FLUX.3 Video Kurzvideo: Entwurf, Rendering, Fortsetzung per API

FLUX.3 Video (auf hiapi flux-3-video) deckt mit derselben Modell-ID die drei Dinge ab, die ein Kurzvideo-Workflow braucht: vertikale 9:16-Ausgabe, eine synchron zum Bild generierte Tonspur sowie eine Videofortsetzung, die am letzten Frame eines bestehenden Clips ansetzt. Diese Anleitung nutzt alle drei Funktionen an einer kleinen Aufgabe: einem 10-sekündigen vertikalen Kurzfilm für ein nächtliches Ramen-Restaurant. Zuerst wird das Konzept mit einem günstigen Entwurf geprüft, dann das Finalvideo in 720p gerendert und anschließend die Einstellung per Fortsetzung über 5 Sekunden hinaus verlängert. Jeder Clip unten ist echte, unbearbeitete API-Ausgabe, jeder Preis stammt aus der Live-Preisliste von hiapi.

Die vollständige Parameterreferenz und eine erste Request-Übung finden sich im FLUX.3 Video API-Leitfaden. Wer separate Bild-zu-Video- und Keyframe-Endpunkte zu einem niedrigeren Preis pro Sekunde sucht, findet das betreffende Modell im FLUX 3 Max Kurzvideo-Workflow. Dieser Artikel behandelt, was flux-3-video zusätzlich bietet: Audio, Entwurfsvorschau und Fortsetzung.

Der Workflow in drei Aufrufen

Schritt	Zweck	Wichtige Felder	Preis (pro Sekunde)	Kosten für 5 Sekunden
1. Entwurf	Prüfen, ob der Prompt wie erwartet umgesetzt wird	draft: true	$0.09	$0.45
2. Finalvideo	Den Clip rendern, den du veröffentlichen willst	resolution: "720p"	$0.25	$1.25
3. Fortsetzung	Den finalen Clip um weitere 5 Sekunden verlängern	start_video + draft: true	$0.18	$0.90

Alle drei verwenden dieselbe Modell-ID und dieselbe Request-Struktur am asynchronen Task-Endpunkt. Dieser Lauf kostet insgesamt $2.60 und ergibt einen 10-sekündigen vertikalen Kurzfilm mit Ton. Bei 1080p steigt der Tarif für normale Renderings auf $0.42/Sekunde, für Fortsetzungen auf $0.76/Sekunde und für 720p-Fortsetzungen ohne Entwurfsmodus auf $0.59/Sekunde. Aktuelle Tarife stehen auf der flux-3-video-Modellseite und der Preisseite.

Schritte 1 und 2: Entwurf und Finalvideo als Stapel einreichen

Der Prompt beschreibt die Einstellung in einem Satzblock und den Ton in einer separaten Audio:-Zeile. Mit generate_audio: true gibt das Modell eine .mp4 mit eingebetteter AAC-Tonspur zurück, keine separate Audiodatei.

{
  "model": "flux-3-video",
  "input": {
    "prompt": "Vertikale Handheld-Aufnahme bei Nacht: Dampf steigt aus einer Schüssel Tonkotsu-Ramen auf, Stäbchen heben glänzende Nudeln in Richtung Kamera, dahinter eine Ramen-Theke mit nur sechs Plätzen, warme Papierlaternen, Regen zieht Spuren über das Fenster, geringe Schärfentiefe. Audio: brodelnde Brühe, leises Nudelschlürfen, Regen auf Glas, gedämpftes Stimmengewirr.",
    "duration": 5,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "draft": true,
    "generate_audio": true
  }
}

Die Anfrage für das Finalvideo ist derselbe Request-Body ohne "draft": true. Beide Anfragen werden direkt nacheinander abgeschickt. Sie warten nicht aufeinander, da jeder Aufruf sofort eine taskId zurückgibt:

	Entwurf	Finalvideo 720p
Erstellung → Fertigstellung (Server-Zeitstempel)	29 Sekunden	64 Sekunden
Ausgabegröße	704×1280	704×1280
Dauer	5,04 Sekunden	5,04 Sekunden
Spitzenpegel des Audios	−23 dB	−5 dB
Kosten	$0.45	$1.25

Hier ist der Entwurf:

Und hier das finale 720p-Video mit demselben Prompt:

Die beiden Clips zeigen, was ein Entwurf sagen kann und was nicht:

