Hailuo 2.3 Text-zu-Video: Ein Kurzvideo-Workflow auf Basis der hiapi API

Kurzvideos brauchen Bewegung, die schon innerhalb einer Sekunde Bild glaubwürdig wirkt – ein sich drehendes Skateboard, flatternder Stoff, ein schneller Schwenk. Genau dafür ist hailuo-2.3/text-to-video gemacht: Man sendet einen Text-Prompt an den /v1/tasks-Endpunkt von hiapi und erhält einen Videoclip von 6 oder 10 Sekunden mit realistischer physikalischer Bewegung – ganz ohne Referenzbild. Dieser Artikel geht den echten API-Workflow vollständig durch, zeigt einen tatsächlich generierten Clip, erklärt eine Ausgabebeschränkung, die man kennen sollte, bevor man darauf eine Pipeline aufbaut, und zitiert die Live-Preise direkt aus hiapis /api/pricing.

Wo hailuo-2.3/text-to-video wirklich glänzt

Text-zu-Video-Modelle brechen bei schnellen physikalischen Bewegungen leicht ein – das Skateboard verbiegt sich, Gliedmaßen verformen sich mitten in der Drehung. hailuo-2.3/text-to-video trägt auf hiapi das Label „Motion Physics“, und genau das ist sein eigentliches Verkaufsargument: Es bleibt bei der Art von Bewegung stabil, aus der der Großteil der Kurzvideo-Inhalte besteht – ein Trick, eine Enthüllung, eine schnelle Kamerafahrt. Bei feinen Details kann es nicht mit Modellen mithalten, die auf statische Szenen spezialisiert sind, aber für einen 6–10-Sekunden-Clip, der auf dem Handy nur einmal angesehen wird, ist physikalisch glaubwürdige Bewegung wichtiger als pixelgenaue Textur.

Der Prompt und was er tatsächlich erzeugt hat

Hier ist der vollständige Prompt für das folgende Video – man kann ihn kopieren und als Ausgangspunkt für eigene Action-Aufnahmen verwenden:

a skateboarder in an empty downtown parking garage at golden hour attempts a kickflip, the board spinning crisply mid-air with realistic physical rotation, sneaker landing solidly back on the deck as wheels grip the concrete, sunlight flaring low through support pillars, dynamic low-angle tracking shot following the motion, natural motion blur on fast movement, warm saturated color grade, handheld documentary energy

Beachten Sie, welche Teile des Prompts tatsächlich wirken: eine benannte Kamerafahrt („dynamic low-angle tracking shot“), eine explizite Bewegungsbeschreibung („crisply mid-air with realistic physical rotation“) und ein Lande-Takt („solidly back on the deck as wheels grip the concrete“). hailuo-2.3/text-to-video legt keine Kamera- oder Timing-Parameter offen bereit – all das ergibt sich daraus, wie konkret man beschreibt.

Das Problem: nur Querformat

Das Eingabe-Schema von hailuo-2.3/text-to-video (die Live-Parameterliste findet sich auf der Modellseite) ist bewusst eng gefasst: prompt, duration ("6" oder "10") und prompt_optimizer. Kein aspect_ratio, keine resolution, kein Seed – jedes Video wird fest im Querformat mit 1366×768 gerendert.

Für TikTok, Reels und Shorts ist das ein echtes Problem, denn diese Plattformen verlangen 9:16. Da es keine Hochformat-Option zum Anfordern gibt, lässt sich der Workaround nur nach der Generierung ansetzen: entweder das Querformat-Bild mittig zu einem vertikalen Streifen zuschneiden (funktioniert gut, wenn das Motiv zentriert bleibt, wie im Video oben) oder das vollständige Bild beibehalten und oben und unten mit einer unscharf vergrößerten Kopie desselben Materials auffüllen – der beim Neuschnitt von Querformat-Clips übliche „Blur-Background-Fill“-Effekt. Planen Sie den Zuschnitt bzw. das Auffüllen als Teil der Pipeline ein, statt davon auszugehen, dass das Modell Ihnen direkt ein hochformat-taugliches Ergebnis liefert.

Kosten: zwei Laufzeitstufen, kein günstiger Modus

Laut der aktuellen Preisseite von hiapi wird hailuo-2.3/text-to-video pauschal pro Video abgerechnet: 6-Sekunden-Clip für $0.40, 10-Sekunden-Clip für $0.80 – exakt das Doppelte, ohne eingebauten Mengenrabatt. Das ist wichtig für die Budgetplanung im Batch-Betrieb: Drei 6-Sekunden-Clips (zusammen $1.20, insgesamt 18 Sekunden Material) kosten dasselbe wie drei nahezu volle Clips, daher ist es in der Regel günstiger, mehrere kurze Clips zu einem Schnitt zusammenzufügen, als dieselbe Gesamtdauer mit einer durchgehenden langen Aufnahme abzudecken.

