PixVerse V6 短视频：竖屏片段的文本转视频工作流

El video corto es un juego de volumen: necesitas producir clips verticales sin parar, y el cuello de botella rara vez es una toma brillante; es cómo producirlos en lote de forma rápida y económica. Este artículo presenta un flujo de trabajo de extremo a extremo para lograrlo con pixverse-v6/text-to-video en la API de hiapi: desde una idea de contenido hasta un clip 9:16 terminado listo para Reels, Shorts y TikTok. Cada clip a continuación es una salida realmente generada para esta demostración; los clips se pueden reproducir directamente en la página.

Si buscas consejos de prompts individuales (presets de estilo, lenguaje de cámara, audio), consulta Recetas de prompts de PixVerse V6; si buscas el mecanismo crudo de solicitud/respuesta, consulta la guía de operación de texto a video de PixVerse V6. Este artículo trata sobre la línea de producción que las rodea.

Vista general del flujo de trabajo

1. Escribe el video corto como un conjunto de tomas, no como un solo clip. Un video corto necesita un gancho que atrape en el primer segundo y una recompensa al final. pixverse-v6 tiene un límite de generación de 15 segundos por vez, por lo que un video corto casi siempre se compone de varios clips coordinados empalmados.
2. Mantén la consistencia entre tomas. La generación de texto a video no tiene fotogramas de entrada, así que la continuidad entre tomas debe soportarse con frases ancla repetidas en cada prompt.
3. Envía tareas asíncronas en lote. Emite todas las tomas a la vez como llamadas a POST /v1/tasks y sondea todas juntas; esperas una sola vez para todo el lote, no toma por toma.
4. Borradores de bajo costo, piezas finales de alta calidad. Itera en el nivel económico de 540p y luego vuelve a renderizar solo los clips que conservas a 720p/1080p.
5. Entrega en vertical. Solicita 9:16 desde el principio, decide el audio según la plataforma y corta hasta el gancho.

El resto del artículo recorre estos pasos con un video corto como ejemplo.

Paso 1 — Dividir el video corto en tomas coordinadas

Ejemplo: un video corto de aproximadamente 10 segundos de una cafetería de matcha helado, ese tipo de ritmo de producto reconfortante que funciona bien en feeds de comida y estilo de vida. Dos tomas:

• Gancho (0–5 s): un primerísimo primer plano que detiene el desplazamiento: el matcha siendo batido, espuma y vapor.
• Recompensa (5–10 s): la bebida terminada, presentada ante la cámara.

La disciplina más importante en texto a video es la continuidad. Como no hay un fotograma de referencia que ancle la apariencia, el modelo renderizará gustosamente la segunda toma en una cocina distinta, con luz distinta, un estilo distinto, a menos que repitas los mismos anclajes en ambos prompts. Los anclajes compartidos aquí son: matcha verde esmeralda brillante, cafetería japonesa limpia y minimalista, luz suave de mañana, profundidad de campo reducida. Ambos prompts a continuación incluyen los cuatro.

Y recuerda: pixverse-v6 no tiene parámetros de cámara ni de movimiento. Todo movimiento de cámara se escribe en el texto del prompt: "the camera slowly pushes in", "holds steady then tilts down". Es la característica distintiva de este modelo.

Paso 2 — Escribir prompts coordinados

Toma 1 — Gancho (lista para copiar y pegar):

Vertical 9:16 macro shot of bright green matcha being whisked in a cream ceramic bowl, fine jade-green foam forming, delicate steam curling up in soft morning window light. The camera slowly pushes in toward the frothy surface while a bamboo whisk moves in quick zig-zag strokes. Clean minimal Japanese cafe aesthetic, warm sunlight, shallow depth of field, crisp and appetizing.

Toma 2 — Recompensa (lista para copiar y pegar):

Vertical 9:16 shot of a tall glass of iced matcha latte on a pale wooden cafe counter, layered jade green over milky white, fresh beads of condensation on the glass. A barista's hand slides the glass forward toward the camera and sets a paper straw into it. Bright airy morning light, soft bokeh of green plants behind, the camera holds steady then tilts down slightly. Clean minimal cafe look, fresh and inviting.

