Créer des vidéos courtes avec happyhorse-1.1/reference-to-video via l'API hiapi

La plupart des démos « vidéo IA » se résument à un seul plan, une seule prise. Dès qu'il vous faut le même personnage dans un deuxième ou un troisième plan — une mascotte qui entre dans le cadre, puis court, puis célèbre — aussi bien le text-to-video que l'image-to-video à image unique commencent à dériver : à chaque régénération, le visage, les vêtements et l'éclairage changent. Sur l'API hiapi, happyhorse-1.1/reference-to-video existe précisément pour résoudre ce problème. Vous lui donnez jusqu'à 9 images de référence du même sujet, plus un prompt décrivant une action sur plusieurs plans, et il renvoie une seule vidéo continue qui garde le sujet cohérent de bout en bout — et non un diaporama de plusieurs animations indépendantes à recoller dans un logiciel de montage.

Nous avons réellement produit et livré un clip de 8 secondes en 720p de bout en bout, pour voir ce que cela donne concrètement : le prompt, l'appel API, le coût et la sortie. Voici le processus complet.

Pourquoi reference-to-video est un autre outil

Le text-to-video ne donne au modèle rien à quoi ancrer une identité, si bien que le visage et les vêtements du personnage peuvent varier lorsqu'on régénère avec le même prompt. L'image-to-video à image unique ancre une pose, ce qui fonctionne pour un seul temps fort, mais devient inopérant dès que votre récit exige un second angle ou un mouvement que l'image source n'a jamais montré. Le reference-to-video se situe entre les deux : plusieurs images de référence permettent au modèle de voir le même sujet sous plusieurs angles réels — face, pose d'action, tout ce que vous fournissez — et de s'en servir ensemble comme ancrage d'identité, afin que la vidéo traverse plusieurs temps forts sans perdre le fil.

Cela le rend adapté à un besoin bien précis et courant en vidéo courte : clips explicatifs avec mascotte, contenus sociaux avec un personnage récurrent, narration autour d'un personnage de produit — tout scénario où le même « qui » doit tenir sur plusieurs « quoi » au sein d'un seul plan continu.

Cas de test : un renard livreur, trois temps forts

Nous avons conçu un petit personnage original — Bramble, un renard livreur — et, avant même de commencer la vidéo, généré deux images de référence pour établir son identité.

Prompt utilisé : « Un petit personnage renard de dessin animé aux grands yeux nommé Bramble : pelage roux orangé, museau et poitrine crème, grandes oreilles pointues à l'intérieur crème, portant un foulard vert menthe et une sacoche de livreur en cuir marron usé, avec un petit badge rond bleu sur la sangle. Style de long métrage d'animation 3D, éclairage doux et chaleureux, pose de rotation complète du corps face à la caméra, fond neutre uni, design du personnage cohérent. »

Prompt utilisé : « Le même personnage renard Bramble — pelage roux orangé, museau crème, foulard vert menthe, sacoche de livreur en cuir marron avec badge bleu — saisi en pleine course dans une pose d'action dynamique de trois quarts, un bras projeté vers l'avant, la queue flottant vers l'arrière, grands yeux expressifs, même style et mêmes proportions de long métrage d'animation 3D que la planche de référence, fond neutre uni. »

Chaque image a coûté 0,03 $ à générer. Ensemble, elles constituent toute l'étape de « casting » — aucun appel vidéo n'a lieu avant que le personnage ne soit verrouillé.

Appeler l'API

reference-to-video, comme tous les autres modèles de la plateforme, est un endpoint basé sur des tâches : on soumet, puis on interroge jusqu'à l'obtention du résultat.

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "happyhorse-1.1/reference-to-video",
    "input": {
      "prompt": "Bramble le renard livreur ramasse une boîte cadeau lumineuse à un point de livraison chaleureux éclairé aux lanternes et la regarde avec ravissement ; coupe sur Bramble qui sprinte dans un marché nocturne animé orné de lanternes rouges, colis calé sous un bras, queue au vent ; coupe sur Bramble debout, fier, sur un toit au coucher du soleil à l'heure dorée, colis livré, contemplant les toits avec un sourire satisfait. Design du personnage cohérent tout du long, style de long métrage d'animation 3D cinématographique, éclairage chaleureux, mouvement de caméra fluide.",
      "reference_image": [
        "https://static.hiapi.ai/blog/happyhorse-1-1-reference-to-video-short-form-video/01-bramble-front.png",
        "https://static.hiapi.ai/blog/happyhorse-1-1-reference-to-video-short-form-video/02-bramble-action.png"
      ],
      "duration": 8,
      "resolution": "720p",
      "aspect_ratio": "16:9"
    }
  }'

Cela renvoie un taskId. Interrogez-le jusqu'à ce que status atteigne un état terminal :

curl -s https://api.hiapi.ai/v1/tasks/<taskId> \
  -H "Authorization: Bearer $HIAPI_API_KEY"

status passe successivement par queued → handling → (parfois) archiving → success ou fail. En cas de succès, le clip terminé est disponible via une URL à durée limitée dans output[0].url — téléchargez-le immédiatement, le lien expire.

Champs que nous avons vérifiés comme fonctionnels

Champ	Type	Valeur utilisée	Remarque
prompt	chaîne, obligatoire	description de plan en 3 temps forts	Rédigez comme une mini-liste de storyboard, pas comme une phrase générale
reference_image	tableau d'URL d'images	2 images	La plateforme indique jusqu'à 9 par clip
duration	entier, secondes	8	Plage de 3 à 15 secondes pour la série happyhorse-1.1
resolution	chaîne	"720p"	"1080p" également disponible, à un tarif plus élevé
aspect_ratio	chaîne	"16:9"	Énumération standard des ratios d'image

Résultat

Observez le comportement du personnage d'un point de coupe à l'autre : même pelage, même foulard vert menthe, même sacoche au badge bleu, du retrait en intérieur à la course au marché nocturne puis à la toiture au coucher du soleil. C'est tout l'intérêt de lui donner deux images de référence plutôt qu'une seule — face à un changement de scène, le modèle dispose de davantage d'éléments pour s'ancrer qu'avec une seule image fixe. Le clip intègre aussi automatiquement un audio natif ; aucun champ audio distinct à configurer.

