Input prompts and generate images, videos, effects, speech synthesis, voice cloning, etc., using a single API key.

Vidu AI 视频/图片/音频生成。支持文生视频、图生视频、参考生视频、图片生成、TTS语音合成、声音复刻。对话式调用，自动识别意图。

Security Scan

The skill's behavior (and included Python CLI) matches its Vidu-generation description, but the package metadata omits the required VIDU_API_KEY and other provenance info is missing — an incoherence you should resolve before installing.

Purpose & Capability

The SKILL.md and scripts/vidu_cli.py implement video/image/audio generation against api.vidu.cn / api.vidu.com and require an API key (VIDU_API_KEY). That capability aligns with the stated purpose, but the registry metadata claims no required environment variables or primary credential — a clear mismatch between what the skill needs and what the metadata declares.

Instruction Scope

The runtime instructions and the CLI read local input files (images, audio, optional text files), convert local images to base64, and download generation outputs to disk. All of these actions are coherent with a media-generation skill, but they do involve reading user-provided files and writing downloaded outputs to the agent's filesystem (baseDir and usual download paths). The SKILL.md explicitly instructs use of VIDU_API_KEY and local script invocation.

Install Mechanism

There is no install spec (instruction-only install), and the code is included as a plain Python script. No remote downloads or opaque installer are specified, which is low risk from an installation mechanism perspective.

Credentials

The code and SKILL.md require a single credential: VIDU_API_KEY, which is proportionate to the described API integration. However, the registry metadata incorrectly lists no required env vars / credentials. That discrepancy is material: it could mislead users about what secrets they must supply and expose. The skill will also access local files (images/audio) — expected but worth noting for privacy.

Persistence & Privilege

The skill does not request always:true, does not modify other skills, and does not attempt to persist credentials itself. It runs as an on-demand, user-invocable skill and is not requesting elevated platform privileges.

What to consider before installing

This skill appears to implement a Vidu media-generation client (scripts/vidu_cli.py) and legitimately needs an API key (VIDU_API_KEY) to call api.vidu.cn or api.vidu.com. Before installing: 1) Verify the skill publisher and source (there's no homepage and source is 'unknown'). 2) Expect to provide VIDU_API_KEY — the registry metadata incorrectly claims no env vars; do not rely on the metadata. 3) Be aware the skill will read local image/audio files you supply and will upload them to the Vidu endpoints and may download generated media to disk. 4) For voice cloning, confirm you have rights to any source audio you upload and understand privacy/legal risks. 5) If you need higher assurance, ask the publisher for a homepage/repo, or review the full script contents yourself and confirm the exact API endpoints and data sent match your expectations.

Vidu Generation 🎬

Vidu AI 视频/图片/音频生成工具。

环境说明

变量说明：

• {baseDir} - 运行时自动替换为本 skill 目录的绝对路径
  • 实际路径：~/.openclaw/workspace/skills/vidu-generation/

环境变量：

• VIDU_API_KEY - Vidu API 密钥（必需）
• 获取方式：https://platform.vidu.cn 或 https://platform.vidu.com

快速开始

直接告诉我你想生成什么，我会自动识别并调用合适的接口：

"生成一只猫咪在阳光下打哈欠的视频"
"把这个图片变成视频，让人物转头微笑"
"生成一张可爱的橘猫图片"
"用这两张图生成一个合照视频"
"用少女音配音这段文字：大家好..."

支持的生成类型

🎥 视频生成

类型	触发条件	说明
文生视频	纯文字描述	从文字生成视频
图生视频	提供图片 + 描述	图片作为首帧生成视频
参考生视频	多张图片	多人/多主体视频
首尾帧视频	提供首帧+尾帧图片	过渡动画视频
场景特效	特效关键词（拥抱、特效等）	预设特效模板