Fíjate en los elementos que se repiten: matcha verde esmeralda, cafetería limpia y minimalista, luz de mañana. Es este vocabulario compartido lo que hace que los dos clips se lean como un solo video corto en lugar de dos videos no relacionados. Las direcciones de cámara son deliberadamente distintas (abrir con un push-in y cerrar con una toma estable que baja para presentar el producto), porque un video corto necesita variación de movimiento para mantener la atención.

Paso 3 — Procesar tareas asíncronas en lote

Las dos tomas anteriores no se generan una tras otra. Se envían juntas como tareas asíncronas y se sondean juntas como un conjunto; eso es precisamente para lo que está diseñado /v1/tasks cuando produces a escala. Pagas una sola vez el tiempo de espera de generación de unos 60–90 segundos para todo el lote, en lugar de esperar por cada clip.

import requests, time

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json"}

shots = {
    "hook":   "Vertical 9:16 macro shot of bright green matcha being whisked ...",
    "payoff": "Vertical 9:16 shot of a tall glass of iced matcha latte ...",
}
common = {"aspect_ratio": "9:16", "duration": 5, "resolution": "540p"}

# 1) fire every shot as its own task, keep the returned taskIds
tasks = {}
for name, prompt in shots.items():
    r = requests.post(API, headers=HEADERS, json={
        "model": "pixverse-v6/text-to-video",
        "input": {"prompt": prompt, **common},
    })
    tasks[name] = r.json()["data"]["taskId"]

# 2) poll the saved taskIds until each reports success
outputs = {}
while len(outputs) < len(tasks):
    for name, tid in tasks.items():
        if name in outputs:
            continue
        d = requests.get(f"{API}/{tid}", headers=HEADERS).json()["data"]
        if d["status"] == "success":
            outputs[name] = d["output"][0]["url"]   # a temporary .mp4 URL
        elif d["status"] == "fail":
            raise RuntimeError(f"{name} failed: {d.get('error')}")
    time.sleep(6)

Al producir realmente este video corto, dos cosas importan de verdad en la práctica:

• Las URL de salida son temporales. Cada tarea completada devuelve un output[0].url que caduca; descarga el .mp4 de inmediato y muévelo a tu propio almacenamiento; no lo enlaces en caliente.
• El sondeo puede fallar, pero las tareas no. Un fallo de red puntual al sondear una tarea se manifiesta como un error temporal de esa solicitud; la tarea sigue ejecutándose en el servidor. La solución es tratar el sondeo fallido como "inténtalo de nuevo", no como "la tarea está muerta": vuelve a sondear el taskId guardado, en lugar de abortar todo el lote. Solo un status: "fail" en el cuerpo de la tarea es un fallo real.

Paso 4 — Borradores de bajo costo, piezas finales de alta calidad

Los dos clips anteriores se generaron deliberadamente con 540p. pixverse-v6 cobra por segundo, y los niveles de resolución están muy separados: 540p sin audio es el nivel más económico, mientras que 1080p es el más caro (consulta las tarifas actuales por segundo de cada nivel en la página de precios; los números cambian, verifícalos antes de procesar en lote).

Para el video corto, esta división es un regalo. Lo caro de este trabajo es la iteración: vuelves a lanzar prompts, reescribes movimientos de cámara, cambias el sujeto. Hacer estos experimentos en 540p cuesta por segundo solo una fracción de 1080p, y un clip vertical de 5 segundos en 540p devuelve un .mp4 pequeño de unos 1–2 MB a 576×1024, rápido de descargar y revisar. Una vez que una toma está fijada, vuelve a renderizar solo ese prompt a 720p o 1080p para el montaje final. Solo gastas el costo de resolución completa en las tomas que conservas.

Regla general: 540p para el ciclo de borradores, sube los clips conservados a 720p/1080p para la entrega. Nunca iteres en 1080p.

