文档中心

AI 数据湖服务

API 参考：算子调用 API

在线算子 API

火山引擎 LAS 为您提供多种在线算子，您可以使用灵活调用对应算子的API进行数据处理。本文为您介绍当前支持的在线算子列表，您可单击对应算子名称的链接，查看各个算子的详细 API 调用说明。

视频

视频生成

算子名称	使用方式	算子简介
视频生成增强版/基础版视频生成(Doubao-Seedance-1.x系列模型)	在线	LAS视频生成增强版/基础版服务以 Seedance 系列模型为核心，围绕视频生成的前置、后置链路，叠加视频格式转换、视频切分、视频修复、字幕生成、音视频合并等能力，扩展视频生成模型的能力边界、提升生成视频的质量和时长，降低token消耗成本，帮助客户提升生产效率。
视频编辑增强版	在线	视频编辑增强版在线服务，基于输入视频和参考图片完成视频内容替换，支持场景替换和物体替换，尽量保留原视频中的主体动作、镜头节奏与时序连续性，输出替换后的视频结果。核心功能：支持 scene_replace 场景替换，保持原视频中的人物、商品、动作和镜头结构，替换背景或环境风格。支持 object_replace 物体替换，基于参考图片将视频中的目标物体替换为指定样式或商品。支持通过 user_prompt 补充自然语言编辑约束，例如保留动作、移除水印、避免字幕或控制风格细节。支持有限次数的自动评估与重试，帮助在复杂素材上获得更稳定的替换结果。支持返回最终视频结果和 result.json 诊断文件，便于调用方留存生成结果与过程信息。
视频编辑增强版 2.0	在线	视频编辑增强版 2.0 在线服务，提供面向业务场景的视频编辑模板，在保持原视频动作、镜头、构图和时间线的基础上，完成直通生成、通用关键帧编辑、换脸、完整人物替换、通用主体替换或全局风格迁移，提供定向业务场景下更高质量的视频编辑能力。核心功能：模板化路由：业务只声明编辑目标，服务端模板负责选择 VLM、关键帧重绘、结构视频和 Seedance 提示词组装流程。通用关键帧编辑：VLM 理解视频和用户意图，选择关键帧并使用 Seedream 基于源帧画布编辑。完整人物替换：将原视频作为动作和时间线依据，以目标人物图和重绘关键帧锁定最终人物外观。风格迁移：默认使用纯深度结构视频保留空间、动作和镜头运动，减少原视频颜色、材质、字幕和摄影风格对结果的干扰。多主体映射：可在 user_prompt 中将多个源主体分别绑定到 image_urls 中不同的目标图。可控降级：allow_fallback=true 时，预处理失败可降级为 basic 等价的直通生成；强语义编辑建议设为 false，避免返回未完成编辑的结果。
短剧·影视解说智作	在线	“短剧·影视解说智作”算子能够基于多集短剧或单部电影素材，自动建立剧情事件索引，按照故事线索，以 short、mid、long 三种大致时长范围规划跳剪解说视频。算子会自动完成画面剪辑、解说稿生成、TTS 配音、字幕生成、混音渲染和结果上传，支持中英文解说、可选参考音频音色克隆以及字幕底框和位置控制，一次任务产出一条适合视频平台投放的高光解说素材。核心功能：跨集剧情理解：自动分析多集短剧或电影素材，抽取关键事件、人物关系、冲突推进和视觉高光。线索发现与筛选：发现并筛选适合生成高光解说的候选线索，包括主线、人物线、冲突线和关系线。多语言解说：支持通过 narration_language 生成中文或英文解说。 TTS 音色控制：支持通过 tts_clone_prompt_audio_url 提供参考音频；不传时使用执行服务的默认音色。字幕样式与位置控制：支持选择半透明模糊、白色圆角或黑色圆角字幕底框，并通过 subtitle_position 控制字幕位置。投流化密集解说：默认生成节奏紧凑、先抛钩子、结尾留悬念的解说稿，并自动完成 TTS 配音与字幕渲染。
音频重建	在线	音频重建算子算子可基于输入的多个待处理视频顺序，合并视频画面，重新规划覆盖整片的音频时间轴，生成统一音频并替换原视频音轨，最终输出合成视频、独立重建音频和 SRT 字幕，适用于面向多个 AI 生成子视频的统一成片场景。核心功能：多片段顺序合并：按照请求中的片段顺序拼接视频，形成统一成片。权威口播稿直通：提供 voiceover_script 时，严格以该脚本作为唯一朗读内容，不消费片段原音，也不进行语义改写或扩写。原音转写与纠音：未提供整片口播稿时，逐段转写原音；识别到语音时，prompt 仅作为错字、专有名词、读音和声音风格的参考，不新增原音中不存在的句子。显式台词安全提炼：某段原音未识别出语音时，只从 prompt 中提炼明确标注的台词、口播或旁白，并过滤动作、字幕、嘴型和画面说明；没有明确朗读内容时不会凭空生成台词。跨片音频统一：对不同片段中的说话人和声音风格进行跨片归并，自动规划连续时间轴，并根据内容将片段路由为语音、声音或静音，尽量保持成片音色与听感一致。自动音频生成与组装：系统根据视频时长和音频时间轴自动选择整片、分层或分段生成方式；提示词中的音色、语气、BGM、音效与混音线索可用于辅助新音轨生成，但不会保留原音轨中的 BGM 或音效。口播密度控制：使用整片口播稿时，可检查文案与视频时长是否匹配，避免单位时长内文本过密。多结果输出：同时返回成片视频、独立音频、SRT 字幕及重建音频总时长。
HyperFrames 视频生成	在线	HyperFrames 视频生成算子支持通过自然语言描述视频创作需求，并结合图片、音频、视频参考素材，完成视频结构规划、内容生成、渲染、混音和编码，输出可访问的视频 URL 与 TOS 对象路径。核心功能：支持通过自然语言 Prompt 描述视频主题、风格、字幕和画面文案等创作需求。支持传入图片、音频和视频参考素材，并通过 @图像N、@音频N、@视频N 精确引用。支持配置目标时长、帧率、画面比例和分辨率。支持根据 TTS 口播、BGM 或参考音频的节奏驱动画面变化。支持完成视频渲染、混音、编码和结果上传。

