Veo 3.1 Lite Text-zu-Video Prompt-Rezepte: 2 direkt kopierbare Prompts und echte Ausgaben

veo-3.1-lite/text-to-video ist eines der wenigen Text-zu-Video-Modelle auf hiapi, bei dem Audio nicht alles oder nichts ist – das Flag generate_audio lässt dich nativen Ton pro Anfrage ein- oder ausschalten, und es verändert den Sekundenpreis. Das macht es ideal, um zwei verschiedene Aufgaben zu erlernen: eine Umgebungsszene, die auf geschichtetem Ton basiert, und eine vertikale Produktschleife, die für stumme Autoplay-Wiedergabe konzipiert ist. Wenn du ein Modell suchst, das immer von selbst Audio mitbringt, ohne dass man danach fragen muss, ist wan2.7-video/text-to-video der nähere Vergleichspunkt.

Dieser Leitfaden liefert dir zwei direkt kopierbare veo-3.1-lite/text-to-video-Prompt-Rezepte, jedes davon die echte Ausgabe des daneben abgedruckten Prompts beim ersten Versuch, erzeugt über die hiapi Task-API – keine Auswahl über mehrere Seeds, kein erneutes Rollen. Die beiden Clips kosteten zusammen $0.64.

Anfragestruktur (zuerst lesen)

veo-3.1-lite/text-to-video läuft auf dem asynchronen Task-Endpunkt von hiapi. Die entscheidenden Felder in den beiden folgenden Rezepten:

• prompt — die Szene: Subjekt, Aktion, Hintergrund, Kamera und (bei eingeschaltetem Audio) der Ton.
• duration — in Sekunden; das Modell liefert Clips mit 4, 6 oder 8 Sekunden.
• resolution — 720p oder 1080p.
• aspect_ratio — Quer- oder Hochformat; wir verwenden unten 16:9 und 9:16.
• generate_audio — boolescher Wert. Auf true setzen für Szenen mit Tonkulisse, auf false für stumme Schleifen – ausgeschaltet ist es pro Sekunde günstiger.

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-lite/text-to-video",
    "input": {
      "prompt": "A small pour-over coffee stand at a sunlit morning farmers market...",
      "duration": 4,
      "resolution": "720p",
      "aspect_ratio": "16:9",
      "generate_audio": true
    }
  }'

Die Antwort liefert sofort eine taskId; rufe danach GET /v1/tasks/{taskId} ab, bis status gleich success ist, und lade sofort output[0].url herunter – es ist ein temporärer Link.

Rezept 1: Umgebungsszene, Audio eingeschaltet

Die Aufgabe hier ist eine echte geschichtete Klangkulisse unter echter Kamerabewegung – der Clip, den ein Social-Media-Account einer Kaffeemarke wirklich mit Ton veröffentlichen würde:

A small pour-over coffee stand at a sunlit morning farmers market. A barista
in a denim apron pours hot water in a slow spiral over ground coffee in a
paper filter; steam curls upward and catches the light as the coffee blooms
with a soft hiss. In the blurred background, market-goers browse stalls
under a canvas awning that stirs in the breeze. Camera slowly pushes in on
the pour. Warm golden-hour light, shallow depth of field, handheld
documentary feel. Soft hiss and crackle of the pour layered under distant
market chatter and a light wind.

Parameter: duration: 4, resolution: 720p, aspect_ratio: 16:9, generate_audio: true — Kosten: $0.40.

Ausgabe beim ersten Versuch:

Das Aufgießen ist der ganze Clip, und das Modell hält sich daran: die Spirale des Wasserstrahls, der aufsteigende Dampf und die langsame Annäherung halten volle vier Sekunden lang durch, ohne in einen Schnitt abzudriften. Der Hintergrund erfüllt genau das, was „verschwommen“ und „Marktbesucher“ verlangt – Formen bewegen sich vor der Leinwandmarkise, werden aber nie so scharf, dass sie dem Aufgießen die Aufmerksamkeit streitig machen. Mit eingeschaltetem Ton erscheint die Audio-Klausel als drei klar erkennbare Ebenen: das Zischen und Knacken des Aufgießens im Vordergrund, eine leise Wand aus Stimmengewirr darunter und dazwischen der Wind. Das ist das Muster, das es sich zu kopieren lohnt – jede Audiоebene einzeln benennen (Vordergrundgeräusch, Umgebungsmenschen, Ambiente), statt einen vagen Hinweis auf „Marktgeräusche“ zu schreiben.

