提交异步作业并轮询到终态
POST /v1/video/generations 返回 202 与作业 ID；GET /v1/video/generations/{id} 持续报告作业状态直至 succeeded / failed。排队中的作业带 queue_view（position、jobs_ahead、estimated_wait_seconds、capacity_state），按服务家族支持情况回填。带 Idempotency-Key 头可幂等重放：同 key 同 body 返回原作业，不会重复扣费。
curl https://modelxing.com/v1/video/generations \
-H "Authorization: Bearer $NEXTMODEL_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "musetalk-local",
"prompt": "口播",
"audio_url": "https://your-bucket.oss-cn-hangzhou.aliyuncs.com/drive.wav",
"source_image": "https://your-bucket.oss-cn-hangzhou.aliyuncs.com/portrait.png",
"duration_seconds": 15
}'curl https://modelxing.com/v1/video/generations/{job_id} \
-H "Authorization: Bearer $NEXTMODEL_API_KEY"musetalk-local：以你的音频驱动人像口播
musetalk-local 用驱动 wav 渲染口播视频（1920x1080、25fps）。audio_url 接受 https 地址（网关自动下载并代存到渲染存储）或服务端 /mnt/sfsturbo/... .wav 路径。成片时长跟随音频；计费按音频实际秒数、单笔 5 秒起计，单价见模型页。
| audio_url | https 地址（自动代存）或服务端 /mnt/sfsturbo/... .wav 路径；必填 |
| source_image | 可选人像——且是唯一人脸参考：提供时渲染完全跟随该肖像；不提供则使用内置 persona 素材人物 |
| persona | 可选；synthetic_male（默认）| personaA——底半身素材 |
| duration_seconds | 可选声明 [5,300]；声明后额度预留与渲染匹配；无论是否声明，均按音频实际秒数计费（5 秒起） |
wan2.7 家族：哪些形态不接受驱动音频
wan2.7 覆盖文生视频、图生视频与参考生视频。i2v 形态接收一张图片、按提示词生成运动——不接受驱动 audio_url：这类提交会直接 400 video_job_unsupported_reference，而不是先扣费建单再在上游失败。「照片+音频驱动」不由该家族服务；支持驱动音频的模型将另行上架。t2v / r2v 形态按 wan2.7 官方参考继续接受可选的配乐 audio_url。
minimax-h3：参考通道
minimax-h3 家族是提示词驱动的全模态视频模型。一张图作首帧；两张图作首尾帧关键帧；三到四张图成为多参考角色条件化（reference_image 条目）。参考片段以 video_url / audio_url 数组承载——每个条目成为与提示词并列的视频/音频参考 clip。参考地址必须是允许主机上的 https（本部署为 aliyuncs.com）。
| 1 张图 | 首帧条件化 |
| 2 张图 | 首尾帧关键帧 |
| 3-4 张图 | 多参考角色条件化（ref2va） |
| video_url / audio_url 数组 | 视频 / 音频参考 clip（可与图片任意角色混用） |