内容创作

算子名称	使用方式	算子简介
短剧剧本生成	在线	短剧/电影剧本生成算子是面向短剧以及长视频/电影等连载或超长视频内容的自动化剧本逆向提取工具。算子依托视觉多模态大模型（VLM），能够自动提取全剧/全片角色、分析人物关系，并基于画面与台词逆向生成包含场景、动作、神态及对话等细节的高质量文本剧本和角色表，助力视频内容的二次创作、出海翻译与版权保护。核心功能：角色一致性识别：突破单集、单片段孤立理解的局限，能够在长篇连载或超长电影中稳定追踪核心角色。在面临换装、侧脸或复杂场景切换时，保障跨集人物身份与设定的高度一致，最终构建完整的全局角色表。高保真剧本逆向还原：结合视频画面与对白台词，逆向输出专业级分镜剧本（电影模式下带有精确时间戳）。精细还原场景布置、人物情绪、肢体动作以及关键对白，提供可以直接投入二次开发或翻译校对的高质量文本底稿。双模式自适应架构：短剧模式：支持批量传入多集短剧列表，严格按照输入顺序处理，保持连载剧情的连贯性与角色一致性。电影模式：针对单集数小时的电影或长录像，自动启动长视频自适应处理策略，有效缓解大模型长上下文带来的细节遗忘问题。灵活的输出格式定制：提供开放的自定义指令（Prompt）接口。您可以根据具体的业务要求（如：侧重心理描写、特定的分镜排版格式、特定的文本标记等）自由调整单集剧本的生成样式，满足不同下游业务的直接对接需求。便捷的结果交付：支持将生成的角色表与全集剧本直接安全地写入您指定的云端存储（TOS），也可生成打包好的预签名下载链接。
短剧剧本裂变	在线	用于在已有分集剧本的基础上完成定向改写。算子会保留原剧本的核心人物结构、冲突链路、情绪曲线和爽点节奏，对人物身份、世界观设定、地域语境、行业背景和关键术语进行系统性重写，生成适配目标市场和目标题材的新剧本版本。输出结果包括裂变后的分集剧本目录、全集剧本、大纲和前后映射表，适合用于短剧出海、爆款复刻和内容方向测试。核心功能：保留骨架的定向改写：保留原剧本的角色功能、关系拓扑、关键事件顺序和主线推进逻辑，只改写表层设定与表达语境。地域化改写：支持面向不同地域语境生成目标剧本，包括人物命名风格、制度背景、对白表达和社会关系逻辑的同步适配。题材化改写：支持按目标题材完成整体风格迁移，将同一剧情骨架改写为不同内容赛道下可复用的新剧本。批量分集处理：支持通过目录或列表方式一次性提交多集剧本，按输入顺序处理并保持全集叙事连贯性。结构化结果交付：输出裂变后分集剧本、全集剧本、大纲和映射表，便于后续视频制作、校对、人工精修和效果复盘。分集剧本目录：裂变后每一集剧本，通常位于 {output_tos_path}/{task_id}/episodes/。全集剧本：完整串联后的裂变剧本，便于整体审校。剧本大纲：提炼后的结构化大纲，便于快速查看主线走向。映射表：记录裂变前后的角色、事件、冲突和术语映射关系，便于人工校对和复盘。
短剧剧本解析	在线	短剧剧本解析算子用于将短剧剧本文本自动转化为结构化资产表。算子会读取一个或多个剧本文件，自动识别剧本格式与输出语言，提取人物、道具、场景三类资产，并通过视觉扩写补充人物外观、人物造型、道具视觉描述和场景空间描述，最终将结果保存为 JSON 文件。核心功能：多剧本输入解析：支持传入一个或多个剧本文件，按输入顺序拼接处理，适合单集、多集或全集剧本解析。人物资产表提取：识别人物名称、性别、基础外观、出场场次，并为主要人物补充符合剧本背景的多套造型描述。道具资产表提取：识别关键道具、出现位置、剧情用途和视觉特征，辅助道具设计与资产管理。场景资产表提取：识别主要场景、空间类型、时间状态、氛围和视觉布置，辅助场景搭建与分镜生成。中英文剧本适配：支持中文短剧编号格式和英文 Hollywood/Fountain slug-line 格式；auto 模式下自动识别剧本格式并决定资产表输出语言。超长剧本稳定处理：对超过阈值的长剧本自动按场次边界分片，降低超长上下文请求带来的超时和截断风险。 TOS 产物交付：人物表、道具表、场景表和剧本背景信息均保存为 JSON 文件，并返回对应 TOS 路径。
