Ray 3.2 Text-zu-Video: Batch-Workflow für vertikale Kurzvideos

Überblick

• Was ist das: Ein wiederholbarer Batch-Workflow, der mithilfe von ray-3.2/text-to-video auf der hiapi API Zeile für Zeile Text in vertikale Kurzclips im Reels/TikTok/Shorts-Stil verwandelt – ohne Eingabebilder, ohne vorbereitetes Material.
• Für wen: Social- und Content-Teams, die Volumen brauchen – jede Woche mehrere brandneue 9:16-Ideen zum Testen statt nur ein aufwendiges Video pro Monat.
• Die entscheidende Tatsache, die alles bestimmt: ray-3.2 t2v wird ausschließlich nach Dauer × Auflösung abgerechnet. Das Seitenverhältnis ist kostenlos, daher kosten 9:16 vertikal und 16:9 horizontal exakt gleich viel. Der einzige Hebel, mit dem Du Deinen Output steuern kannst, ist die Auflösungsstufe.
• Belegt statt theoretisch: Jeder Kurzclip unten wurde für diesen Artikel in einem einzigen Batch-Job generiert – vier 5-Sekunden-Clips in 540p, 9:16, $0.2145 pro Clip, $0.858 insgesamt, jeder serverseitig in 37–87 Sekunden gerendert.

Ray 3.2 (das Luma-Text-zu-Video-Modell, das hiapi listet) eignet sich hervorragend für Kurzvideos, weil es genau das kann, was Kurzvideos wirklich brauchen: aus einer einzigen Beschreibung eine völlig neue 5-Sekunden-Aufnahme erschaffen. Keine Frames nötig, kein Animieren von Produktfotos, kein vorbereitetes Referenzmaterial. Du schreibst einen Hook und bekommst einen Clip. Das macht es zum richtigen Werkzeug, wenn es um Batch-Generierung von Ideen geht – und deshalb unterscheidet sich dieser Workflow von den Kurzvideo-Anleitungen für Image-zu-Video und Referenz-zu-Video anderer Modelle.

Text-zu-Video oder Image-zu-Video – wähle zuerst den richtigen Einstieg

Beide laufen über dieselbe asynchrone Task-API, lösen aber unterschiedliche Probleme:

• Text-zu-Video (diese Seite): Ausgehend allein vom Prompt. Am besten für völlig neue Konzepte, Stimmungsaufnahmen und B-Roll, bei dem Du kein bestimmtes Bild hast – oder Dich nicht daran binden willst. Das Modell kann die gesamte Aufnahme frei komponieren, und genau das willst Du, wenn Du Optionen im Batch produzieren musst.
• Image-zu-Video: Ausgehend von einem Startframe, den Du bereits hast. Wenn Du ein wichtiges Produktfoto besitzt und genau dieses Objekt bewegen willst, nutze stattdessen ray-3.2/image-to-video – es verankert die Aufnahme an Deinem Frame und animiert darauf aufbauend.

Faustregel: Wenn die Anforderung lautet „Gib mir drei brandneue Opener für diese Kampagne“, dann ist es Text-zu-Video. Wenn es heißt „Bewege genau dieses Produktbild“, dann ist es Image-zu-Video. Der Rest dieses Artikels behandelt den ersten Fall.

Die Preis-Tatsache, die Deinen gesamten Workflow bestimmt

Hier ist die vollständige, aktuelle Preisliste von ray-3.2/text-to-video (zum Zeitpunkt der Erstellung gegen hiapi pricing geprüft – bitte immer dort nachschauen, nicht hier):

Dauer	Auflösung	Preis pro Clip
5s	540p	$0.2145
5s	720p	$0.429
5s	1080p	$1.7145
10s	540p	$0.643
10s	720p	$1.286
10s	1080p	$5.143

Beachte, was in der Tabelle nicht auftaucht: das Seitenverhältnis. Ray 3.2 rechnet nur nach Dauer und Auflösung ab, daher kosten 9:16 vertikal genauso viel wie 16:9 horizontal, 1:1 oder 21:9. Allein diese Tatsache verändert die Art, wie Du Deine Kurzvideo-Batches planst:

