- 通用寫法是
video_url:{"type": "video_url", "video_url": {"url": "data:video/mp4;base64,..."}},Seed / Qwen / Kimi / MiniMax / Gemini 都認。本頁舊版的image_url+data:video/mp4寫法只有 Gemini 認,換成別的模型會直接 400。 - GPT、Grok、Claude、GLM、DeepSeek 不支援影片輸入。其中 GPT 和 GLM 會靜默丟掉影片、照樣返回 200,GPT 還可能編出一段看似合理的答案——詳見「不支援影片的模型」。
- Gemini 不接收公開影片直鏈:可能報
Request contains an invalid argument,也可能返回 200 但影片被靜默丟棄(prompt_tokens只有幾十),模型回答「看不到」甚至說畫面是「黑屏」;Seed / Qwen / Kimi 可以直接傳公網 https 地址。
視覺化介面測試
讓 AI Agent 幫你接入
複製這段提示詞,貼上給 Codex / Claude Code / Cursor
它會先抓本頁的純文本版(任意文件頁地址後加 .md),再按你專案的技術棧寫程式碼——通用 video_url 寫法、Gemini 不收公網直鏈與 20MB 上限、用 prompt_tokens 確認影片真的進了模型這幾個高頻問題已經寫死在要求裡。
幫我在當前專案裡接入 / 排查影片理解:把一段影片交給多模態模型,做內容摘要、場景描述、動作分析或按時間戳定位。
先讀文件再動手:抓 https://docs.apiyi.com/api-capabilities/video-understanding.md 拿到本頁純文本版;需要 YouTu …
- 端點與寫法:走 OpenAI 相容的
POST https://api.apiyi.com/v1/chat/completions…
共 9 條接入要求,點下方按鈕複製完整版
這段提示詞替你擋掉了什麼
這段提示詞替你擋掉了什麼
支援的模型
以下結論來自 2026-10-11 (UTC+8) 的實測:同一段 10 秒測試影片(每 2.5 秒換一個數字與形狀),要求模型按順序說出數字和出現時間,並用一張空白圖做對照,排除「沒看也能答」的情況。gemini-3.7-flash、gemini-3.5-flash 與經典穩定版 gemini-2.5-pro(2M 上下文)、gemini-2.5-flash 仍可用;3.8 Flash 與 3.5 Flash 實測影片 tokens 相同(10 秒約 713),但輸入單價只有一半。耗時與 tokens 只針對上述 10 秒、540p 的測試影片,影片越長、解析度越高越多,可據此按比例估算;實際耗時還受端點和上游排隊影響,同一段影片可能相差 2–3 倍。
不支援影片的模型
影片輸入方式
快速開始:通用寫法(video_url)
適用於 Seed、Qwen、Kimi、MiniMax,以及 Gemini。
<BASE64_VIDEO> 替換為影片的 base64 字串,或把整個 url 換成公網地址):
Gemini 專用寫法
Base64 內聯(image_url 舊寫法)
Gemini 同時相容上面的 video_url 寫法和下面這種 image_url 寫法,存量程式碼不用改;新程式碼建議統一用 video_url,方便切換模型。
Base64 內聯(Gemini 原生格式)
已經在用谷歌官方google-genai SDK 的專案,不必改成 OpenAI 相容寫法:把 base_url 換成 https://api.apiyi.com,影片用 Part.from_bytes 內聯即可。與上面一樣,整個請求體須在 20MB 以內。
-d @req.json 傳送。
YouTube 連結(Gemini 原生格式)
YouTube 連結無需下載、不受 20MB 限制,但只能通過 Gemini 原生格式傳入(google-genai SDK,端點 https://api.apiyi.com)。
不支援影片的模型:抽幀當多圖
GPT、Grok 這類只收圖片的模型,可以先在本地按固定間隔抽幀,再把幀當多張圖片傳入。實測gpt-6-sol、gpt-6-luna、gpt-5.6-terra、grok-4.7、grok-4.5 用 4 幀都能正確說出內容和順序。代價是丟失音訊和幀之間的動作,時間點要靠你在提示詞裡說明。
