2026 年 11 月 12 日,百度在百度世界 2026 开幕式上介绍了面向口播与近景特写场景的视频生成模型 ERNIE-Wizshot-ME(文心一镜微表情大模型),百度智能云千帆产品页与 API 参考文档(文档更新日期为 11 月 11 日)已同步列出该模型的接入规范与计费标准。

与通用文生视频模型不同,ERNIE-Wizshot-ME 主打“单张人物形象图 + 文本指令 + 音频轨道”的多模态驱动模式,旨在让静态人像无需实拍即可自然开口说话,并重点保留近景镜头下眉眼起伏、嘴角牵动和视线转移等面部微表情细节,适用于播客访谈切片、短剧近景对白、说书及情感口播场景。

接入与调用机制:异步两步任务流

根据百度智能云千帆 API 文档披露的接口结构,视频生成属于耗时较长的计算任务,因此 ERNIE-Wizshot-ME 没有采用同步阻塞返回,而是标准的异步两步调用流程:

第一步:提交生成请求(POST 创建视频生成任务):开发者向千帆视频生成接口发起 POST 请求,传入参考人物图片、文本引导指令以及驱动口型的音频文件。请求受理后,服务端会立即返回一个唯一的任务编号(task_id)。

第二步:轮询生成结果(GET 查询视频生成任务):客户端持第一步拿到的 task_id 定期调用 GET 查询接口,跟踪任务排队、推理中或完成状态;当状态变为完成后,即可从返回结果中获取生成的 1080p 视频文件。此外,千帆文档也同步列出了查询视频生成任务列表(GET)与取消视频生成任务(DEL)的配套管理接口。

图片说明

价格账本与调用限制(核查边界)

输出规格与按秒计费标准:千帆产品页明确标示该模型输出分辨率为 1080p,单次生成视频时长范围为 4 秒至 15 秒(4s ~ 15s)。官方刊例价为 0.7 元/秒,按实际生成视频秒数计费——例如制作一条 5 秒的口播短视频,刊例成本为 3.5 元;生成满 15 秒则为 10.5 元。

默认并发与排队上限极低(均为 1):核查千帆《模型服务计费》文档可知,ERNIE-Wizshot-ME 在默认配置下的最大并发数和最大排队数均为 1。这意味着普通账号在同一时刻只能跑 1 个生成任务、最多排队 1 个任务,如果业务需要批量并发生成口播视频,必须提前向百度智能云申请提升并发配额。

排除说明与未披露项:该模型并非通用文本对话大模型,也不支持生成超过 15 秒的长视频;官方目前未在公开文档中披露模型参数规模,也未说明香港企业账号的独立港元计费规则。我们对口型同步自然度与实际排队耗时尚未进行独立实测。