• Der Entwurf ist eine andere Version, keine Auflösungsvorschau des Finalvideos. Der Entwurf zeigt eine schlichte weiße Schüssel, die Nudeln sind bereits angehoben. Das Finalvideo wählt eine gemusterte Schüssel mit Wachsei-Eigelb, Frühlingszwiebeln, Gästen an der Theke und Dampf. Das Request-Schema hat kein seed-Feld; du kannst die Komposition des Entwurfs also nicht festhalten und in voller Qualität neu rendern.
• Die Pixelmaße sind völlig identisch. Beide Ausgaben sind 704×1280. Der Unterschied liegt im Detail: Der Entwurf ist deutlich weicher, der Hintergrund verschwommen, während das Finalvideo die Textur von Nudeln und Laternenbeschriftung bewahrt.
• Die Tonspur des Entwurfs ist viel leiser. Ihr Spitzenpegel liegt bei etwa −23 dB, das Finalvideo bei −5 dB. Beurteile den Audiomix nicht anhand des Entwurfs.

Nutze den Entwurf daher, um das Konzept über mehrere Prompt-Varianten hinweg zu je $0.45 zu prüfen (Erzeugt der Prompt eine nächtliche vertikale Ramen-Nahaufnahme mit Nudelhebe-Bewegung?). Rendere dann nur für die bestandenen Prompts das Finalvideo und wähle daraus aus.

Schritt 3: Die Einstellung mit einer Fortsetzung verlängern

Ein 5-Sekunden-Hook ist für einen Post oft zu kurz. Statt einen weiteren unzusammenhängenden Clip zu generieren, übergibst du die öffentliche URL des Finalvideos als start_video und beschreibst, was als Nächstes passiert:

{
  "model": "flux-3-video",
  "input": {
    "prompt": "Setze dieselbe Einstellung fort: Die Nudeln werden aus dem Bild geschlürft, die Handheld-Kamera driftet nach rechts oben, über die dampfende Schüssel hinweg in Richtung des regenbenetzten Fensters, die leuchtenden Papierlaternen spiegeln sich im Glas, draußen ein verschwommenes Neonschild. Audio: Schlürfen, dann Regen am Fenster und leises Anschwellen des Stimmengewirrs an der Theke.",
    "start_video": "https://static.hiapi.ai/blog/flux-3-video-short-form-video/hook-final.mp4",
    "duration": 5,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "draft": true,
    "generate_audio": true
  }
}

Der Task benötigt von der Erstellung bis zur Fertigstellung 119 Sekunden und kostet $0.90 (5 Sekunden × $0.18 Entwurfsfortsetzung). Das Ergebnis sieht so aus:

Zwei Verhaltensweisen solltest du vorab einplanen:

1. Die Ausgabe enthält nur die neuen Sekunden. Die zurückgegebene Datei ist 5,0 Sekunden lang. Sie beginnt am letzten Frame des Quellclips (die vor der Laterne angehobenen Nudeln) und schwenkt dann wie angefordert zum Fenster. Die ursprünglichen 5 Sekunden sind nicht enthalten, die beiden Dateien musst du also selbst zusammenfügen.
2. Da der erste Frame übereinstimmt, ist die Zusammenfügung nahtlos. Ein einfaches concat ergibt eine durchgehende 10-Sekunden-Einstellung:

ffmpeg -i hook-final.mp4 -i extend-draft.mp4 \
  -filter_complex "[0:v][0:a][1:v][1:a]concat=n=2:v=1:a=1[v][a]" \
  -map "[v]" -map "[a]" -c:v libx264 -crf 20 -c:a aac -movflags +faststart cut-10s.mp4

Die Fortsetzung hier wird im Entwurfsmodus gerendert, um Kosten zu sparen; die zweite Hälfte ist daher weicher als die erste, wie bei einem eigenständigen Entwurf. Für den zu veröffentlichenden Clip kostet eine 720p-Fortsetzung ohne Entwurfsmodus $0.59/Sekunde (5 Sekunden: $2.95). Wenn du in 5-Sekunden-Schritten verlängerst, kannst du jeden Abschnitt bestätigen, bevor du den nächsten bezahlst; ein einmaliges Rendering eines 20-sekündigen 720p-Finalvideos würde hingegen $5.00 im Voraus kosten.