進階技巧
時間戳定位
在提示詞裡用MM:SS 直接定位片段——這是純提示詞技巧,任意支援影片的模型都可用:
兩種「答案不可信」的情況
① 影片根本沒進模型:看響應裡的usage.prompt_tokens。10 秒影片在 Seed / Qwen 上約 5000、Gemini 約 700;如果只有幾十個 token,說明影片被丟掉了(GPT、GLM,以及 Gemini 收到公網直鏈時都是這種情況),此時的答案不可信。注意模型不一定會說「看不到」:Gemini 收到直鏈時會把丟失的影片描述成「完全純黑的黑屏」,GPT 則會編出一段不存在的內容。
② 素材不對,而提示詞又預設了內容:比如傳錯了檔案、影片解碼成黑屏 / 灰屏,或者聯調時隨手用了佔位圖。這種情況下 prompt_tokens 完全正常,靠 token 數查不出來。
常見任務的提問思路
同一段影片,換提示詞就能完成不同分析,無需改程式碼:- 內容摘要:用 3-5 句話概括影片主題、關鍵畫面與結論
- 教學分析:提取知識點、章節劃分與重點時間戳
- 監控分析:識別異常行為、出現的人/物及發生時間
- 營銷評估:分析產品賣點呈現、節奏與目標受眾契合度
- 動作分析:拆解動作步驟、姿態要點與可改進之處
技術說明
- Gemini:預設按 1 幀/秒 取樣並理解音訊軌;Gemini 3.x 預設按低解析度計幀,實測約 70 tokens/秒。
- Seed / Qwen:實測約 500 tokens/秒(540p 影片);Seed 可用
fps調整取樣。 - Kimi K3:實測約 1400 tokens/秒,長影片成本明顯更高。
- 支援格式:mp4、mov、webm 等常見格式;建議統一轉成 H.264 編碼的 mp4,相容性最好。
常見問題
GPT / Grok / Claude 能看影片嗎?
GPT / Grok / Claude 能看影片嗎?
國產模型裡哪些能做影片理解?
國產模型裡哪些能做影片理解?
seed-2-0-pro-260328、dola-seed-2-1-turbo-260628、seed-2-0-lite-260428、seed-2-0-mini-260428、seed-1-8-251228)、Qwen 的 qwen3.8-max、qwen3.8-flash、qwen3-vl-plus、qwen3.5-omni-plus,以及 kimi-k3。MiniMax-M3 能認出內容但時間點不準。glm-5.3 與 deepseek-v4-flash-vision-exp 不支援影片。同一段程式碼,換個模型就報 400?
同一段程式碼,換個模型就報 400?
image_url + data:video/mp4 的舊寫法——它只有 Gemini 認。改成 {"type": "video_url", "video_url": {"url": ...}} 即可在各家通用。Gemini 回答了影片里根本沒有的內容?
Gemini 回答了影片里根本沒有的內容?
傳公開影片連結報錯 Request contains an invalid argument / 拉取失敗
傳公開影片連結報錯 Request contains an invalid argument / 拉取失敗
https://example.com/video.mp4),這不是 API易 攔截。Gemini 請改用 Base64 內聯(20MB 以內)或 YouTube 連結;也可以換用 Seed / Qwen,它們可以直接拉取公網地址。走 /v1/chat/completions 時不一定報錯:可能返回 200、模型自稱看到「黑屏」,此時 prompt_tokens 只有幾十,結果不可用。為什麼 Gemini 限制 20MB?之前明明能用
為什麼 Gemini 限制 20MB?之前明明能用
能用 files.upload 上傳大影片嗎?
能用 files.upload 上傳大影片嗎?
client.files.upload())第三方不支援,僅谷歌官方端點可用。大影片請走 YouTube 連結、壓縮到 20MB 內用 Base64,或換用 Seed / Qwen 傳公網地址。超過 20MB 的影片怎麼辦?
超過 20MB 的影片怎麼辦?