🖼️ 图片生成

类型	触发条件	说明
文生图	纯文字描述	从文字生成图片
参考生图	提供参考图片	根据参考风格生成

🔊 音频生成

类型	触发条件	说明
TTS语音合成	"配音"、"朗读"、语音描述	文字转语音
声音复刻	"复刻声音"、"克隆音色"	根据音频复刻音色

自动识别规则

视频生成

用户输入 → 意图识别
─────────────────────────────
纯文字描述 → 文生视频 (text2video)
单张图片 + 描述 → 图生视频 (img2video)
多张图片 → 参考生视频 (ref2video)
首帧 + 尾帧 → 首尾帧视频 (start-end2video)
特效关键词 → 场景特效 (template)

图片生成

用户输入 → 意图识别
─────────────────────────────
"生成图片/图" → 图片生成模式
纯文字 → 文生图
参考图片 → 参考生图

音频生成

用户输入 → 意图识别
─────────────────────────────
"配音" + 文本 → TTS语音合成
"复刻声音" + 音频 → 声音复刻

TTS 语音合成

自动音色推荐

根据内容场景自动选择合适音色：

场景	推荐音色	Voice ID
小红书/短视频（女）	少女音色	female-shaonv
小红书/短视频（男）	精英青年	male-qn-jingying
教程/科普	播报男声	Chinese (Mandarin)_Male_Announcer
情感/故事	御姐音色	female-yujie
商务/产品	沉稳高管	Chinese (Mandarin)_Reliable_Executive
可爱/萌系	萌萌女童	lovely_girl
搞笑/轻松	搞笑大爷	Chinese (Mandarin)_Humorous_Elder
温馨/治愈	温暖少女	Chinese (Mandarin)_Warm_Girl
甜美风格	甜美女声	Chinese (Mandarin)_Sweet_Lady
专业主持	新闻女声	Chinese (Mandarin)_News_Anchor
英文内容	男声	English_Trustworthy_Man
英文内容	女声	English_Graceful_Lady
日文内容	男声	Japanese_GentleButler
日文内容	女声	Japanese_KindLady
韩文内容	女声	Korean_SweetGirl
韩文内容	男声	Korean_CheerfulBoyfriend

使用示例

用户: 用少女音配音这段话：大家好，欢迎来到我的频道
→ 自动选择 female-shaonv
→ 生成音频文件

用户: 用播报男声朗读这段教程内容
→ 自动选择 Chinese (Mandarin)_Male_Announcer

用户: 英文配音：Hello, welcome to my channel
→ 自动选择 English_Trustworthy_Man

停顿控制

使用 <#x#> 标记控制停顿（x为秒数）：

你好<#2#>我是vidu<#1#>很高兴见到你

参数说明

参数	范围	默认值	说明
speed	0.5-2.0	1.0	语速
volume	0-10	0	音量
pitch	-12~12	0	语调
emotion	happy/sad/angry/fearful/disgusted/surprised/calm	-	情绪

声音复刻

根据音频样本复刻音色，用于后续TTS。

使用示例

用户: 帮我复刻这个音频的声音
[发送音频文件]
→ 创建自定义音色
→ 返回 voice_id 供后续使用

要求

• 原音频时长：10秒-5分钟
• 音频清晰，无背景噪音
• 复刻音色为临时音色，7天内需在TTS中调用才能永久保留

API 调用

python3 {baseDir}/scripts/vidu_cli.py voice-clone \
  --audio-url sample.mp3 \
  --voice-id my_voice_001 \
  --text "这是复刻的声音样例"

模型选择策略

文生视频模型

模型	时长范围	分辨率	特点
viduq3-pro-fast	默认5秒，可选1-16秒	默认720p，可选720p/1080p	支持音画同步，支持视频分镜，效果对标viduq3-pro，生成速度更快
viduq3-turbo	默认5秒，可选1-16秒	默认720p，可选540p/720p/1080p	支持音画同步，支持视频分镜，生成速度更快
viduq3-pro	默认5秒，可选1-16秒	默认720p，可选540p/720p/1080p	支持音画同步，支持视频分镜，效果更好
viduq2	默认5秒，可选1-10秒	默认720p，可选540p/720p/1080p	最新模型，情绪表达强，细节更丰富
viduq1	固定5秒	固定1080p	画面清晰，平滑转场，运镜稳定