Ein Stolperstein: Hailuo 2.3 hat zwar eine günstigere „Fast“-Stufe (6 s $0.27 / 10 s $0.46) – aber die gibt es nur bei Image-zu-Video. Text-zu-Video bietet nur eine einzige Preisstufe, keine günstigere Fast-Alternative. Wenn man vor dem finalen Rendering viele Prompt-Iterationen braucht, ist es oft kostensparender, zuerst ein Standbild zu generieren und die Bewegung dann mit hailuo-2.3-fast/image-to-video auf Basis dieses Frames zu iterieren.

In die Pipeline einbinden

Alle Videomodelle von hiapi folgen demselben asynchronen /v1/tasks-Muster – Task anlegen, pollen, Ausgabe sofort herunterladen, denn die Auslieferungslinks laufen ab:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "hailuo-2.3/text-to-video",
    "input": {
      "prompt": "a skateboarder in an empty downtown parking garage at golden hour attempts a kickflip...",
      "duration": "6",
      "prompt_optimizer": true
    }
  }'

Man pollt GET /v1/tasks/{taskId}, bis der Status einen Endzustand erreicht, und ruft dann output[0].url ab, um sofort herunterzuladen. Die vollständige Request-/Response-Struktur und die Live-Schema-Validierung finden sich auf der Modellseite; allgemeine Details zu Authentifizierung und Task-Lebenszyklus in der hiapi-Dokumentation.

Wenn Sie eine Kurzvideo-Pipeline rund um mehr als nur ein Videomodell aufbauen wollen, statt auf ein einziges zu setzen, lohnt sich hiapis Überblick über die vier großen Videomodelle – hailuo-2.3 unterscheidet sich in Preis und Qualitätspositionierung deutlich von Modellen wie seedance-2.0-mini, und Modelle je nach Szenentyp zu mischen, funktioniert in der Regel besser, als den gesamten Content-Kalender mit einem einzigen Modell zu bestreiten.

Häufig gestellte Fragen

Unterstützt hailuo-2.3/text-to-video Hochformat-Ausgabe (9:16)? Nein. Es gibt keinen aspect_ratio- oder resolution-Parameter – jedes Video wird im Querformat mit etwa 1366×768 gerendert. Um Hochformat zu erhalten, muss die Ausgabe nach der Generierung zugeschnitten oder aufgefüllt werden.

Wie lange dauert die Generierung eines Videos? Es ist ein asynchroner Task: nach dem Absenden pollen, bis der Status einen Endzustand erreicht. In einer Batch-Pipeline sollte man pro Video einige Minuten einplanen, statt auf eine synchrone Rückgabe zu hoffen.

Gibt es eine günstigere oder schnellere Version von hailuo-2.3/text-to-video? Nein. Die rabattierte „Fast“-Stufe gilt nur für hailuo-2.3-fast/image-to-video. Text-zu-Video hat nur einen Preis: 6 s $0.40, 10 s $0.80.

Kann ich Kamerabewegung oder konkrete Timing-Takte direkt steuern? Nicht über strukturierte Parameter – Bewegung, Kamerafahrt und Rhythmus ergeben sich allein aus der Formulierung des Prompts. Der obige Prompt (benannte Tracking-Aufnahme, explizite Rotationsbeschreibung, ein Lande-Takt) ist eine brauchbare Vorlage für physikalisch wirkende Action-Aufnahmen.

Die wichtigsten Punkte

• Das gesamte Eingabe-Schema besteht nur aus prompt, duration ("6" oder "10") und prompt_optimizer – kein aspect_ratio, keine resolution, kein Seed zum Einstellen.
• Die Ausgabe ist immer Querformat mit etwa 1366×768; für vertikale Kurzvideo-Plattformen muss man einen Zuschnitt- oder Auffüllschritt einplanen.
• Die Preise sind fest: 6 s $0.40, 10 s $0.80 – die günstigere „Fast“-Stufe gibt es nur bei Image-zu-Video.
• Über /v1/tasks absenden, bis zum Endzustand pollen und dann sofort die Ausgabe-URL herunterladen, denn die Links laufen ab.

Bereit, es auszuprobieren? Generieren Sie auf der Modellseite von hailuo-2.3/text-to-video mit dem obigen Prompt ein Video und prüfen Sie die aktuelle Preisgestaltung, bevor Sie in großem Umfang die gesamte Kurzvideo-Palette durchlaufen lassen.