• 540p ist Deine Teststufe. Bei $0.2145 pro Clip kannst Du für den Preis eines einzigen 1080p-Highlight-Videos 10–15 Konzepte generieren. Vertikale Social-Feeds werden auf dem Handy in kleinem Format angesehen – 540p (bei 9:16 ergibt das 540×960, siehe unten) ist für einen ersten A/B-Test völlig klar erkennbar.
• 720p / 1080p ist Deine Fertigstellungsstufe. Wenn ein Konzept gewinnt, generiere einfach für genau diesen Prompt eine 720p- oder 1080p-Version für die eigentliche Veröffentlichung neu.
• Die Dauer ist eine feste Stufe, kein Schieberegler. Es gibt nur 5 oder 10 Sekunden als feste Optionen – keine 7-Sekunden-Option – und 10 Sekunden kosten etwa dreimal so viel wie 5. Für hook-getriebene Kurzvideos sind 5 Sekunden meist die gewünschte Einheit, die Du dann im Schnitt mehrfach übereinanderlegst.

Diese „günstig erkunden, nur für Gewinner zahlen“-Form ist genau der Grund, warum dieser Workflow komplett im Batch bei 540p läuft.

Ein Request, ein Codeblock

Ray 3.2 t2v akzeptiert eine kleine, feste Gruppe von Eingabefeldern:

Feld	Erforderlich	Werte
prompt	Ja	Deine Szenenbeschreibung
duration	Ja	5 oder 10 (ganze Sekunden)
resolution	Ja	540p, 720p oder 1080p
aspect_ratio	Ja	9:16, 16:9, 1:1, 4:3, 3:4, 21:9

Ein vertikaler Kurzclip ist ein einzelner POST an den asynchronen Task-Endpunkt:

curl -s https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "ray-3.2/text-to-video",
    "input": {
      "prompt": "Vertical 9:16 first-person POV gliding down a neon night market alley...",
      "duration": 5,
      "resolution": "540p",
      "aspect_ratio": "9:16"
    }
  }'

Die Antwort liefert eine data.taskId. Danach pollst Du GET /v1/tasks/{taskId}, bis data.status gleich "success" ist, und lädst output[0].url herunter. Das ist die mechanische Kurzfassung – für eine vollständige Request/Response-Durchführung, den Status-Lebenszyklus, die Python-Version und Fehlerbehandlung siehe die begleitende How-to-Anleitung: Ray 3.2 Text-to-Video API: curl und Python Guide. Zum ersten Mal mit der Task-API zu tun? Beginne mit dem Quickstart.

Prompts schreiben, die sich wirklich vertikal lesen

5 Sekunden ohne Eingabeframe sind eine straffe kreative Vorgabe. Die folgenden vier Gewohnheiten haben in diesem Batch einen deutlichen Unterschied gemacht:

1. Sage „vertical 9:16“ ausdrücklich im Prompt und komponiere für ein hochformatiges Bild – zentriere ein einzelnes Motiv, statt den Beschnitt gegen ein breites Querformat ankämpfen zu lassen.
2. Setze den Hook in die erste Sekunde. Kurzvideos stehen und fallen mit dem ersten Frame, also beschreibe etwas, das sich sofort bewegt („the spiral catches the light in the first second“ – die Spirale fängt im ersten Moment das Licht ein).
3. Benenne die Kamerabewegung – Push-in, Kran nach unten, langsames Kreisen. Ray 3.2 reagiert gut auf klare Bewegungsrichtungen, und Bewegung ist der Schlüssel dazu, dass ein Clip sich wie Content anfühlt und nicht wie eine Diashow.
4. Ein Clip, eine Idee. In fünf Sekunden lässt sich keine Geschichte erzählen, aber ein Beat setzen. Gib ihm nur einen.

