HappyHorse 参考生视频模型支持传入 1~9 张参考图像，通过文本提示词中的 [Image 1]、[Image 2] 等标识指代对应图像，将不同图像中的主体角色自然融合生成一段流畅的视频。支持 720P/1080P 分辨率、9 种宽高比（16:9/9:16/3:4/4:3/4:5/5:4/1

HappyHorse 文生视频 API 基于 happyhorse-1.0-t2v 模型，输入文本提示词即可生成物理真实、运动流畅的视频内容。支持 720P 和 1080P 两种分辨率、9 种宽高比（16:9、9:16、1:1、4:3、3:4、4:5、5:4、9:21、21:9），可自定义视频时长（

HappyHorse 首帧生视频模型以首帧图片为基础，支持通过文本提示词进行引导，生成物理真实、运动流畅的视频。调用采用异步方式，任务通常需要 1–5 分钟完成；支持分辨率档位调节（720P/1080P）、时长设置（3–15 秒）、水印控制及随机种子固定，可满足多样化的图生视频应用需求。 模型名称

HappyHorse-参考生视频模型支持传入多张参考图像，通过文本提示词描述场景，将图像中的主体角色融合生成一段流畅的视频。模型可理解 character1、character2 等参考指代标识，将不同图像中的角色自然融入同一视频场景。视频支持 720P/1080P 分辨率、9 种宽高比（16:9/

计费说明： 该模型视频编辑固定计费 13.5 元 / 条，与输出的视频时长和分辨率无关。 HappyHorse 视频编辑模型支持输入视频与参考图，结合文本指令完成风格变换、局部替换等编辑任务。采用异步两步调用方式：先提交任务获取任务 ID，再轮询查询任务状态并获取编辑后的视频链接。输出视频时长最长

更多视频模型，正在陆续上架中... 敬请期待... 需要多模态模型，请联系在线客服，谢谢。 © 2026 知能API 更多视频模型，正在赶来...

TTS，全称为 Text-to-Speech，即文本转语音。TTS 模型是一种将书面文本自动转换为人类可听的语音的人工智能模型。它的最终目标是生成听起来尽可能自然、清晰、富有表现力的语音，如同真人说话一般。 MiniMax speech 系列目前包含 speech-2.6 和 speech-2.8-

基于小米 MiMo v2.5 的文本转语音（TTS）接口，兼容 OpenAI 对话格式，通过 /v1/chat/completions 端点调用。内置 9 种预置音色（mimo_default 及中文「冰糖 / 茉莉 / 苏打 / 白桦」、英文「Mia / Chloe / Milo / Dean」）

基于小米 MiMo v2.5 的文本设计音色（Voice Design）文本转语音接口，兼容 OpenAI 对话格式，通过 /v1/chat/completions 端点调用。无需提供任何音频样本，只需在 user 消息中用一句自然语言描述想要的音色特征（如 "Give me a young fem

基于小米 MiMo v2.5 的音色复刻（Voice Clone）文本转语音接口，兼容 OpenAI 对话格式，通过 /v1/chat/completions 端点调用。只需在 audio.voice 中以 data:{MIME_TYPE};base64,... 形式传入一段参考音频（支持 mp3