Asynchrones Batch-Skript

Das folgende Skript schickt beliebig viele Tasks parallel ab, fragt jede taskId bis zur Fertigstellung ab und lädt die Ausgabe sofort herunter. Die Ergebnis-URLs unter temp.hiapi.ai tragen einen expireAt-Zeitstempel; kopiere die Dateien daher in deinen eigenen Speicher, statt sie direkt zu verlinken. Die Endpunkt-Dokumentation findest du unter Create Task und Get Task Detail.

import os, time, requests

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"}

BASE = {"duration": 5, "resolution": "720p", "aspect_ratio": "9:16",
        "generate_audio": True}

jobs = {
    "ramen_draft":  {**BASE, "draft": True,  "prompt": "Vertikale Handheld-Aufnahme bei Nacht: …"},
    "coffee_draft": {**BASE, "draft": True,  "prompt": "Vertikale Nahaufnahme: Espresso tropft …"},
    "ramen_final":  {**BASE,                 "prompt": "Vertikale Handheld-Aufnahme bei Nacht: …"},
}

# 1. Alles abschicken; jeder Aufruf gibt sofort eine taskId zurück
task_ids = {}
for name, inp in jobs.items():
    r = requests.post(API, headers=HEADERS,
                      json={"model": "flux-3-video", "input": inp}, timeout=60)
    r.raise_for_status()
    task_ids[name] = r.json()["data"]["taskId"]

# 2. Abfragen, bis jeder Task einen Endzustand erreicht hat
pending = dict(task_ids)
while pending:
    time.sleep(10)
    for name, tid in list(pending.items()):
        data = requests.get(f"{API}/{tid}", headers=HEADERS, timeout=30).json()["data"]
        if data["status"] == "success":
            url = data["output"][0]["url"]
            with open(f"{name}.mp4", "wb") as f:
                f.write(requests.get(url, timeout=120).content)
            print(name, "gespeichert")
            pending.pop(name)
        elif data["status"] in ("fail", "failed"):
            print(name, "fehlgeschlagen:", data.get("error"))
            pending.pop(name)

Für den Fortsetzungsschritt fügst du im input "start_video": "<öffentliche URL des freigegebenen Finalvideos>" hinzu. Die URL muss öffentlich erreichbar sein; lade das freigegebene Finalvideo daher zuerst in deinen eigenen Speicher hoch.

Request-Regeln, die du vor dem Batch-Versand kennen solltest

Diese Antworten hat die API während dieses Laufs zurückgegeben. Ungültige Anfragen werden bereits bei der Einreichung mit 400 INVALID_REQUEST abgelehnt, es wird kein Task erstellt:

• aspect_ratio akzeptiert auto, 21:9, 2:1, 16:9, 4:3, 1:1, 3:4, 9:16. Jeder andere Wert wird abgelehnt.
• duration hat ein Maximum von 20 (maximum: got 99, want 20).
• start_video muss eine String-URL sein.
• Unbekannte Felder werden abgelehnt (additional properties ... not allowed), Tippfehler schlagen also laut fehl, statt ignoriert zu werden.

Umgekehrt gilt: Eine Anfrage, die die Validierung besteht, ist ein echter, kostenpflichtiger Task. Sende keine „Test“-Prompts ohne draft: true. Ein nacktes {"prompt": "test"} ist gültig und rendert einen Clip zum vollen Preis.

Häufige Fragen

Wie probiert man flux-3-video-Prompts am günstigsten aus? 720p im Entwurfsmodus: $0.09/Sekunde, ein 5-Sekunden-Clip kostet also $0.45. Er zeigt, ob das Konzept funktioniert, aber das Finalvideo wird eine andere Version sein.

Erzeugt flux-3-video Ton? Ja. Mit generate_audio: true ist die Tonspur in der zurückgegebenen .mp4 eingebettet. In diesem Test ergab die Beschreibung des Tons in einer separaten Audio:-Zeile im Prompt passende Umgebungsgeräusche (Brodeln, Schlürfen, Regen, Stimmen).

Wie lang können flux-3-video-Clips sein? Bis zu 20 Sekunden pro Anfrage. Mit start_video-Fortsetzungen kannst du schrittweise verlängern und jeden Schritt bestätigen, bevor du den nächsten bezahlst.

Liefert eine Fortsetzung das vollständig zusammengefügte Video? Nein. In diesem Test liefert sie nur die neuen 5 Sekunden ab dem letzten Frame des Quellclips. Füge die Dateien selbst zusammen.

Jetzt loslegen

Öffne die flux-3-video-Modellseite, um die aktuellen Preise zu sehen und den Playground zu nutzen. Entwirf dann mit dem Batch-Skript oben einige vertikale Hooks, rendere für die vielversprechenden das Finalvideo und verlängere das beste.