视频脚本规划	在线	输入视频主题和创作要求，即可生成一份可用于后续制作的视频生产规划。规划会将创意拆解为清晰的内容结构、镜头安排、素材建议和时长节奏，适合教育及营销视频的前期策划。核心功能：从创意到制作方案：将主题、受众和表达目标整理成可执行的视频生产规划。镜头与节奏规划：拆解视频内容，规划各部分的镜头方向、时长和衔接关系。素材使用建议：根据内容需要安排视频、图片等素材的使用方式，方便后续制作。适配不同内容类型：支持课程讲解和营销电商视频策划。
视频 Prompt 生成	在线	视频 Prompt 生成算子将自然语言创作需求整理为可执行的视频生成 Prompt。可选传入最多 9 张参考图片，帮助模型理解人物、商品、场景或风格素材。核心功能：将创作目标、内容要求和语言要求整理为单份视频生成 Prompt。支持结合参考图片描述人物、商品、场景和视觉风格。
视频分镜	在线	视频分镜算子，基于多模态大模型对输入视频进行镜头/场景切分、全局角色识别、场景级人物关联以及人物图片抽取。算子会输出场景汇总结果、人物注册表、每个场景的切片视频，以及按人物归档的图片文件，便于后续检索、剪辑和内容理解。核心功能：支持基于 VLM 的场景切分，也支持 min_segment_duration == max_segment_duration 时的等时长切分。支持全局角色提取与去重聚合，生成角色注册表。支持场景内人物关联，输出人物在场景中的出现时间区间、关键帧时间点与 bbox 信息。支持自动切出每个场景的独立视频文件。支持为每个角色抽取并筛选代表性图片，按人物归档输出。支持输出 token 用量与 LLM 请求次数，便于评估成本。
分镜脚本生成	在线	分镜脚本生成算子面向剧本生产和电商口播视频工作流，将输入文本转换为标准 storyboard_bundle。当前提供两种能力：剧本结合人物、道具、场景三个资产 JSON 生成分镜，以及口播文案直接生成分镜。核心功能：剧本和权威资产表转分镜：保留输入人物、道具、场景资产的标识和设定，将剧本拆解为镜头，并把每个镜头绑定到对应资产。口播文案转分镜：保留口播原意和核心卖点，按语义组织镜头时长、画面动作、口播及可直接用于后续视频生成的结构化描述。画面忠实扩展：输入中已有画面和动作时优先沿用并补足必要细节；只有口播时根据文案可验证内容设计画面，避免无依据虚构。标准结果交付：统一输出 storyboard_bundle_manifest.json，关联分镜、人物、场景、道具及变更与校验报告。
爆款文案生成	在线	参考视频生成商品口播与分镜算子，面向电商短视频创作场景。算子会联合理解参考视频、目标商品图片和可选的自然语言要求，生成可直接交给下游文生视频流程的标准分镜包。核心功能：联合理解参考视频画面、口播和目标商品图片，识别商品核心用途、使用对象和可见卖点证据。支持参考分镜、文案、卖点、钩子或自由融合，并通过 user_prompt 指定创作重点。默认生成最多 N+1 套候选，其中 N 为输入视频数；允许部分候选通过，但至少返回一套结构可用结果。每套候选包含完整口播、完整可读分镜、逐镜头结构化描述，以及生成依据和创作说明。输出与标准 storyboard bundle 协议对齐，可继续交给文生视频或其他分镜下游处理。