视频模型（自动推荐）

场景	模型	理由
默认视频	viduq3-pro	最新模型，质量最高
快速生成	viduq3-turbo	速度快

图生视频模型

必须输入1张图片

模型	时长范围	分辨率	特点
viduq3-pro-fast	默认5秒，可选1-16秒	默认720p，可选720p/1080p	支持音画同步，支持生成分镜视频，效果对标viduq3-pro，生成速度最快
viduq3-turbo	默认5秒，可选1-16秒	默认720p，可选540p/720p/1080p	支持音画同步，支持生成分镜视频，生成速度更快
viduq3-pro	默认5秒，可选1-16秒	默认720p，可选540p/720p/1080p	支持音画同步，支持生成分镜视频，效果更好
viduq2-pro-fast	默认5秒，可选1-10秒	默认720p，可选720p/1080p	价格触底、效果好，生成速度在q2-turbo基础上提升2-3倍
viduq2-pro	默认5秒，可选1-10秒	默认720p，可选540p/720p/1080p	新模型，情感表达强，动态细节丰富
viduq2-turbo	默认5秒，可选1-10秒	默认720p，可选540p/720p/1080p	新模型，效果好，生成快
viduq1	固定5秒	固定1080p	画面清晰，平滑转场，运镜稳定
viduq1-classic	固定5秒	固定1080p	画面清晰，转场、运镜更丰富
vidu2.0	默认4秒，可选4/8秒	4秒：默认360p，可选360p/720p/1080p<br>8秒：默认720p，可选720p	生成速度快

参考生视频模型

模型	图片上限	时长范围	分辨率	特点
viduq3-beta	5张	3-10秒	默认720p，可选540p/720p/1080p	默认，最新模型，支持音画同出，智能切镜
viduq3	7张	3-16秒	默认720p，可选540p/720p/1080p	多人场景，智能切镜，支持更多图片
viduq2-pro	7张	1-10秒*	默认720p，可选540p/720p/1080p	支持参考视频，支持视频编辑，视频替换
viduq2	7张	1-10秒	默认720p，可选540p/720p/1080p	动态效果好，生成细节丰富
viduq1	7张	5秒	固定1080p	画面清晰，平滑转场，运镜稳定
vidu2.0	7张	4秒	默认360p，可选360p/720p	生成速度快

*viduq2-pro：输入视频时若未指定时长，duration=0 表示智能指定时长

首尾帧视频模型

必须输入2张图片（首帧+尾帧）

模型	时长范围	分辨率	特点
viduq3-pro-fast	默认5秒，可选1-16秒	默认720p，可选720p/1080p	支持音画同步，支持生成分镜视频，效果对标viduq3-pro，生成速度最快
viduq3-turbo	默认5秒，可选1-16秒	默认720p，可选540p/720p/1080p	支持音画同步，支持生成分镜视频，生成速度更快
viduq3-pro	默认5秒，可选1-16秒	默认720p，可选540p/720p/1080p	支持音画同步，支持生成分镜视频，效果更好
viduq2-pro-fast	默认5秒，可选1-10秒	默认720p，可选720p/1080p	价格触底、效果好，生成速度在q2-turbo基础上提升2-3倍
viduq2-pro	默认5秒，可选1-10秒	默认720p，可选540p/720p/1080p	新模型，效果好，细节丰富
viduq2-turbo	默认5秒，可选1-10秒	默认720p，可选540p/720p/1080p	新模型，效果好，生成快
viduq1	固定5秒	固定1080p	画面清晰，平滑转场，运镜稳定
viduq1-classic	固定5秒	固定1080p	画面清晰，转场、运镜更丰富
vidu2.0	默认4秒，可选4/8秒	4秒：默认360p，可选360p/720p/1080p<br>8秒：默认720p，可选720p	生成速度快

图片模型

Nano 生图模型（推荐）

模型	分辨率	速度	质量	参考图	特殊比例
q3-fast	1K/2K/4K	快	高	0-14张（可选）	✅ 1:4, 4:1, 1:8, 8:1
q2-fast	1K	最快	中	0-14张（可选）	❌
q2-pro	1K/2K/4K	慢	最高	0-14张（可选）	❌