Hier sind die vier Prompts dieses Batches – jeder ein anderer Kurzvideo-Typ, den Du tatsächlich in einem Briefing schreiben würdest: Food & Beverage, Reise-POV, E-Commerce-Produkt und Outdoor-Marken-Stimmung. Jeder Clip ist die unbearbeitete Rohausgabe des Modells.

1 · Getränk / Tischplatte (siehe Cover-Clip oben). Appetitanregender Produkt-Use-Case-Content. Der Prompt beginnt mit dem Eingießen und dem Lichteinfall, damit der Hook im ersten Frame sitzt:

Vertical 9:16 close-up: a barista's hands pour a slow spiral of golden honey
over a glass of iced coffee, condensation beading on the cup, morning light
raking across a marble counter, shallow depth of field, the honey spiral
catches the light in the first second — crisp appetizing tabletop commercial look

2 · Reise-POV. First-Person-Energie ohne Person im Bild – der schnellste Weg, den Feed zum Anhalten zu bringen. Der Hinweis „handheld bounce“ (verwackelte Handkamera) verleiht ihm das Vlog-Gefühl:

Vertical 9:16 first-person POV gliding fast down a neon-lit night market alley,
steam rising from food stalls, string lights streaking into bokeh, the camera
pushes forward with a confident handheld bounce, vibrant saturated colors,
energetic short-form travel vlog feel

3 · Produkt-Held (E-Commerce). Eine saubere Drehscheiben-Aufnahme mit einem „Reveal“-Moment – ideal als Opener für einen Produktlaunch oder ein Feature-Highlight:

Vertical 9:16 product hero: a single pair of white running shoes rotates slowly
on a seamless gradient pedestal, a ribbon of fine sand swirls around them in slow
motion, soft studio key light with a crisp rim, clean minimalist e-commerce
aesthetic, the sand reveal lands on the opening beat

4 · Outdoor / Marken-Stimmung. Ein Drohnen-Sturzflug für Lifestyle- und Reisemarken – mit der Richtung „in der ersten Sekunde schnell nach unten stürzen, dann sanft in eine Umlaufbahn übergehen“, damit es eine bewusste zweiteilige Bewegung bekommt:

Vertical 9:16 overhead drone shot snapping down toward a lone kayaker cutting a
clean V-wake across a glassy turquoise lake at sunrise, mist drifting off the
water, the camera descends fast in the first second then eases into a gentle
orbit, cinematic outdoor-brand mood

Vier Prompts, vier vertikale Typen, ein Modell, insgesamt $0.858. Das ist ein Batch.

Einen Batch ohne ständiges Danebensitzen durchziehen

Da die Task-API asynchron ist, ist das effiziente Muster erst fächern, dann sammeln – nicht einen Clip generieren, warten, den nächsten generieren. Reiche den ganzen Batch auf einmal ein, lass jeden Clip oben parallel rendern, speichere jede taskId sofort und starte erst dann das Polling:

for each prompt:
    taskId = POST /v1/tasks  (model=ray-3.2/text-to-video, input=...)
    persist taskId to disk immediately   # it's billed at submit

for each saved taskId:
    poll GET /v1/tasks/{taskId} until status == "success"
    download output[0].url

Dieser Lauf hat zwei Dinge gelehrt (oder bestätigt), die es wert sind, in den Prozess eingebaut zu werden:

• Polle gespeicherte taskIds; reiche niemals neu ein. Die ID wird in dem Moment abgerechnet, in dem Du den POST machst – wenn das Polling also wegen eines vorübergehenden Netzwerkfehlers abbricht, fange ihn ab und versuche dieselbe ID erneut. Erneutes Einreichen führt zu einer doppelten Abbuchung. Die IDs auf der Festplatte zu persistieren bedeutet auch, dass ein abgestürzter Lauf durch Polling wiederhergestellt werden kann, statt neu erstellt zu werden.
• Rechne mit etwa 40–90 Sekunden pro 540p-Clip. In diesem Batch wurden die vier Clips serverseitig nach 37, 38, 70 und 87 Sekunden fertig. Fächern bedeutet, dass das gesamte Set in etwa der Zeit des langsamsten Clips fertig ist, nicht in der Summe aller Zeiten.

