除了文本对话，AI 绘图与视频生成也是热门需求。它们的 API 与文本模型有本质区别：多为异步任务、按次或按秒计费、耗时较长。本文介绍如何通过中转站接入这类多模态能力。
一、多模态 API 与文本 API 的不同
- 异步任务：提交后返回任务 ID，需要轮询或接收回调获取结果；
- 计费方式：绘图按张、视频按秒/按分辨率档位计费；
- 耗时较长：尤其是视频，可能需要几十秒到几分钟；
- 输出是文件：返回图片/视频 URL，需要自行下载与存储。
二、常见模型与任务
| 类别 | 代表能力 | 典型用途 |
|---|---|---|
| 文生图 | Midjourney、SD 系、Flux | 海报、插画、素材 |
| 图生图 | 风格迁移、超分 | 修图、放大 |
| 文生视频 | Sora 类、可灵类 | 短视频、动态素材 |
三、接入流程
- 注册支持多模态的中转站，获取 Key；
- 提交生成任务，拿到任务 ID（
task_id）； - 轮询查询任务状态，直到
status变成完成； - 下载结果文件到自己的对象存储。
四、成本与排队
绘图和视频单价远高于文本，务必先小额测试再批量跑。高峰期可能出现排队，建议错峰执行并对失败任务做重试。计算成本时要把"失败重试"也算进去。
五、注意事项
确认中转站对生成内容的版权与商用政策；部分平台限制敏感内容。更多价格比较可参考中转站价格对比。