特点：

• ✅ 支持文生图（不输入参考图）
• ✅ 支持参考生图（输入参考图）
• ✅ q3-fast 支持特殊比例（1:4、4:1、1:8、8:1）

Vidu 参考生图模型

模型	分辨率	参考图要求	说明
viduq2	540p/720p/1080p	0-7张	支持文生图、参考生图、图片编辑
viduq1	1080p	1-7张（必填）	仅支持参考生图

viduq2 图片编辑功能：

• ✅ 支持局部重绘、扩图等编辑功能
• ⚠️ 使用图片编辑时，aspect_ratio 必须设为 auto
• 示例："aspect_ratio": "auto"

特点：

• viduq2：支持文生图、参考生图、图片编辑
• viduq1：必须输入至少 1 张参考图（仅参考生图）

场景推荐

场景	模型	理由
默认	q3-fast	最新模型，速度快，支持特殊比例
高画质	q2-pro	效果最好
快速生成	q2-fast	速度最快
参考生图	viduq2	支持文生图和参考生图

时长与分辨率默认值

视频时长：5秒
视频分辨率：720p
视频比例：16:9
图片分辨率：2K
图片比例：16:9

API 调用

内部使用 Python CLI 工具：

# 文生视频
python3 {baseDir}/scripts/vidu_cli.py text2video --prompt "视频描述"

# 图生视频
python3 {baseDir}/scripts/vidu_cli.py img2video --image photo.jpg --prompt "描述"

# 参考生视频
python3 {baseDir}/scripts/vidu_cli.py ref2video --images img1.jpg img2.jpg --prompt "描述"

# 图片生成
python3 {baseDir}/scripts/vidu_cli.py nano-image --prompt "图片描述"

# TTS语音合成
python3 {baseDir}/scripts/vidu_cli.py tts --text "配音文本" --voice-id "female-shaonv"

# 声音复刻
python3 {baseDir}/scripts/vidu_cli.py voice-clone --audio-url sample.mp3 --voice-id my_voice

# 查询任务状态
python3 {baseDir}/scripts/vidu_cli.py status <task_id> --wait --download ./uploads

输出规范

1. 下载目录: {baseDir}/uploads/
2. 返回格式: Markdown 格式引用文件
3. 视频链接: 必须返回 Vidu API 的 creations[0].url 字段

环境配置

必需环境变量：

VIDU_API_KEY=your_api_key_here

获取 API Key：

• Vidu 官方开放平台：https://platform.vidu.cn 或 https://platform.vidu.com
• 注册账号后在「API Keys」页面创建

API 域名选择

重要规则：根据用户语言自动选择 API 域名

用户语言	API 域名	说明
简体中文	api.vidu.cn	国内用户（默认）
其他语言	api.vidu.com	海外用户

Base URL 配置：

# 简体中文用户
BASE_URL = "https://api.vidu.cn/ent/v2"

# 非简体中文用户（英文、日文、韩文等）
BASE_URL = "https://api.vidu.com/ent/v2"

判断逻辑：

• 用户使用简体中文 → 使用 api.vidu.cn
• 用户使用其他语言（英文、日文、韩文等） → 使用 api.vidu.com

错误处理

错误	原因	解决方案
Invalid API key	API密钥错误	检查 VIDU_API_KEY 环境变量
Image size exceeds	图片过大	压缩至50MB以下
Task failed	生成失败	查看 error 信息重试
Voice ID not found	音色不存在	检查音色列表或重新复刻

References

• API参考文档 - 所有API详细参数
• 音色列表 - 303个可用音色

Rules

1. API Key 检查: 调用前确认 VIDU_API_KEY 已设置
2. 异步任务: 视频生成异步进行，需轮询状态
3. 下载时效: 生成 URL 24小时内有效
4. 返回视频链接: 必须返回视频 URL 让用户直接访问
5. 长文本TTS: 文本超过30字符必须使用 --text-file 参数
6. 音色保留: 复刻音色7天内需使用否则删除