AI MediaKit 的音视频合成工具可以帮助您轻松地为现有视频添加新的音轨。通过音视频合成工具，您可以实现音频混合（将新音频与视频的原有音轨混合）或音频替换（移除视频的原有音轨，替换为新的音频内容）。无论是为视频配上背景音乐（BGM）、替换为新的旁白，还是将两者混合，都可以通过简单的 API 调用实现。本篇开发指南将引导您： * 理解音视频合成的核心能力与应用场景。 * 快速体验为一段视频添加背景音乐。 * 学习如何通过参数控制音频的混合方式与音量。 ## 快速体验：为视频添加背景音乐本场景演示如何为一段无声的视频（或希望保留原声的视频）添加一首背景音乐。 ### 准备工作 1. **获取访问凭证**：在开始之前，访问 AI MediaKit 控制台 API Key 管理页面，创建并获取 **MediaKit API Key**。 2. **准备媒体文件**：准备一个待处理的视频文件和一个待添加的音频文件，将它们上传至公网可访问的服务器或[视频点播服务](https://www.volcengine.com/docs/4/2834?lang=zh)中，以获取可供 API 调用的 URL。 ### 操作流程音视频合成是一个异步任务： 1. 成功调用 `POST /api/v1/tools/mux-audio-video` 接口后，接口将返回一个任务 ID。 2. 您可以轮询 `GET /api/v1/tasks/{task_id}` 接口，直到任务状态`status` 变为 `completed`；或者使用[事件回调](/docs/6448/2288701)自动接收任务状态变化。 3. 任务完成后，解析 `result` 字段，即可在 `video_url` 字段处获取最终合成视频的下载地址。 #### 第 1 步：提交任务您需要调用[提交音视频合成任务](/docs/6448/2288704)接口。您可以直接复制以下 cURL 命令，提交一个音视频合成任务。 ```Bash curl -X POST 'https://amk.cn-beijing.volces.com/api/v1/tools/mux-audio-video' \ --header 'Content-Type: application/json' \ --header 'Authorization: Bearer {Your_API_Key}' \ --data '{ "video_url": "https://example.com/my_vlog.mp4", "audio_url": "https://example.com/bgm.mp3" }' ``` :::tip 需替换参数： * 将 `{Your_API_Key}` 替换为您的有效 API Key。 * 将 `video_url` 替换为您真实的视频文件地址。 * 将 `audio_url` 替换为您真实的音频文件地址。 ::: 请求成功后，您会收到如下包含 `task_id` 的响应，请保存此 ID 用于后续查询。 ```JSON { "success": true, "task_id": "amk-tool-mux-audio-video-1704500", "request_id": "20250324160000F6DE4C24A6A0D94B7FF2" } ``` #### 第 2 步：获取结果由于视频合成需要一定处理时间，您需要轮询[查询任务信息](/docs/6448/2278532)接口，直到任务状态 `status` 变为 `completed`。 ```bash curl -X GET 'https://amk.cn-beijing.volces.com/api/v1/tasks/{task_id}' \ --header 'Authorization: Bearer {Your_API_Key}' ``` :::tip 需替换参数：将 URL 末尾的 `{task_id}` 替换为第 1 步返回的任务 ID。 ::: 当任务成功完成后，您将收到如下响应。`result` 字段是一个 JSON 对象，您可以直接从其下的 `video_url` 字段获取合成后视频的下载地址（默认输出为 **MP4** 格式，有效期为 **48** 小时）。 ```json { "success": true, "task_id": "amk-tool-mux-audio-video-1704500", "task_type": "mux-audio-video", "status": "completed", "result": { "video_url": "https://example.volcvideo.com/final_video.mp4?auth_key=..." }, "expires_at": "1774615474", "finished_at": "1774442675", "request_id": "20250324160500A1B2C3D4E5F6" } ``` ## 进阶使用 ### 替换或保留视频原声您可以决定是保留视频的原始音轨（与新音频混合），还是将其完全替换。 * **场景**：为有对话的视频添加较轻的背景音乐时，应选择保留原声；为视频更换配音或 BGM 时，应选择替换原声。 * **参数**：`is_audio_reserve` * `true`：保留原音轨，新音频将与原音频混合。此为默认行为。 * `false`：不保留原音轨，即用新音频替换。 #### 示例：将视频原声替换为新的旁白 ```JSON { "video_url": "https://example.com/raw_footage.mp4", "audio_url": "https://example.com/voiceover.mp3", "is_audio_reserve": false } ``` ### 对齐音视频时长当输入的视频和音频时长不一致时，您可以通过将 `is_video_audio_sync` 参数设为 `true`启用时长对齐功能，并进一步通过 `sync_mode`（对齐基准）和 `sync_method`（对齐方式）来确定最终效果，确保输出视频的整洁性。涉及参数说明如下： * `is_video_audio_sync`：设为 `true` 以启用时长对齐功能。默认为 `false`，即不启用时长对齐功能。输出文件的总时长由输入流中较长者决定，具体表现如下： * 若音频长于视频：视频流终止后，输出文件在剩余时间内将维持末帧画面，直至音频结束。 * 若视频长于音频：音频流终止后，输出文件在剩余时间内将保持静音，直至视频结束。 * `sync_mode`：指定以哪个文件为时长基准。 * `"video"`：（默认）以视频时长为准。 * `"audio"`：以音频时长为准。 * `sync_method`：指定具体的对齐处理方法。 * `"trim"`：（默认）裁剪较长的文件。 * `"speed"`：通过变速处理，使两个文件时长一致。 #### **示例 1：以视频时长为准，裁剪过长的背景音乐** 这是最常见的场景，例如为 Vlog 匹配 BGM。 ```JSON { "video_url": "https://example.com/my_vlog_3min.mp4", "audio_url": "https://example.com/bgm_5min.mp3", "is_video_audio_sync": true, "sync_mode": "video", "sync_method": "trim" } ``` #### 示例 2：以音频时长为准，裁剪过长的视频画面此场景适用于根据音频内容（如一首歌、一段播客）剪辑视频画面。 ```JSON { "video_url": "https://example.com/footage_collection_10min.mp4", "audio_url": "https://example.com/podcast_clip_4min.mp3", "is_video_audio_sync": true, "sync_mode": "audio", "sync_method": "trim" } ``` ## 最佳实践 ### 如何选择时长对齐方式？ * **优先使用 ** **`trim`** **（裁剪）** ：在大多数场景下，裁剪是最佳选择。它能保证音视频的原始播放速率和音调不变，只舍弃多余的部分，听感和观感最自然。 * **谨慎使用 ** **`speed`** **（变速）** ：变速功能适用于音视频时长差异较小（建议在 10% 以内）的场景。如果时长差异过大，可能会导致以下问题： * **视频变速**：画面出现明显的卡顿感（慢放）或鬼畜感（快放）。 * **音频变速**：声音音调发生变化（变尖或变沉），或出现不易听清的情况。 ## 参考信息 ### 使用限制与性能 |限制项 |说明 | |---|---| |输入文件限制 |* 来源：仅支持公网可访问的 HTTP/HTTPS URL。|\ | |* 视频格式：`mp4`, `flv`, `ts`, `avi`, `mov`, `wmv`, `mkv` 等主流视频格式。|\ | |* 音频格式：`mp3`, `aac`, `wav`, `m4a` 等主流格式。|\ | |* 文件大小：建议单个输入文件大小不超过 10 GB。|\ | |* 分辨率限制：输入视频最高支持 4K (3840×2160) 分辨率。 | |并发限制 |默认情况下，每个账户的并发处理任务数上限为 30。超出并发限制的新任务将自动进入队列等待。 | |处理耗时 |处理耗时与视频时长正相关。视频时长越长，处理耗时越长。平均 RTF（处理耗时/原片时长）为 1。 |

智能处理