视频理解

算子名称	使用方式	算子简介
视频精细理解	在线	LAS 视频精细理解 API 面向各类视频内容，提供多维度、精细化的结构化理解。无论是短视频、电影片段还是长时会议录像，用户上传视频即可获得可搜索、可问答的内容数据和精细摘要。核心功能全局精细理解：支持小时级（最大支持 3 小时、10 GB）视频，生成连贯时间线与章节总结。事件与行为识别：精准检测关键事件、人物动作、场景变化和逻辑关系。视频问答：基于视频内容的自然语言问答，快速定位答案及时间戳。高效摘要与标签：自动生成章节摘要、主题标签和人物关系，便于知识管理。结构化输出：提供 JSON 格式 timeline、事件列表，方便二次处理或知识库构建。
视频提示词逆向生成	在线	视频提示词逆向生成算子面向视频复刻和分镜再创作场景。算子先理解源视频事实，再结合每个分镜的时间范围、画面描述和参考图片，输出逐片段、可执行的视频生成 Prompt。核心功能：基于源视频事实和分镜时间窗逐段生成 Prompt，避免跨片段混入内容。保留已验证的主体身份、空间关系、关键动作顺序、原声台词和声音表现。支持在不改变源视频事实的前提下指定目标视觉风格和目标音色。支持在分镜中绑定参考图片，并在生成结果中返回对应引用。

视频剪辑

算子名称	使用方式	算子简介
视频智能剪辑	在线	视频智能剪辑算子，基于多模态大模型实现视频智能剪辑能力，帮助用户从长视频中快速提取有价值的内容片段。支持自然语言描述的剪辑需求理解、参考图像辅助识别（角色、物品、场景等）、多维度视频内容分析（视觉、字幕、剧情），并输出标准化的剪辑决策信息（时间戳、描述、标签等）。核心功能：支持多种剪辑场景：角色片段提取、高光片段检测、产品片段检测、自定义剪辑等。基于自然语言描述的灵活剪辑需求理解，支持用户自定义需求。支持参考图像辅助识别（角色、物品、场景等）。多维度视频内容分析（视觉、字幕、剧情）。支持 ASR 增强的语义理解，适用于对话内容丰富、无字幕的视频，提升片段边界流畅性。支持短剧三要素渲染（标题、提示语、角标），适合短剧竖屏场景。支持精彩前置功能，自动提取 10-15 秒具有吸引力的片段作为开场。标准化的剪辑决策输出（时间戳、描述、标签等）。自动生成视频片段文件并上传至 TOS。
爆款素材剪辑	在线	爆款素材剪辑算子能够基于多集短剧视频，自动完成分镜检测、语义分析、剪辑决策与视频合成，批量生成多个适合在短视频平台投放的引流素材视频。核心功能：多集短剧批量处理：一次性输入多集短剧，自动完成全部分析与剪辑，批量输出多个爆款素材。智能剪辑方案生成：自动分析剧情内容，生成多种剪辑方案（顺剪/跳剪），满足不同投放需求。非正片内容自动清洗：自动检测并去除定格画面、前后集重复内容等无关画面。分镜级语义理解：对每个镜头进行剧情理解与重要性评级，输出结构化分镜分析结果。剧本还原：自动还原多集短剧的完整剧本，包含角色关系、场景结构与剧情脉络。短剧三要素渲染：支持在素材中添加剧名标题、提示语和角标，适配短剧竖屏场景。精彩前置：支持将高光片段前置到素材开头，快速吸引观众注意力。
视频智能混剪	在线	视频智能混剪算子基于对输入素材的理解、语音识别、语义检索与大模型编排能力，将口播、空镜或长实拍素材按文案、结构化分镜或自然语言创作要求自动匹配、排序并剪辑合成为最终成片。核心功能：算子会先完成素材理解和分镜匹配，再依据设置的剪辑场景模式（mode）生成剪辑方案。支持的剪辑场景模式包括：口播原声匹配：mode=speech_match，输入需要剪辑提取的脚本文案，算子会在视频素材 ASR 中定位对应片段，剪辑输出命中片段的原始音画。此类场景下，输入的视频素材的视频画面和音频均可直接用于剪辑输出。画面语义匹配：mode=visual_match ，通过自然语音描述需要提取剪辑出的视频素材，例如视频画面的描述或视频内容文案的描述，此场景下，通常输入的视频素材的画面可用于剪辑输出，但音频通常不可用，您可选择输入 TTS 旁白来替代素材原声。口播营销混剪：mode=marketing_headtalk 对拍摄好的口播素材进行智能粗剪，并按语义选择性插入空镜；当前为您预置了汽车真人口播常见下的剪辑模板，您可直接选用。长实拍流程剪辑：mode=long_real_shot 面向谈价、交车、维修、探店等长实拍素材，按原声原画整理完整故事线进行智能剪辑，并支持通过 target_duration_sec 参数设置输出视频时长。不同剪辑场景模式下，可灵活设置输入的视频素材的应用场景。通过素材角色（role）参数，将输入的视频素材标记为 speech（口播/主体素材）、voiceover（仅使用音频）或 broll（仅提供画面）。结构化分镜：支持使用 speech、visual_description、duration 和 video_id 控制每个脚本单元。智能包装：支持字幕特效、音效和 BGM。方案与产物交付：算子处理完成后返回最终剪辑方案、SRT 字幕、无字幕成片和带字幕成片等产物。您也可通过 data.match_scheme 查看生成的剪辑方案和成片中，输入的脚本单元与视频素材片段的匹配关系。
视频快速混剪	在线	视频快速混剪算子支持按手动分幕、自动分幕或随机分幕，将多条视频素材组合为多版短视频，并可选择无声、合成旁白或现成旁白，输出成片、字幕、剪辑方案及分段视频等产物。核心能力：支持 2～10 幕手动分幕、基于画面理解的自动分幕，以及无需素材理解的随机分幕。支持无声成片、TTS 合成旁白或一条现成旁白，有文案时提供逐句字幕。单次任务最多生成 1000 条成片，并交付带/无字幕视频、SRT、分段视频、剪辑方案与完整结果 JSON。支持配置普通字幕样式及目标分辨率、帧率和严格校验。
视频智能包装	在线	视频智能包装算子为已剪辑的竖屏视频补充字幕、重点表达、配乐和视觉包装，并交付完整成片、无字幕版、SRT 与包装方案。核心能力：支持逐视频使用 ASR、外部 SRT，或通过口播稿校正识别文本。支持普通字幕、花字、关键词高亮和信息卡，并可配置字幕与卡片样式。支持视频间转场、1～2 倍播放速度、BGM 和音效，并保留原视频声音。支持限定音效、BGM、字体、字幕特效和转场候选，并支持使用自带 TOS 音乐。