Paso 5 — El mismo pipeline, un concepto distinto

Como el flujo de trabajo es prompt → lote → salida vertical, es independiente del concepto. Los mismos cinco pasos pueden producir un video corto completamente distinto; aquí tienes un ritmo de acción ciberpunk dinámico, donde no cambió nada excepto el prompt y el style:

Ese clip usó aspect_ratio: "9:16", style: "cyberpunk" y un negative_prompt para evitar salidas estáticas; su prompt completo y cuerpo de solicitud están en las recetas de prompts. El punto aquí no es el prompt, sino que una vez que existe el pipeline de borradores en lote, cambiar de tema es cuestión de cambiar una línea; eso es lo que lo convierte en un flujo de trabajo de producción y no en un render puntual.

Paso 6 — Finalización y entrega

• La forma antes que la escala. Genera de forma nativa en 9:16. Recortar un render 16:9 a vertical pierde la mitad de los píxeles; pide directamente la relación de aspecto en la que vas a publicar.
• Pon el gancho al principio. Reels/Shorts/TikTok deciden la retención en el primer segundo; abre con tu movimiento más fuerte (aquí, el push-in), no con un fundido lento.
• Decide el audio según la plataforma. pixverse-v6 puede renderizar sonido sincronizado con generate_audio: true (por defecto false), que tiene su propio nivel de precios con audio. Para los feeds donde la mayoría de la audiencia ve sin sonido, un borrador silencioso más tu propia pista de música/subtítulos sale más barato; activa el audio cuando el sonido ambiente sea en sí mismo el contenido.
• Monta y añade subtítulos en posproducción. Empalma los clips fijados en 720p/1080p, añade subtítulos y corta a la duración óptima de la plataforma. El modelo te da bloques limpios de 5 segundos; componerlos en un video corto es un paso de edición, no de generación.

Preguntas frecuentes

¿Cómo hago un video corto de más de 15 segundos con pixverse-v6? Genera varios clips de hasta 15 segundos y empálmalos en posproducción. duration es un entero de 1 a 15: planifica tu video corto como tomas coordinadas (como en los pasos 1–2), no como una sola generación larga.

¿Cómo hago que varias tomas parezcan el mismo video? Repite las mismas frases ancla en cada prompt: sujeto, escenario, luz, estilo. La generación de texto a video no tiene fotogramas de referencia, así que sin anclajes compartidos cada toma deriva hacia una apariencia distinta. El video corto de matcha anterior reutilizó "matcha verde esmeralda, cafetería limpia y minimalista, luz suave de mañana" en ambos prompts.

Si necesito una pieza final de alta resolución, ¿por qué generar en 540p? Para iterar a bajo costo. El cobro es por segundo y 540p es el nivel más económico, así que todos los relanzamientos de prompts se hacen ahí y solo los clips conservados se vuelven a renderizar a 720p/1080p. Consulta las tarifas actuales en la página de precios.

¿Puedo generar varios clips en paralelo? Sí; para eso está diseñado el /v1/tasks asíncrono. Envía cada toma como una tarea independiente, guarda el taskId devuelto y sondea todas juntas (paso 3). Descarga cada .mp4 completado a tiempo, porque las URL de salida son temporales.

¿Necesito activar el audio para un video corto? Normalmente no. Muchos feeds se reproducen silenciados automáticamente, así que un clip silencioso más tu propia pista de subtítulos/música suele ser más barato y más controlable. Activa generate_audio: true cuando el sonido ambiente renderizado sea lo principal.

Pruébalo tú mismo

Empieza en la página del modelo de texto a video PixVerse V6 para obtener el esquema en vivo y la clave de API, mantén abiertas las documentaciones de Create Task y Get Task Detail para conocer el formato de solicitud/sondeo en lote, y revisa los precios antes de renderizar un conjunto. Copia los dos prompts de matcha, redacta en 540p y podrás completar tu primer video corto vertical en un solo lote.