2026 年 11 月 12 日,百度在百度世界 2026 開幕式上介紹了面向口播與近景特寫場景的影片生成模型 ERNIE-Wizshot-ME(文心一鏡微表情大模型),百度智能雲千帆產品頁與 API 參考文檔(文檔更新日期為 11 月 11 日)已同步列出該模型的接入規範與計費標準。

與通用文生影片模型不同,ERNIE-Wizshot-ME 主打「單張人物形象圖 + 文本指令 + 音訊軌道」的多模態驅動模式,旨在讓靜態人像無需實拍即可自然開口說話,並重點保留近景鏡頭下眉眼起伏、嘴角牽動和視線轉移等面部微表情細節,適用於播客訪談切片、短劇近景對白、說書及情感口播場景。

接入與調用機制:非同步兩步任務流

根據百度智能雲千帆 API 文檔披露的介面結構,影片生成屬於耗時較長的計算任務,因此 ERNIE-Wizshot-ME 沒有採用同步阻塞返回,而是標準的非同步兩步調用流程:

第一步:提交生成請求(POST 創建影片生成任務):開發者向千帆影片生成介面發起 POST 請求,傳入參考人物圖片、文本引導指令以及驅動口型的音訊檔案。請求受理後,服務端會立即返回一個唯一的任務編號(task_id)。

第二步:輪詢生成結果(GET 查詢影片生成任務):客戶端持第一步拿到的 task_id 定期調用 GET 查詢介面,跟蹤任務排隊、推理中或完成狀態;當狀態變為完成後,即可從返回結果中獲取生成的 1080p 影片檔案。此外,千帆文檔也同步列出了查詢影片生成任務列表(GET)與取消影片生成任務(DEL)的配套管理介面。

图片说明

價格賬本與調用限制(核查邊界)

輸出規格與按秒計費標準:千帆產品頁明確標示該模型輸出解析度為 1080p,單次生成影片時長範圍為 4 秒至 15 秒(4s ~ 15s)。官方刊例價為 0.7 元/秒,按實際生成影片秒數計費——例如製作一條 5 秒的口播短片,刊例成本為 3.5 元;生成滿 15 秒則為 10.5 元。

預設併發與排隊上限極低(均為 1):核查千帆《模型服務計費》文檔可知,ERNIE-Wizshot-ME 在預設配置下的最大併發數和最大排隊數均為 1。這意味著普通賬號在同一時刻只能跑 1 個生成任務、最多排隊 1 個任務,如果業務需要批量併發生成口播影片,必須提前向百度智能雲申請提升併發配額。

排除說明與未披露項:該模型並非通用文本對話大模型,也不支援生成超過 15 秒的長影片;官方目前未在公開文檔中披露模型參數規模,也未說明香港企業賬號的獨立港元計費規則。我們對口型同步自然度與實際排隊耗時尚未進行獨立實測。