视频翻译

算子名称	使用方式	算子简介
视频翻译	在线	视频翻译算子，可高效、精准地将视频内容从源语言转换为一种或多种目标语言，服务范围不仅包含字幕翻译，还涉及语音翻译，最终输出配音后的视频以及相应语言的字幕文件。核心功能：多语种支持：支持多种语言的翻译，输入语言支持25种语言的视频输入，输出语言支持31种语言的音频配音，涵盖中文、英语、日语、印尼语、西班牙语、葡萄牙语、韩语、法语、德语等多种常见语言。依托大模型强大的翻译能力，可实现极高的翻译准确率与术语本地化能力，满足全球化内容传播的需求。音色复刻：能够精准提取视频中说话人的声音，实现对说话人声音特质1:1还原。同时，翻译后的语音能够与原始视频的时长精准对齐，确保视频的流畅性和一致性。便捷的结果交付：支持将翻译后字幕、配音后人声音频与视频直接安全地写入您指定的云端存储（TOS），同时生成预签名下载链接。
视频字幕翻译	在线	视频字幕翻译算子，支持从视频中提取字幕并进行多语言翻译。用户可以选择通过 OCR 识别画面内嵌字幕，或通过 ASR 提取音频字幕，再对识别出的字幕进行精修和翻译，输出多种格式的字幕文件。核心功能：双字幕来源：支持 OCR 识别画面内嵌字幕和 ASR 提取音频字幕两种方式。多种精度级别：每种字幕来源均支持低精度和高精度两档配置，满足不同场景需求。多语言翻译：支持 25 种语言的字幕翻译，包括中文、英文、日文、韩文、法文、德文、西班牙文等。多格式输出：支持同时输出多种格式的字幕文件。双语字幕识别：OCR 模式支持识别翻译型双语字幕和对话型双语字幕。

