Ray 3.2 texto a video: flujo de trabajo por lotes para videos cortos verticales

Resumen

• Qué es: un flujo de trabajo por lotes repetible que, con ray-3.2/text-to-video en la API de hiapi, convierte líneas de texto en clips verticales estilo Reels/TikTok/Shorts: sin imágenes de entrada, sin material de referencia.
• Para quién: equipos de social y contenido que necesitan volumen: varias ideas creativas 9:16 nuevas cada semana para testear, no un solo video destacado al mes.
• El dato clave que lo decide todo: ray-3.2 t2v cobra solo por duración × resolución. La relación de aspecto es gratis, así que el vertical 9:16 cuesta exactamente lo mismo que el horizontal 16:9. La única palanca que tienes para controlar el volumen es el nivel de resolución.
• Evidencia práctica, no teoría: cada clip de abajo se generó para este artículo en una sola tarea por lotes: cuatro clips 9:16 de 5 segundos a 540p, $0.2145 cada uno, $0.858 en total, cada uno renderizado en el servidor en 37–87 segundos.

Ray 3.2 (el modelo de texto a video de Luma que aparece en hiapi) encaja muy bien con video corto porque hace justo lo que el video corto necesita: crear un plano completamente nuevo de 5 segundos a partir de una sola descripción. Sin fotogramas, sin animar fotos de producto, sin material de referencia. Escribes un gancho y obtienes un clip. Eso lo convierte en la herramienta correcta para generar ideas creativas por lotes, y por eso este flujo de trabajo se ve distinto de las guías de video corto basadas en imagen a video o referencia a video de otros modelos.

Texto a video o imagen a video: elige bien la puerta de entrada

Ambas viven bajo la misma API de tareas asíncronas, pero resuelven problemas distintos:

• Texto a video (esta página): parte solo del prompt. Ideal para conceptos nuevos, clips de ambiente y B-roll para el que no tienes —o no quieres quedar atado a— una imagen concreta. El modelo compone libremente todo el plano, que es justo lo que quieres cuando necesitas producir opciones en lote.
• Imagen a video: parte de un primer fotograma que ya tienes. Si tienes una foto clave de producto y quieres que ese objeto se mueva, usa ray-3.2/image-to-video: ancla el plano a tu fotograma y anima a partir de ahí.

Regla práctica: si la petición es «dame tres aperturas completamente nuevas para esta campaña», es texto a video. Si es «anima esta foto de producto exacta», es imagen a video. El resto de este artículo trata el primer caso.

El dato de precio que define todo tu flujo de trabajo

Esta es la tabla de precios completa y actual de ray-3.2/text-to-video (verificada al escribir contra los precios de hiapi; compruébala siempre allí, no aquí):

Duración	Resolución	Precio por 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

Fíjate en lo que no aparece en la tabla: la relación de aspecto. Ray 3.2 cobra solo por duración y resolución, así que el vertical 9:16 cuesta lo mismo que el horizontal 16:9, el 1:1 o el 21:9. Solo este hecho cambia por completo cómo planificas tus lotes de video corto:

• 540p es tu nivel de prueba. A $0.2145 por clip, puedes generar 10–15 conceptos por el precio de un solo video destacado en 1080p. El feed social vertical se ve en el móvil a tamaño pequeño: 540p (en 9:16 la salida es 540×960, ver abajo) es perfectamente legible para una primera ronda de pruebas A/B.
• 720p / 1080p son tus niveles de producto final. Cuando un concepto gana, regenera solo ese prompt en 720p o 1080p para publicarlo de verdad.
• La duración es un nivel fijo, no un control deslizante. Solo hay dos opciones fijas, 5 o 10 segundos —no existe la opción de 7 segundos— y 10 segundos cuesta aproximadamente 3 veces más que 5. Para video corto basado en ganchos, lo normal es que quieras la unidad de 5 segundos y luego superponer varios en el montaje.

Esta forma de «explorar barato, pagar solo por los ganadores» es exactamente por lo que todo este flujo de trabajo se ejecuta por lotes a 540p.

Una petición, un bloque de código

Ray 3.2 t2v acepta un conjunto pequeño y cerrado de campos de entrada:

Campo	Obligatorio	Valores
prompt	Sí	Tu descripción de la escena
duration	Sí	5 o 10 (segundos enteros)
resolution	Sí	540p, 720p o 1080p
aspect_ratio	Sí	9:16, 16:9, 1:1, 4:3, 3:4, 21:9

Un clip vertical es un único POST al endpoint de tareas asíncronas:

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"
    }
  }'

La respuesta devuelve un data.taskId. Luego consultas GET /v1/tasks/{taskId} hasta que data.status sea "success" y descargas output[0].url. Ese es el resumen del mecanismo: para el recorrido completo de petición/respuesta, el ciclo de vida de estados, la versión en Python y el manejo de errores, consulta la guía práctica complementaria: Ray 3.2 texto a video API: guía con curl y Python. ¿Primera vez con la API de tareas? Empieza por el inicio rápido.

Escribir prompts que de verdad se lean como verticales

Cinco segundos y sin fotograma de entrada es una exigencia creativa compacta. Estos cuatro hábitos marcaron una diferencia notable en este lote:

1. Di explícitamente «vertical 9:16» en el prompt y compón para un encuadre alto: centra y apila un único sujeto, en lugar de dejar que el recorte luche contra un plano horizontal amplio.
2. Gasta el gancho en el primer segundo. El video corto se gana o se pierde en el primer fotograma, así que describe algo que se mueva al instante («the spiral catches the light in the first second»: la espiral capta la luz en el primer segundo).
3. Indica el movimiento de cámara: acercamiento, descenso de grúa, órbita lenta. Ray 3.2 responde bien a direcciones de movimiento explícitas, y el movimiento es la clave para que un clip se sienta como contenido y no como una presentación de diapositivas.
4. Un solo idea por clip. Cinco segundos no dan para una historia, pero sí para un beat. Dale solo uno.

