文本、图像、视频与音频：怎样设计多模态接入

先分清“理解”和“生成”

视觉理解从图片中提取信息，图像生成输出新的图片；语音识别把音频转成文字，语音合成把文字变成声音。它们可能由不同模型与不同端点完成。

设计需求时写清输入、输出和中间步骤。例如商品短片可以分成文案、分镜、图片、视频、配音与合成。平台接入只覆盖其中的模型调用，素材编排与最终合成仍由应用负责。

逐项核对接口契约

1. 核对模型准确 ID、请求端点和允许的输入类型。
2. 核对图片尺寸、音频格式、文件体积、时长和数量限制。
3. 确认结果是直接返回文件、URL、Base64，还是任务 ID。
4. 确认结果 URL 的有效期和保存方式，不把临时链接当作永久存储。

把异步任务当成有状态流程

应用应保存任务 ID 与提交时间，并区分等待中、处理中、成功和失败。轮询要有间隔、超时和取消策略。只有厂商文档明确支持时才使用回调或幂等键。

超时不必然表示生成失败。再次提交前先查询旧任务，避免重复生成。输出内容通过应用验收后再对外展示；涉及声音或人物素材时确认相应授权。

api-turbo 中如何落地

先在公开目录了解模型方向，再由已启用渠道确认接口。开发文档中的文本示例不自动适用于视频与音乐。对尚未配置的模态，不应在产品界面显示“立即可用”。

最小验收包括：正常任务、输入拒绝、任务超时和结果下载失败。测试素材、预期输出和实际模型 ID 应一起留档，便于替换渠道时复查。