètres façonnent l'apparence du résultat, sa stabilité d'un run à l'autre, et le nombre de crédits que vous dépensez.

Un paramètre vaut la peine d'être suivi dès le départ : seed. Si vous obtenez un schéma de mouvement qui vous plaît, notez cet entier et conservez-le. Ensuite, quand vous ajustez l'invite plus tard, vous pouvez réutiliser le même seed pour garder une composition d'ensemble similaire au lieu de repartir de zéro.

Quand utiliser des invites seules, des références image, ou les deux

Ces modes d'entrée vous permettent d'échanger vitesse contre contrôle. Choisissez celui qui correspond au degré de verrouillage de votre direction visuelle.

• Invite seule (texte-vers-vidéo) : idéal pour l'idéation précoce, les tests de style et les expériences de scène avant que les actifs visuels soient finalisés. Utilisez viduq3-turbo en 540p ou 720p pour réduire les coûts d'itération, ou comparez-le avec WAN 2.6 pour des alternatives à haute cohérence ^[7].
• Image unique (image-vers-vidéo) : idéal quand vous voulez animer quelque chose de précis, comme une photo de produit, une illustration de personnage ou un visuel de marque. C'est une bonne correspondance pour le travail e-commerce et marketing.
• Deux images (première-à-dernière image) : idéal quand la transition doit aboutir à un résultat défini, comme un produit tournant vers un certain angle ou un personnage prenant une pose définie ^[5].

Si le prompting manuel vous donne des résultats inégaux, activez is_rec: true. L'API générera une invite optimisée à partir de votre image, ce qui peut aider l'alignement invite-image, mais ajoute 10 crédits par tâche ^[1].

Performance, tarifs et scénarios d'intégration réels

Comment évaluer latence, fiabilité et coût par vidéo

Après avoir verrouillé le format de requête, la prochaine chose à regarder est la vitesse, le prix et le taux de réussite des tâches. C'est un flux asynchrone, donc votre application devrait soumettre la tâche, stocker le task_id, et récupérer le MP4 final plus tard via interrogation ou callback ^[3][6].

Les tâches traversent généralement un chemin simple : en file, terminée ou échouée. Quand une tâche échoue, les crédits sont souvent remboursés automatiquement ^[3][10]. Cela compte en production, parce que les reprises font partie du processus, pas d'un cas marginal.

En matière de délai de traitement, les générations 720p se terminent généralement en 60 à 120 secondes. Pour le 1080p, comptez plutôt 90 à 180 secondes. Le temps de file est souvent de 15 à 30 secondes aux heures creuses, tandis que la latence p95 en pointe peut s'étirer à environ 4 minutes ^[7]. Donc oui, ça peut bien fonctionner en production - mais seulement si votre système est conçu pour gérer proprement l'achèvement asynchrone.

Côté tarifs, le tarif Pro place un clip de 5 secondes à 0,60 $ et un clip de 12 secondes à 1,44 $ ^[10]. En pratique, la plupart des équipes devraient budgéter 2 à 3 essais par actif approuvé. Cela place le coût final d'un clip utilisable dans la fourchette 1,20 à 4,32 $, selon la durée ^[10]. Si vous êtes en mode test, viduq3-turbo est environ moitié moins cher que Pro et a plus de sens pour l'itération rapide. Pro est mieux réservé aux rendus finaux ^[10].

Ces chiffres couvrent la génération de base uniquement. Ils **n'**incluent pas les reprises. Si votre équipe attend plusieurs passes - et la plupart le font - multipliez les totaux par 2 à 3 pour un budget plus proche de la production au quotidien.

Cas d'usage : vidéos marketing, clips éducatifs et visuels de produits e-commerce

Une fois le coût et le temps d'attente clairs, l'étape suivante est de choisir le bon mode d'entrée pour l'actif que vous devez livrer. Le meilleur choix se résume surtout à une chose : le degré de contrôle visuel dont vous disposez déjà.

Une façon simple d'y penser :

• Si la cohérence de marque compte, utilisez Référence-vers-vidéo
• Si l'image source est déjà belle, utilisez Image-vers-vidéo
• Si vous avez besoin de mouvement entre deux états, utilisez Première-Dernière image
• Si vous voulez beaucoup de variantes de pubs vite, utilisez Texte-vers-vidéo ou envisagez MiniMax Hailuo 2.3 pour des sorties professionnelles à haute cohérence.

Pour les équipes qui cherchent à réduire le temps d'édition, l'audio natif change le plus le flux. L'audio natif élimine le sourcing et l'édition séparés ^[8], ce qui peut supprimer des étapes de post-production pour les équipes qui veulent un clip terminé à partir d'une seule passe de génération. C'est là que le modèle devient le plus utile : quand l'objectif est de se rapprocher d'un actif prêt à livrer sans faire passer le fichier par une longue chaîne de transmission.

Conclusion : comment décider si Vidu MoE convient à votre flux de production

Vidu MoE a du sens quand vous avez besoin de clips courts jusqu'à 12 à 16 secondes, de plusieurs modes d'entrée et d'audio natif dans une configuration d'API asynchrone. Le paramètre seed peut aider à garder les tâches répétées dans à peu près la même direction, mais vous ne devriez pas attendre que des entrées identiques produisent des sorties identiques au bit près ^[6][10]. Les tâches échouées tendent aussi à déclencher des remboursements automatiques de crédits ^[3][10].

Cela convient aux équipes qui produisent de la vidéo au format court à grande échelle, peuvent attendre quelques minutes les résultats, et ont de la marge dans le budget pour les reprises. Si cela ressemble à votre flux, APIMart vous donne un moyen propre de faire tourner créations marketing, visuels de produits et contenu explicatif via une seule surface d'API.

FAQ

Quel modèle Vidu MoE devrais-je utiliser en premier ?

Pour la plupart des développeurs, viduq3-turbo est le meilleur point de départ. Il vous donne les vitesses de génération les plus rapides, un solide rapport prix-performance, et des fonctions avancées comme la synchronisation audio-visuelle et le changement de scène intelligent.

Optez pour viduq3-pro si vous voulez l'ensemble de fonctions le plus complet. Il inclut la génération de storyboard et l'alignement audio-visuel de la plus haute qualité. Les deux modèles prennent en charge des vidéos de 1 à 16 secondes et des résolutions jusqu'à 1080p.

Comment devrais-je gérer les tâches vidéo échouées ou retardées ?

Utilisez l'ID de tâche dans votre flux asynchrone.

Pour les tâches qui prennent plus de temps, soit interrogez l'API de statut de temps en temps, soit définissez une URL de callback pour être notifié quand la tâche atteint un état terminal.

Si une tâche échoue, vérifiez le callback ou la réponse de statut pour les détails de l'erreur.

Pour la stabilité en production, utilisez un backoff exponentiel lors de l'interrogation afin de ne pas atteindre les limites de débit.

Les tâches hors pointe qui dépassent 48 heures sont annulées automatiquement, et les points sont remboursés.

Quel mode d'entrée offre le plus de contrôle ?

La génération multi-images vous donne le plus de contrôle sur la façon dont une vidéo passe d'un moment au suivant. Au lieu de vous appuyer sur une seule invite ou une configuration à deux images, vous pouvez cartographier une séquence allant jusqu'à 9 images clés.

Ce contrôle supplémentaire compte. Pour chaque transition, vous pouvez ajouter une image spécifique et une invite personnalisée, afin que l'histoire visuelle suive le chemin que vous voulez, image par image.

Pour l'utiliser, envoyez vos images et invites à l'endpoint multiframe dans le tableau image_settings.