Estos son los cuatro prompts de este lote, cada uno un tipo distinto de vertical de video corto que de verdad escribirías en un brief: gastronomía, POV de viaje, producto de e-commerce y ambiente de marca outdoor. Cada clip es la salida original del modelo, sin ningún procesado.

1 · Bebida / mesa (ver el clip de portada arriba). Contenido de producto que despierta el apetito. El prompt empieza con el vertido y la luz incidiendo, para que el gancho caiga en el primer fotograma:

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 · POV de viaje. Energía en primera persona sin que aparezca nadie: la forma más rápida de detener el feed. La indicación «handheld bounce» (balanceo de cámara en mano) le da el aire de vlog:

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 · Protagonista de producto (e-commerce). Un plano limpio de plataforma giratoria con un beat de «revelación»: ideal como apertura de lanzamiento o de destacado de una función:

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 / ambiente de marca. Picado de dron para marcas de lifestyle y viaje: con la dirección «picado rápido en el primer segundo y luego entrada suave en órbita», se le da un movimiento deliberado en dos fases:

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

Cuatro prompts, cuatro tipos de vertical, un modelo, $0.858 en total. Eso es un lote.

Ejecutar el lote sin quedarte mirando todo el rato

Como la API de tareas es asíncrona, el paradigma eficiente es primero abanico de envíos, luego recolección conjunta: no generes uno, esperes y luego generes el siguiente. Envía todo el lote de una vez, deja que cada clip se renderice en paralelo en el lado del proveedor, guarda cada taskId en el momento en que lo recibas y solo entonces empieza a consultar:

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

Esta ejecución enseñó (o reconfirmó) dos cosas que merece la pena incorporar al proceso:

• Consulta los taskId guardados; nunca reenvíes. El id ya se factura en el instante en que haces el POST, así que si la consulta falla por un error de red transitorio, captúralo y reintenta con el mismo id: reenviar te cobra dos veces. Persistir los ids en disco también significa que una ejecución que se cae puede recuperarse consultando, en lugar de recrear todo.
• Calcula unos 40–90 segundos por clip a 540p. En este lote, los cuatro clips terminaron en el servidor en 37, 38, 70 y 87 segundos respectivamente. El abanico de envíos hace que el conjunto termine en aproximadamente el tiempo del más lento, no en la suma de todos.

Para una petición 540p 9:16 obtienes un MP4 H.264 de 540×960, 24fps y unos 5.04 segundos: así que «540p» se refiere al lado corto, el encuadre vertical ya es alto de forma nativa y no tienes que recortar nada por tu parte.

Del clip en bruto al video corto publicado

Hay dos limitaciones prácticas que conviene planificar de antemano:

• Los clips no tienen sonido. Ray 3.2 t2v solo genera imagen: sin pista de audio. Para video corto no es problema: lleva el clip a tu editor y añade allí música de moda, voz en off o subtítulos. Planifica un paso de montaje; no esperes que la API entregue un archivo listo para publicar.
• Cinco segundos son un beat, no un video. La práctica repetible es generar varios clips de 5 segundos (como arriba) y luego superponer tres o cuatro en un montaje de 15–20 segundos, con cortes secos en los beats. Cada clip es un gancho; el montaje es la historia.

Así que el ciclo de extremo a extremo es: generar conceptos por lotes a 540p → elegir los ganadores → regenerar solo ese prompt en 720p/1080p → montar y poner música en el editor → publicar. Explorar es barato, pagas una sola vez por los ganadores y el acabado final es manual.

Preguntas frecuentes

¿Ray 3.2 texto a video genera sonido? No: la salida es un MP4 sin audio. Añade el audio en tu editor.

¿Necesito una imagen de entrada? No. Eso es precisamente el texto a video: solo el prompt. Si quieres animar un fotograma que ya tienes, usa ray-3.2/image-to-video.

¿Qué resolución debería usar para redes sociales? 540p para pruebas de concepto en lote (540×960 en 9:16: legible en el móvil) y luego 720p o 1080p para los clips que publiques de verdad.

¿Puedo obtener un vertical real sin recortar? Sí. Pasa aspect_ratio: "9:16" y el modelo renderiza un encuadre alto nativo (540×960 a 540p). La relación de aspecto no afecta al precio.

¿Cuánto puede durar un clip? 5 o 10 segundos: son opciones fijas, no un rango continuo. Para video corto basado en ganchos, normalmente sale más rentable 5 segundos por clip y superponerlos en el montaje.

¿En qué se diferencia esto de la guía práctica? La guía práctica cubre de principio a fin una sola petición (curl, Python, manejo de errores). Esta página es el flujo de trabajo que va encima: cómo producir conceptos verticales por lotes, en qué paso gastar cada nivel de resolución y cómo escribir prompts para 9:16.

Empieza a generar

Ray 3.2 texto a video ya está disponible en la API de tareas asíncronas. Consigue tu clave, abre la página del modelo ray-3.2/text-to-video para ver la referencia completa de parámetros y los precios actuales, y genera tu primer lote de conceptos verticales a 540p: puedes testear una semana de ideas creativas de video corto por menos de un dólar. ¿Comparando modelos para la misma tarea? Las guías de flujo de trabajo de video corto de seedance-2.0-fast y Kling 3.0 imagen a video siguen el mismo ciclo, pero con otras contrapartidas.