视频修复

算子名称	使用方式	算子简介
视频修复	在线	输入单个视频，输出擦除指定内容后的修复视频。支持字幕、滚动字幕、文字水印、角标、Logo 和剧集信息，能够分别控制字幕与水印的擦除范围。核心功能：支持多种目标擦除：水印、字幕、滚动字幕等。基于多模态大模型的智能检测，精准定位需要修复的区域。支持精确 mask 生成，保留边缘细节。支持视频分段处理，处理长视频更稳定。自动处理音频保留，无需额外操作。支持输出 TOS 地址，结果自动上传。

内容安全

算子名称	使用方式	算子简介
敏感内容打码	在线	敏感内容打码算子基于多模态大模型、OCR 和 ASR 对图片或视频中的敏感画面、文字与语音进行检测，自动定位并打码，同时对敏感语音做消音处理，输出处理后的媒体文件与检测结果 JSON。核心能力：支持识别图片或视频中的敏感画面、文字和语音。支持高斯模糊、马赛克、纯黑遮挡和径向模糊等多种打码方式。支持对视频中的敏感语音进行消音处理。支持输出处理后的媒体文件、结构化检测结果和视频逐帧遮罩信息。

视频处理

算子名称	使用方式	算子简介
人脸模糊	在线	人脸模糊算子，面向视频内容的自动化人脸模糊处理工具。算子能够自动识别视频中的人脸，并根据用户指定的模糊等级，对人脸进行模糊处理，保护用户隐私。核心能力自动检测视频帧中的人脸并进行模糊处理支持多种模糊类型（马赛克、高斯）支持多种不同区域的精细模糊（如脸部椭圆形模糊、贴脸型模糊、眼部区域模糊等）统一输出模糊后的视频路径（即使未检测到人脸也会重新编码输出）

音频

音频生成

算子名称	使用方式	算子简介
复刻语音合成	在线	本算子将输入文本合成为语音音频，支持通过声音风格描述设计音色，也支持基于参考音频进行可控克隆或高保真续写。核心功能：多种语音合成能力： Voice Design 文本控音色：仅通过 style_prompt 描述目标声音风格，无需样音即可生成语音。可控声音克隆：通过 reference_audio_uri 提供样音，基于样音音色合成目标文本。高保真声音续写：同时提供 prompt_audio_uri 与 prompt_text，提升音色、语速、韵律一致性。长文本切分与拼接：支持按自然边界切分长文本、逐段合成并自动拼接。质量自检与重试：支持在检测到疑似低质量结果时自动重新生成。多格式音频输出：支持 wav、mp3、ogg_opus、pcm，并可配置采样率和码率。对象存储落盘：支持多种音频格式，可将结果写入 TOS，并返回音频地址、格式、采样率、时长和字符数等信息。
语音合成	在线	语音合成算子将文本或支持的 SSML 合成为语音，默认使用豆包语音合成 2.0。通过同步 Process 接口以 SSE 逐帧返回音频、字幕和合成结束事件，支持配置音色、采样率、语速和音量。核心能力：支持文本与 SSML 语音合成，可使用预置音色或已开通的声音复刻 2.0 音色。通过 SSE 持续返回音频分片，适合在线播放和实时处理。支持调节语速、音量、音调及句尾静音，并可配置音频格式、采样率和码率。支持返回字幕和字级时间戳，便于音画对齐和后续剪辑。

音频识别

算子名称	使用方式	算子简介
语音转文字(豆包语音ASR)	在线	语音转文字（豆包系列）算子，为语音识别模块，基于 LAS ASR 服务的录音转写解决方案。核心功能接入火山引擎LAS ASR接口支持自动断句、数字规整、说话人或通道分离（可选）并发处理多个音频文件，提供结构化 JSON 与可读文本两种输出适合转写最长2小时的录音文件，支持标点补全、智能断句、说话人分离等高级功能。
语音转文字(Doubao-录音文件识别)增强版	在线	LAS语音转文字(Doubao-录音文件识别)增强版算子基于豆包录音文件识别大模型，能够将输入音频/视频文件中的语音，转写为文本输出。支持多种音/视频格式、多语种、音频降噪及大文件处理，适用于内容质检审核、音视频字幕生成、语音搜索、课堂内容分析等场景。核心功能多格式音频/视频输入识别：除音频外，新增支持视频文件输入，las算子可自动提取视频音轨进行识别。除raw/wav/mp3/ogg外，扩展支持mp4/mov/mkv/flac等容器格式。 las算子对于输入的音视频文件无文件大小/时长限制。除公网https url访问外，也支持tos内网路径访问(tos://bucket-name/路径名/文件名)。音频前处理增强，提升模型效果：内置音频降噪模块，可有效降低背景噪声对识别的影响，提升录音文件转写的准确率。多语种支持：可自动识别语种或按用户指定语言进行识别。扩充识别语种至 99 种，满足多语种、多区域的音频数据处理需求。
语音转文字(Doubao-Seed-2.0-lite)增强版	在线	LAS语音转文字(Doubao-Seed-2.0-lite)增强版算子在底层 SeedASR 识别的基础上，默认开启 Doubao-Seed-2.0-lite 多模态精修能力：先完成输入下载、音频抽取、时长探测与基础 ASR 识别，再将音频切片、识别草稿与热词上下文发送给多模态模型进行精修，对专有名词、数字、标点、语义连贯性进行纠正，并补全漏识别内容。支持多种音/视频格式、多语种、说话人分离、热词增强与敏感词保护，适用于会议访谈、播客课程、内容质检等对文本质量要求较高的场景。核心功能：多模态精修（默认开启）：在基础识别结果之上，调用 Doubao-Seed-2.0-lite 多模态模型，对专有名词、数字、标点、语义连贯性进行纠正与补全，显著提升转写文本质量。精修失败时可回退基础 ASR 结果，保证可用性。多格式音频/视频输入识别：支持音频与视频文件输入，自动提取视频音轨进行识别。丰富的识别能力：支持文本规范化（ITN）、自动标点、语义顺滑（DDC）、说话人分离。热词与敏感词：支持热词直传与热词表增强，热词同时进入底层 ASR 与精修 Prompt。支持敏感词保护：系统脱敏内容可不送精修模型，并支持自定义置空/星号替换。

