AI MediaKit
AI MediaKit
文档指南
请输入
- 文档首页
AI MediaKit开发指南剪辑工具基础剪辑音视频合成
复制全文
下载 pdf音视频合成
文档反馈
问问助手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
- 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 AI MediaKit API Key（用于媒体处理功能鉴权）。
- 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：
- 成功调用 POST /api/v1/tools/mux-audio-video 后，API 将返回一个任务 ID。
- 您可以轮询 GET /api/v1/tasks/{task_id}，直到任务状态status 变为 completed；或者使用事件回调自动接收任务状态变化。
- 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
说明
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。
第 2 步：获取结果
说明
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 24 小时）。
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
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。
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。
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
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。
API 参考
最近更新时间：2026.07.28 11:32:13
这个页面对您有帮助吗？
有用
有用
无用
无用