Exemple Python réutilisable

import json
import subprocess
import time

def generate_reference_video(prompt, reference_images, token,
                              duration=8, resolution="720p", aspect_ratio="16:9"):
    payload = {
        "model": "happyhorse-1.1/reference-to-video",
        "input": {
            "prompt": prompt,
            "reference_image": reference_images,
            "duration": duration,
            "resolution": resolution,
            "aspect_ratio": aspect_ratio,
        },
    }
    submit = subprocess.run(
        ["curl", "-s", "-X", "POST", "https://api.hiapi.ai/v1/tasks",
         "-H", f"Authorization: Bearer {token}",
         "-H", "Content-Type: application/json",
         "-d", json.dumps(payload)],
        capture_output=True, text=True, check=True,
    )
    task_id = json.loads(submit.stdout)["data"]["taskId"]

    while True:
        poll = subprocess.run(
            ["curl", "-s", f"https://api.hiapi.ai/v1/tasks/{task_id}",
             "-H", f"Authorization: Bearer {token}"],
            capture_output=True, text=True, check=True,
        )
        task = json.loads(poll.stdout)["data"]
        if task["status"] in ("success", "fail"):
            break
        time.sleep(5)

    if task["status"] != "success":
        raise RuntimeError(task.get("error"))
    return task["output"][0]["url"]

Combien ça coûte

Élément	Coût
Image de référence (face)	0,03 $
Image de référence (pose d'action)	0,03 $
Clip de 8 secondes en 720p (0,16 $/seconde)	1,28 $
Total de cette démo	1,34 $

720p coûte 0,16 $/seconde ; 1080p coûte 0,21 $/seconde, donc le même clip de 8 secondes en 1080p coûterait 1,68 $. Les tarifs complets en vigueur se trouvent toujours sur la page de tarification — consultez-la avant d'augmenter la durée ou la résolution des clips.

Conseils de prompt pour la cohérence multi-plans

• Rédigez le prompt comme une liste de plans, pas comme une phrase. « Temps fort 1 → temps fort 2 → temps fort 3 », avec une action claire pour chaque temps fort, voilà ce qui produit réellement des plans distincts au sein d'un même clip — une seule description générale, elle, a tendance à se fondre en un mouvement continu.
• Assurez vous-même la cohérence visuelle entre les images de référence. Le modèle préserve ce qui est déjà cohérent entre vos images de référence ; il ne réconcilie pas les contradictions. Si votre vue de face et votre pose d'action diffèrent en nuance de pelage ou si le badge manque, cette ambiguïté se retrouvera dans la vidéo.
• Fournissez-lui une pose que l'image fixe n'a jamais montrée. L'intérêt de plusieurs références par rapport à une seule, c'est que le modèle peut composer des mouvements et des angles qui dépassent ce que montre n'importe quelle image prise isolément — une vue de face en rotation plus une pose d'action suffisent à soutenir à la fois des temps forts calmes et dynamiques.
• Indiquez explicitement les changements de scène. Les « coupe sur », « puis » et noms de lieux précis dans le prompt correspondent directement aux transitions de plan que vous voyez dans la sortie.

Questions fréquentes

Combien d'images de référence puis-je utiliser ? Jusqu'à 9 par clip. Pour cette démo, nous en avons utilisé 2, ce qui a suffi à maintenir l'identité sur trois temps forts distincts.

Le 1080p est-il pris en charge ? Oui — le 1080p coûte 0,21 $/seconde, contre 0,16 $/seconde pour le 720p.

Et si je n'ai qu'une seule image de référence ? Utilisez plutôt happyhorse-1.1/image-to-video — même série, image de départ unique, sans ancrage d'identité par références multiples.

La même série propose-t-elle une option purement text-to-video ? Oui, happyhorse-1.1/text-to-video, au même tarif à la seconde, pour les cas où vous n'avez aucune image fixe de référence.

La sortie contient-elle du son ? Oui, l'audio natif est généré automatiquement avec l'image — aucun paramètre audio distinct à définir.

Quelle est la durée maximale d'un clip ? De 3 à 15 secondes pour la série happyhorse-1.1 ; nous avons utilisé 8 secondes pour raconter une narration en trois temps forts.

Points clés

• happyhorse-1.1/reference-to-video transforme 2 à 9 images fixes en une vidéo continue, en conservant le même personnage, les mêmes vêtements et le même style artistique à chaque plan.
• Une démo complète et fonctionnelle — 2 images de référence plus un clip de 8 secondes en 720p — coûte 1,34 $ de bout en bout sur l'API hiapi.
• Outre le prompt, le modèle ne demande que trois champs : reference_image (tableau d'URL), duration (3-15 secondes) et resolution (720p ou 1080p).
• Rédigez le prompt comme une liste de plans (temps fort 1 → temps fort 2 → temps fort 3) plutôt que comme une description générale — c'est ce qui produit réellement la structure multi-plans.
• L'audio natif est généré automatiquement avec la vidéo, sans étape de génération audio séparée.

Prêt à essayer sur vos propres personnages ? Commencez par la page du modèle happyhorse-1.1/reference-to-video, ou découvrez un workflow de vidéo courte similaire dans notre tutoriel pratique sur Seedance 2.0 Mini.