音频处理

算子名称	使用方式	算子简介
人声分离	在线	将音频或视频中的第一路音频分离为人声轨与伴奏/背景轨两条音轨，支持 WAV、MP3、AAC 输出；视频输入还可自动生成保留原画面、仅含人声音轨的 MP4，适合二创去背景乐、ASR/字幕预处理提纯人声、伴奏提取等场景。核心功能：双音轨输出：基于输入音视频返回人声轨与非人声残差轨。人声视频输出：视频输入可额外生成保留原画面、仅含人声音轨的 MP4。共同峰值增益：可对两条音轨施加同一安全增益，保持两轨相对比例。多格式输出：支持 WAV、MP3、AAC 音频格式，满足后期编辑、算法处理、试听和分发等需求。

图片

图像生成

算子名称	使用方式	算子简介
图片生成（Seedream 系列模型）	在线	图片生成（ Seedream 系列模型）算子，可根据用户输入的文本或参考图像生成高质量图片，支持组图与流式输出。核心功能文生图/图生图/组图生成支持流式输出（SSE）与非流式输出输出格式支持 url 与 b64_json

文档

文档解析

算子名称	使用方式	算子简介
PDF 文档解析（豆包）	在线	PDF 内容解析算子，支持对 PDF 文件进行视觉模型解析与 Markdown 结构化输出。核心功能支持 PDF 页面渲染与视觉模型解析，输出高保真 Markdown，完整还原原文结构（标题层级、表格、公式、图片区域）。自动识别图片区域并返回 boundingbox 信息及图片预签名 URL。支持逐页和整书 Markdown 汇总，便于后续内容处理和展示。

多模态

多模态向量化

算子名称	使用方式	算子简介
图文 embedding（豆包系列模型）	在线离线	多模态向量生成处理器，支持图像/视频与文本的联合向量生成，实现跨模态检索能力。核心功能多模态向量化支持：支持图像/视频与文本的联合向量生成，实现跨模态检索能力，参考文档。输入格式自适应：原生支持图像/视频的base64编码、二进制数据、URL等输入格式自动处理媒体格式转换（JPEG/PNG/MP4/AVI等）

多模态深度思考

算子名称	使用方式	算子简介
多模态深度思考（Doubao-seed-2.0）	在线	多模态场景下提供大模型的深度思考能力，使用具备深度思考能力的模型，对图片、视频或文本进行分析理解，并返回结构化文本输出。算子会自动构建符合多模态模型规范的 message 结构，用户只需按约定提供图片 / 视频 / 文本数据即可完成推理。核心功能深度思考机制：模型在回答问题前自动进行问题拆解和逻辑推理，生成思维链（reasoning_content）多模态场景支持：同时支持图片 / 视频 / 文本输入，自动完成多模态消息拼装输入简化机制：支持本地文件、HTTP/HTTPS URL、TOS/S3 对象存储等多种数据源，通过简单配置即可实现视觉理解能力灵活思考模式：支持通过 thinking_type 参数控制深度思考模式（enabled / disabled / auto），在回答质量与性能之间灵活权衡
多模态深度思考（Doubao-seed-1.8）	在线

