整体介绍

非实时交互数字人（视频文件版）：输入一张角色图 + 一段音频（或说话文本），生成一段口型、动作对齐的说话视频。整个过程是异步任务制，不涉及 RTC、WebSocket 和实时链路。

最小接入流程

HTTP 提交生成任务

在工作台获取 API Key 后，即可创建任务。

POST https://{host}/ent/s_avatar/offline
Authorization: Token vda_xxx
Content-Type: application/json

{
  "image": "https://你的角色图地址.png",
  "audio": "https://你的音频地址.mp3",
  "timeline": "{\"actions\":[{\"text\":\"比个心\",\"time_range\":[2,10]}]}"
}

image 必填；audio 和 text 至少传一个，两者都传时以 audio 为准。 timeline是动作时间轴，可以传入文本和时间的数组，用来控制数字人动作。

按 task_id 查询状态

用第 1 步返回的 task_id 查询任务状态

GET https://{host}/ent/v2/tasks/{task_id}/creations
Authorization: Token vda_xxx

state 共 5 个取值：created / queueing / processing 为中间态，需继续轮询；success（成功）与 failed（失败）为终态。务必实现 failed 分支，失败原因见 err_code 与 err_msg。
轮询间隔建议 3～5 秒起步并逐步退避，不要高频空转，否则可能触发 TooManyRequests。state=success 后再读 creations[]；提前读取可能拿到空数组。
实测出片耗时约 40 秒～2 分钟（详见「详细参数」的「任务耗时与轮询建议」），建议总超时设为 5 分钟。不要用 progress 判断任务是否卡死，它会阶梯式上升并长时间停在 99，只有进入 success/failed 才会变成 100。

获取视频与封面地址

creations[].url 是视频下载地址，cover_url 是封面，watermarked_url 是带水印版本。生成物地址有效期 24 小时。

获取 API Key
准备角色图和音频（或说话文本）
调用「创建任务」拿到 task_id
轮询「查询任务」直到 state 进入终态
state=success 时从 creations[].url 下载视频；state=failed 时读取 err_code 与 err_msg 判断失败原因。

下表是本版本涉及的全部对外接口，所有接口都需 Authorization: Token vda_xxx。

项目	约定
`{host}`	`{host}` 是域名，不包含协议。国内环境为 `api.vidu.cn`，海外环境为 `api.vidu.com`。全部接口使用 `https://{host}`。
认证	所有 HTTP 接口都需要 `Authorization: Token vda_xxx`。
JSON 字段	请求与响应字段使用 snake_case，例如 `task_id`、`callback_url`、`wm_position`、`created_at`。
素材传入	`image` 与 `audio` 均支持公网 URL、base64（需含 MIME 前缀）和 `ssupload:?id=<素材ID>` 三种形式，任选其一。
生成物时效	`creations[]` 中的 `url`、`cover_url`、`watermarked_url` 均为 24 小时有效期，需自行转存。