Veo 3.1 Bild-zu-Video: Ein Standbild per API in einen kurzen Video-Werbespot verwandeln

Kurzvideos haben ein hartes Produktionsrechenproblem: TikTok und Reels gewinnen durch Veröffentlichungsvolumen, aber ein polierter Produktclip kann einen ganzen Nachmittag für Dreh, Schnitt und Sounddesign verschlingen. Googles Veo 3.1 Bild-zu-Video-Modell (veo-3.1/image-to-video) komprimiert diese Pipeline auf zwei API-Aufrufe – ein günstiges Standbild, eine Video-Task – und liefert dann einen Hochformat-Clip zurück, in den natives Audio bereits eingemischt ist.

Das Folgende ist die vollständige Ausgabe, die diese Pipeline für diesen Artikel erzeugt hat. Ein Quellbild für $0,03, ein API-Aufruf, 115 Sekunden Wartezeit:

Schalte den Ton ein – der dumpfe Aufprall, der tiefe Ambient-Puls und das Zischen des Nebels werden alle vom Modell erzeugt. Nichts hier wurde von Hand geschnitten, farbkorrigiert oder mit Sounddesign versehen. In diesem Leitfaden bauen wir diesen Clip end-to-end über die hiapi-Task-API nach und skalieren dann denselben Workflow zu einer Batch-Pipeline für die Produktion von Kurzformat-Varianten.

Warum Bild-zu-Video das richtige Werkzeug für Kurzformat ist

Text-zu-Video eignet sich hervorragend zum Erkunden, aber kommerzielle Kurzformat-Inhalte beginnen normalerweise mit Material, das du bereits kontrollierst: Produktfotos, Verpackungsbilder, Posterframes. Bild-zu-Video behält diese visuelle Identität bei und fügt Bewegung hinzu. Für das TikTok/Reels-Format sind drei Eigenschaften von veo-3.1/image-to-video besonders wichtig:

1. Die Ausgabe folgt dem Seitenverhältnis deiner Eingabe. Es gibt keinen aspect_ratio-Parameter – das Modell übernimmt die Komposition aus dem Bild, das du bereitstellst. Gib ihm ein 9:16-Hochformat-Standbild, und du erhältst ein 9:16-Hochformat-Video. Die beiden Clips in diesem Artikel wurden exakt als 1080×1920 und 720×1280 ausgegeben, weil die Quell-Standbilder 9:16 waren. Deine Kompositionsentscheidung fällt nur einmal, in der Bildphase.
2. Natives Audio. Jeder Clip enthält eine 48-kHz-AAC-Tonspur, die aus deinem Prompt generiert wird – Foley, Ambient-Sound und musikalische Textur. Bei Kurzformat konvertiert stumme Autoplay-Wiedergabe schlechter als Inhalte mit Ton, und das erspart einen kompletten Schnittschritt.
3. Plattformgerechte Auflösungen. 720p für Entwürfe, 1080p für Hochformat in Feed-Qualität, 4k für Clips, die zugleich als Master für andere Platzierungen dienen.

Struktur der Eingabeparameter (gegen die Live-API verifiziert)

Vor dem Schreiben dieses Leitfadens haben wir den Live-Endpunkt geprüft. Die Parameterstruktur ist strikt – unbekannte Felder werden mit 400 abgelehnt, also nicht raten:

Feld	Erforderlich	Typ	Wert
prompt	Empfohlen	string	Bewegungs-, Kamera- und Audioanweisungen
image_url	Ja	string	Eine öffentlich zugängliche Bild-URL
resolution	Ja	string	720p, 1080p, 4k
duration	Ja	integer	4, 6 oder 8 (Sekunden)

Zwei Dinge, die man vorher wissen sollte: image_url ist Singular – dies ist ein Einzelreferenz-Modell, kein Multi-Image-Mixer – und die URL muss öffentlich abrufbar sein (gehostet auf deinem eigenen CDN oder Objektspeicher; signierte localhost-Links funktionieren nicht).

Schritt 1 – Das Quell-Standbild erzeugen

Jedes 9:16-Bild funktioniert, auch echte Produktfotos. Wir haben unser Quellbild mit gpt-image-2 für $0,03 erzeugt, damit die gesamte Pipeline innerhalb einer API bleibt:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2/text-to-image",
    "input": {
      "prompt": "Vertical product hero shot of a chunky retro basketball sneaker in wolf-gray suede with volt yellow laces, floating at a slight tilt above a wet concrete pedestal, dramatic teal-to-amber gradient backdrop, fine mist and dust particles suspended in hard rim light, ultra-sharp commercial product photography, no text, no logos",
      "aspect_ratio": "9:16",
      "resolution": "1K"
    }
  }'

Die Kompositionsregeln für ein gutes i2v-Quellbild sind dieselben, die du einem Stillleben-Fotografen gibst, plus eine: Platz für Bewegung lassen. Unser Sneaker schwebt über dem Sockel, genau damit das Videomodell eine klare, physische Aktion ausführen kann – den Schuh auf dem Stein landen lassen. Ein Motiv, das in einer Aktion erstarrt ist, gibt Veo eine Geschichte zum Vollenden; ein statisches, zentriertes Verpackungsbild gibt ihm nichts, und du bekommst nur Füllmaterial mit driftender Kamera.