Rezept 2: Stumme Produktschleife, Audio ausgeschaltet

Die zweite Aufgabe ist die kontraintuitive: eine kommerzielle Aufnahme mit fixierter Kamera, bei der generate_audio: false gesetzt ist, weil eine Produktschleife für stumme Autoplay-Feeds keine Tonkulisse braucht – sie wegzulassen senkt auch den Sekundenpreis:

Vertical product shot: a matte-black wireless earbud case slowly rotates on
a reflective black surface under a single overhead spotlight, throwing a
clean circular highlight across its lid. A thin ring light glows behind it,
rim-lighting the edges in cool blue. The camera stays locked off, centered,
with no movement except the case's slow rotation. Minimal studio background
fading to pure black at the edges. Sleek, premium tech-commercial look,
crisp reflections, no dust or fingerprints.

Parameter: duration: 4, resolution: 720p, aspect_ratio: 9:16, generate_audio: false — Kosten: $0.24.

Ausgabe beim ersten Versuch:

Jede Vorgabe im Prompt ist ablesbar: Das Bild schwenkt oder driftet nie, die einzige Bewegung ist die Rotation des Gehäuses, und der kreisförmige Lichtreflex des Scheinwerfers wandert genau mit der Drehung der Oberfläche über den Deckel. Das gewinnt man mit „die Kamera bleibt fixiert, zentriert, ohne Bewegung außer X“ – zu sagen, was stillstehen soll, ist genauso wichtig wie zu sagen, was sich bewegen soll. Und weil die Schleife ohne Stimmen oder Musikbett funktioniert (die meisten Werbeausspielungen fügen ihre Musik selbst hinzu), ist das Ausschalten von generate_audio kein Kompromiss – es ist bei 720p 40 % pro Sekunde günstiger, ohne dass der Clip irgendetwas verliert.

Schnellreferenz

1. Behandle generate_audio als kreative Entscheidung, nicht als Standardwert. Umgebungsszenen und erzählerische Momente brauchen es eingeschaltet; fixierte Produktschleifen für stumme Feeds brauchen es nicht – ausgeschaltet ist es bei 720p 40 % pro Sekunde günstiger ($0.06 gegenüber $0.10).
2. Benenne bei eingeschaltetem Audio jede Audiоebene einzeln – Vordergrundgeräusch, Umgebungsmenschen oder Raumgrundrauschen, Ambiente – statt eines vagen Hinweises auf „Hintergrundgeräusche“.
3. Gib bei Aufnahmen mit fixierter Kamera an, was sich nicht bewegen soll („die Kamera bleibt fixiert, zentriert, ohne Bewegung außer der langsamen Rotation des Gehäuses“). Das ist genauso wichtig wie die Beschreibung, was sich bewegen soll.
4. Lass aspect_ratio zur Plattform passen: 16:9 für Umgebungs- oder Querformatszenen, 9:16 für vertikale Produkt- oder Werbeschleifen.
5. Prototypisiere zuerst mit 4 Sekunden, bevor du Geld für die längeren Optionen mit 6 oder 8 Sekunden ausgibst.

Was kostet es

veo-3.1-lite/text-to-video wird nach Ausgabesekunden abgerechnet, wobei der Tarif von der Auflösung und davon abhängt, ob Audio eingeschaltet ist:

Einstellung	Preis pro Sekunde
720p, mit Audio (Standard)	$0.10
720p, ohne Audio	$0.06
1080p, mit Audio	$0.14
1080p, ohne Audio	$0.10

Clips können 4, 6 oder 8 Sekunden lang sein. Die beiden Clips in diesem Artikel – ein 4-Sekunden-720p-Clip mit Audio und ein 4-Sekunden-720p-Clip ohne Audio – kosteten zusammen $0.64. Die aktuellen Tarife findest du immer auf der Preisseite.

Ausprobieren

Beide Rezepte oben laufen in der Standardstufe 720p; ersetze sie durch dein eigenes Motiv, entscheide vorher, ob die Aufnahme eine Tonkulisse braucht, und reiche sie dann bei der Task-API ein. Die Modellseite von veo-3.1-lite/text-to-video enthält eine Live-Parameterreferenz und die aktuelle Preisgestaltung. Wenn deine Aufnahme eher einer erzählerischen Szene ähnelt, die immer Ton haben sollte, ist der Text-zu-Video-Prompt-Leitfaden für wan2.7 ein nützlicher Vergleich nebeneinander: dieselbe Task-API-Struktur, aber Audio ist eingebaut statt optional.