目标检测与分割

算子名称	使用方式	算子简介
空间感知	在线	空间感知算子面向图片与视频提供对象检测、实例分割和跨帧跟踪能力。调用方可使用自然语言、像素点或像素框指定目标，获得映射到源媒体坐标的对象框、实例 mask 和视频轨迹标识，适合需要结构化视觉结果的具身操作、工业巡检和内容分析场景。核心功能文本目标检测：根据对象名称、类别或外观描述，在图片或视频采样帧中返回目标 bbox；视频结果带有跨帧轨迹标识。交互式实例分割：使用正负点或像素框约束目标，返回源分辨率网格上的实例 mask。文本定位后分割：通过 grounded_segmentation@v1 先根据文字描述找到目标，再沿目标轮廓将其从背景中精确圈出，并在后续视频帧中持续跟踪。视频目标跟踪：在采样帧之间保持对象实例和轨迹身份，逐帧返回 bbox、mask 与时间信息。

具身智能

空间标注

算子名称	使用方式	算子简介
具身空间标注	在线	具身空间标注算子支持对图片和视频进行对象检测、实例分割和跨帧跟踪，并面向具身场景提供手部姿态估计、机械臂自动分割以及交互物品检测与分割能力。核心能力：支持识别手部 21 点二维、腕部相对三维和相机坐标系三维关键点，并可返回请求内局部世界坐标系中的手部轨迹。支持自动识别和分割机械臂、夹爪等可见部件。支持自动检测与分割具身操作视频中的交互物品。支持通过自然语言、像素点或像素框指定目标，返回 bbox、RLE mask 和视频轨迹标识。
手部姿态估计	在线	手部姿态估计算子面向图片和视频识别左右手、手部检测框和 21 点关键点，支持单目图片、单目视频及基于真实标定与同步时间轴的双目视频。核心能力：支持返回手部检测框、左右手识别结果，以及 21 点二维和腕部相对三维关键点。支持单目视频逐帧输出手部对象、跨帧轨迹标识和时间信息。支持基于真实相机标定和同步时间轴的双目视频三维分析。支持按需输出相机坐标、相机轨迹和手部世界坐标。

语义标注

算子名称	使用方式	算子简介
具身语义标注	在线	具身语义标注算子面向真机、UMI 和人类数据等具身数据采集场景，识别操作中的交互物品，标注动作描述、起止时间和 skill 标签，并支持结合候选任务描述进行时序标注。核心能力：支持识别主要交互物品及可区分实例，并标注交互时间段。支持拆分连续操作，生成任务描述、动作起止时间、动作描述和 skill 标签。支持结合候选任务描述，定位视频中实际发生的操作及时间区间。支持配置抽帧帧率、视频处理分辨率和分析时间区间。

数据质检

算子名称	使用方式	算子简介
具身数据预检	在线	面向具身视频采集入库前的技术质量筛查，对单路视频执行完整性、黑白屏与噪声、画面冻结、闪烁、运动模糊、相机抖动和播放卡顿检查，输出可追溯的问题、判定依据和视频元数据。核心能力：支持默认七项技术质量检查，也可按需选择检查子集。支持配置采样频率、质量阈值和拒绝策略。返回 PASS 或 REJECT、证据充分性、问题明细、统计和视频元数据。支持将完整 JSON 报告发布至调用方指定的 TOS 桶。
具身标注质检	在线	面向具身操作视频的标注质检，支持视频级结果与业务规则核验、片段描述一致性审核、动作时间线边界与切分检查，以及已完成质检结果的批次统计和评测。核心能力：支持 video_annotation、segment_description、action_timeline 和 batch_report 四种模板。通过可见性、时间覆盖、真实帧引用和置信度 Gate 约束确认违规。支持自定义业务规则与结构化业务结果，并可将完整 JSON 报告发布到 TOS。

向量检索

通用检索

算子名称	使用方式	算子简介
Lance 通用检索	在线	Lance 通用检索算子为存储在火山引擎对象存储（TOS）上的 Lance 及 LanceDB 格式数据提供统一、高效的检索能力，支持向量检索、全文检索、混合检索和纯量查询，适用于海量结构化、非结构化数据检索场景。核心功能：多模式检索支持：支持向量检索（vector）、全文检索（fts）、混合检索（hybrid）、纯量查询（scalar）四种检索模式。多模态输入：向量检索支持向量数组、文本字符串、Base64 编码图片三种输入类型。数据过滤：支持 SQL WHERE 子句进行 pre-filter 或 post-filter 数据过滤。结果重排：混合检索模式支持 RRF（Reciprocal Rank Fusion）重排算法。列选择：支持指定返回列，减少数据传输。

最近更新时间：2026.10.29 20:00:05

这个页面对您有帮助吗？

有用

无用