Schritt 2 – Die Video-Task einreichen

Derselbe /v1/tasks-Endpunkt, ein anderes Modell. Der Prompt sollte alle drei Kanäle steuern: Motivbewegung, Kamera und Audio.

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "veo-3.1/image-to-video",
    "input": {
      "prompt": "The sneaker slowly rotates about 90 degrees as the camera pushes in from a low angle. Dust particles drift through the rim light. The shoe settles onto the wet stone pedestal with a deep, satisfying thud, sending a soft ring of mist rolling off the edges. A warm light sweep travels across the suede texture. Subtle bass-heavy electronic pulse builds in the background with a low whoosh on the landing. Cinematic product commercial, smooth stabilized motion, no text overlays.",
      "image_url": "https://your-cdn.example.com/stills/sneaker-916.jpg",
      "resolution": "1080p",
      "duration": 6
    }
  }'

Die Antwort liefert sofort eine Task-ID:

{"code": 200, "data": {"taskId": "tk-hiapi-01KXCTHP6F6VXQ9XZCSCCEEEMM"}, "message": "success"}

Beachte, dass der Prompt in der Abspielreihenfolge des Clips geschrieben ist: drehen → heranfahren → landen → Lichtstreifen, wobei die Audiohinweise an den Momenten hängen, zu denen sie gehören (der „dumpfe Aufprall“ beim Landen, darunter ein Puls). Veo folgt der Ereignisreihenfolge im Prompt sehr wörtlich – genau deshalb lässt es sich skripten.

Schritt 3 – Abfragen und herunterladen

Video-Tasks sind asynchron. Frage die Task ab, bis status auf success umspringt, und lade dann die Ausgabe sofort herunter – die URL ist ein temporärer Link mit einem expireAt-Zeitstempel, kein dauerhafter Speicher:

import os, time, requests

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

def wait_and_download(task_id: str, out_path: str, timeout_s: int = 900):
    deadline = time.time() + timeout_s
    while time.time() < deadline:
        task = requests.get(f"{API}/{task_id}", headers=HEADERS, timeout=30).json()["data"]
        if task["status"] == "success":
            url = task["output"][0]["url"]          # temp link — expires!
            clip = requests.get(url, timeout=120).content
            with open(out_path, "wb") as f:
                f.write(clip)                        # persist to your own storage now
            return out_path
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(10)
    raise TimeoutError(task_id)

In unserem Lauf brauchte der 6-sekündige 1080p-Clip von der Einreichung bis zur Fertigstellung 115 Sekunden. Das ist schnell genug, um ihn ohne vorgeschaltete Warteschlange in eine Content-Pipeline zu stellen.

Günstig entwerfen, sorgfältig finalisieren: der Zweistufen-Workflow

Veo 3.1 hat eine schnelle Stufe – veo-3.1-fast/image-to-video – mit exakt derselben Eingabestruktur und weniger als der Hälfte des Preises pro Sekunde. Das ermöglicht einen aus der Fotografie entlehnten Workflow: erst Polaroids machen, dann Film belichten. Iteriere deinen Bewegungsprompt in der schnellen Stufe bei 720p und rendere nur den Gewinner-Prompt in der Standardstufe neu.

Hier ist der Schnellstufen-Entwurf mit exakt demselben Prompt und Quell-Standbild (6 Sekunden, 720p, $1,50, 58 Sekunden bis zur Fertigstellung):

Der Entwurf trifft dieselben Beats – Rotation, Landung, Nebel –, aber die Texturdetails sind deutlich einfacher und der Audiomix flacher. Für die Prompt-Iteration ist das alles, was du brauchst: Du prüfst die Choreografie, nicht die finale Politur. Beide Clips in diesem Artikel waren Erstaufnahmen; die schnelle Stufe ist deine Methode, um sicherzustellen, dass die Standardstufen-Aufnahme die einzige ist, für die du bezahlst.