Für eine 540p-9:16-Anfrage bekommst Du eine 540×960 H.264-MP4 mit 24 fps und etwa 5,04 Sekunden – „540p“ bezieht sich also auf die kurze Kante, das vertikale Bild ist nativ hochformatig, Du musst nichts zuschneiden.

Vom rohen Clip zum veröffentlichten Kurzvideo

Zwei praktische Einschränkungen, die Du vorab einplanen solltest:

• Clips sind stumm. Ray 3.2 t2v gibt nur Bild aus – keine Tonspur. Für Kurzvideos ist das in Ordnung: Importiere den Clip in Deinen Editor und füge dort Trendmusik, Voiceover oder Untertitel hinzu. Plane einen Schnittschritt ein; erwarte nicht, dass die API direkt eine veröffentlichungsfertige Datei liefert.
• Fünf Sekunden sind ein Beat, kein Video. Die wiederholbare Methode besteht darin, mehrere 5-Sekunden-Clips zu generieren (wie oben) und dann drei bis vier davon zu einem 15–20-sekündigen Schnitt übereinanderzulegen und an den Beats hart zu schneiden. Jeder Clip ist ein Hook; der Schnitt ist die Geschichte.

Der End-to-End-Zyklus lautet also: Konzepte im Batch bei 540p generieren → Gewinner auswählen → nur für diesen Prompt 720p/1080p neu generieren → im Editor schneiden und vertonen → veröffentlichen. Günstig erkunden, nur einmal für den Gewinner zahlen, von Hand fertigstellen.

FAQ

Erzeugt ray-3.2 Text-zu-Video Ton? Nein – die Ausgabe ist eine stumme MP4. Füge Audio im Editor hinzu.

Brauche ich ein Eingabebild? Nein. Genau das ist der Sinn von Text-zu-Video: nur der Prompt. Wenn Du einen vorhandenen Frame animieren willst, nutze ray-3.2/image-to-video.

Welche Auflösung sollte ich für Social Media verwenden? 540p für das Konzept-Testing in großem Maßstab (bei 9:16 sind das 540×960 – auf dem Handy klar lesbar), dann 720p oder 1080p für die Clips, die Du tatsächlich veröffentlichst.

Bekomme ich echtes Vertikalformat ohne Zuschneiden? Ja. Gib aspect_ratio: "9:16" an, und das Modell rendert nativ hochformatig (540×960 bei 540p). Das Seitenverhältnis wirkt sich nicht auf den Preis aus.

Wie lang kann ein Clip sein? 5 oder 10 Sekunden – das sind feste Optionen, kein kontinuierlicher Bereich. Für hook-getriebene Kurzvideos ist 5 Sekunden pro Clip und das Übereinanderlegen im Schnitt meist die bessere Investition.

Wie unterscheidet sich das von der How-to-Anleitung? Die How-to-Anleitung deckt einen einzelnen Request end-to-end ab (curl, Python, Fehlerbehandlung). Diese Seite ist der darauf aufbauende Workflow: wie Du vertikale Konzepte im Batch produzierst, welche Auflösungsstufe Du bei welchem Schritt einsetzt und wie Du Prompts für 9:16 schreibst.

Jetzt mit dem Generieren beginnen

Ray 3.2 Text-zu-Video ist jetzt über die asynchrone Task-API verfügbar. Hole Dir einen Key, öffne die ray-3.2/text-to-video Modellseite für die vollständige Parameterreferenz und aktuelle Preise und generiere Dein erstes Set vertikaler Konzepte im Batch bei 540p – Du kannst eine Woche Kurzvideo-Ideen für weniger als einen Dollar testen. Vergleichst Du Modelle für dieselbe Aufgabe? Die Kurzvideo-Workflow-Anleitungen für seedance-2.0-fast und Kling 3.0 Image-to-Video folgen derselben Schleife, aber mit anderen Abwägungen.