Auf Massenproduktion skalieren

Kurzformat-Strategie ist ein Spiel der Menge – du willst 5–10 Varianten pro Produkt, um Hooks zu testen. Da alles über einen asynchronen Endpunkt läuft, ist Batch-Verarbeitung nur eine Schleife: erst alle Tasks einreichen, dann einsammeln.

STILLS = [
    ("sneaker-916.jpg",  "rotates and lands on the pedestal with a deep thud..."),
    ("bottle-916.jpg",   "condensation beads race down the glass as camera orbits..."),
    ("headphones-916.jpg","earcup unfolds in slow motion, soft click, synth swell..."),
]

task_ids = []
for still, motion in STILLS:
    r = requests.post(API, headers=HEADERS, json={
        "model": "veo-3.1-fast/image-to-video",   # draft tier for the first sweep
        "input": {
            "prompt": motion,
            "image_url": f"https://your-cdn.example.com/stills/{still}",
            "resolution": "720p",
            "duration": 6,
        },
    }, timeout=60).json()
    task_ids.append(r["data"]["taskId"])

for i, tid in enumerate(task_ids):
    wait_and_download(tid, f"draft-{i}.mp4")

Erst einreichen, dann einsammeln ist wichtig: Die Clips werden plattformseitig parallel generiert, sodass zehn Entwürfe etwa so lange dauern wie ein Entwurf, nicht zehnmal so lange.

Was kostet das

Laut hiapi-Preisgestaltung werden beide Stufen nach Sekunden des ausgegebenen Videos abgerechnet:

Modell	Preis	4-Sekunden-Clip	6-Sekunden-Clip	8-Sekunden-Clip
veo-3.1/image-to-video	$0.57/s	$2.28	$3.42	$4.56
veo-3.1-fast/image-to-video	$0.25/s	$1.00	$1.50	$2.00

Alles, was dieser Artikel zeigt – ein Quell-Standbild, ein Titelbild, ein Schnellentwurf, ein finaler 1080p-Clip – kostete an API-Ausgaben $4,98. Ein Workflow aus drei Schnellentwürfen plus einem Standard-Finalclip kostet etwa $8 pro fertigem Hochformat-Clip, was eine ganz andere Größenordnung als ein Drehtag ist.

Häufige Fragen

Wie steuere ich das Seitenverhältnis? Gar nicht – die Ausgabe übernimmt das Bildformat der Eingabe. Generiere oder beschneide für TikTok/Reels das Quell-Standbild vor dem Einreichen auf 9:16. Unsere 9:16-Standbilder ergaben exakt 1080×1920-Ausgaben.

Wird das Audio wirklich generiert? Ja. Beide Clips oben enthalten eine vom Modell generierte 48-kHz-AAC-Tonspur – Foley (der dumpfe Aufprall), Ambient-Sound und musikalische Textur, alles durch den Prompt gesteuert. Beschreibe die Geräusche im Prompt genau zu dem Zeitpunkt, zu dem sie auftreten sollen.

Wie lange dauert die Generierung? In unseren gemessenen Läufen: 58 Sekunden für einen 6-Sekunden-/720p-Schnellstufen-Clip, 115 Sekunden für einen 6-Sekunden-/1080p-Standardstufen-Clip. Kalkuliere ein paar Minuten pro Clip ein und nutze für die Batch-Verarbeitung das Muster „erst alles einreichen, dann einsammeln“.

Kann ich echte Produktfotos anstelle generierter Standbilder verwenden? Natürlich – das ist der Hauptanwendungsfall. Das Bild muss nur öffentlich per URL abrufbar sein. Halte das Motiv klar, lass Platz für Bewegung und beschreibe im Prompt die Bewegung, die du willst.

Wann sollte ich für 4k zahlen? Wenn das Hochformat zugleich als Master-Asset dient – schneide die 4k-Quelle für Feed-Platzierungen, Web-Heroes und Paid-Units zu. Für reine Feed-Auslieferung ist 1080p die Auflösung, auf die die Plattform letztlich transkodiert.

Veröffentliche deinen ersten Clip

Die gesamte Pipeline sind zwei POSTs und eine Abfrage: Standbild rein, Hochformat-Werbespot mit Ton raus, in etwa zwei Minuten. Hole dir deinen API-Key, richte die Code-Schnipsel oben auf dein bestes Produktfoto und führe einen 720p-Schnellstufen-Entwurf aus – sechs Sekunden für $1,50, das ist das günstigste Vorsprechen, das du in Auftrag geben kannst. Vollständige Parameter und Live-Beispiele findest du auf der veo-3.1/image-to-video-Modellseite; wenn du i2v-Engines vergleichst, eignen sich unsere Hailuo 2.3 Bild-zu-Video-Prompt-Rezepte gut für einen direkten Vergleich.