Ray 3.2 texte-vers-vidéo : un flux de travail par lots pour les vidéos verticales courtes

Aperçu

• De quoi s'agit-il : un flux de travail par lots reproductible qui transforme des lignes de texte en clips verticaux de style Reels/TikTok/Shorts grâce à ray-3.2/text-to-video sur l'API hiapi — aucune image d'entrée, aucun élément à préparer.
• À qui s'adresse-t-il : aux équipes sociales et de contenu qui ont besoin de volume — produire chaque semaine plusieurs idées créatives 9:16 inédites pour les tester, plutôt qu'une seule vidéo phare par mois.
• Le fait central qui détermine tout : ray-3.2 t2v facture uniquement en fonction de la durée × résolution. Le format d'image est gratuit, donc le vertical 9:16 coûte exactement le même prix que l'horizontal 16:9. Votre seul levier de volume est le palier de résolution.
• Des preuves, pas de la théorie : chacun des clips ci-dessous a été généré pour cet article lors d'une seule tâche par lots — quatre clips verticaux 9:16 de 5 secondes en 540p, 0,2145 $ chacun, soit 0,858 $ au total, chacun rendu côté serveur en 37 à 87 secondes.

Ray 3.2 (le modèle texte-vers-vidéo Luma référencé par hiapi) convient parfaitement aux vidéos courtes, car il fait exactement ce dont elles ont besoin : créer un plan inédit de 5 secondes à partir d'une simple description. Aucune image à fournir, aucune photo de produit à animer, aucun élément de référence à préparer. Vous écrivez une accroche, vous obtenez un clip. Cela en fait le bon outil pour générer des idées créatives en masse, et c'est pourquoi ce flux de travail diffère des guides pour vidéos courtes en image-vers-vidéo ou en référence-vers-vidéo conçus pour d'autres modèles.

Texte-vers-vidéo ou image-vers-vidéo — choisissez d'abord la bonne entrée

Les deux se trouvent sous la même API de tâches asynchrones, mais ils résolvent des problèmes différents :

• Texte-vers-vidéo (cette page) : uniquement à partir du prompt. Idéal pour des concepts inédits, des clips d'ambiance et des B-roll dont vous ne disposez pas — ou auxquels vous ne voulez pas être lié. Le modèle est libre de composer le plan entier, ce que vous voulez précisément lorsque vous devez produire des options en masse.
• Image-vers-vidéo : à partir d'une première image que vous possédez déjà. Si vous avez une photo de produit phare et souhaitez animer cet objet, utilisez plutôt ray-3.2/image-to-video — il ancre l'image sur votre plan et l'anime à partir de là.

Règle générale : si le besoin est « donnez-moi trois ouvertures inédites pour cette campagne », c'est du texte-vers-vidéo. Si c'est « animez cette photo de produit exacte », c'est de l'image-vers-vidéo. Le reste de cet article porte sur le premier cas.

Le fait tarifaire qui définit tout votre flux de travail

Voici la grille tarifaire complète et actuelle de ray-3.2/text-to-video (vérifiée au moment de la rédaction par rapport à la tarification hiapi — vérifiez toujours là-bas, pas ici) :

Durée	Résolution	Prix par 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 $

Remarquez ce qui n'apparaît pas dans ce tableau : le format d'image. Ray 3.2 facture uniquement selon la durée et la résolution, donc le vertical 9:16 coûte le même prix que le 16:9, le 1:1 ou le 21:9. Ce seul fait transforme votre façon de planifier un lot de vidéos courtes :

• 540p est votre palier de test. À 0,2145 $ par clip, vous pouvez générer 10 à 15 concepts pour le prix d'une seule vidéo phare en 1080p. Les fils d'actualité sociaux verticaux se regardent en petit sur téléphone — le 540p (sortie en 540×960 en 9:16, voir ci-dessous) reste parfaitement lisible pour un premier test A/B.
• 720p / 1080p sont vos paliers de production. Une fois qu'un concept l'emporte, régénérez simplement la version 720p ou 1080p de ce prompt uniquement pour la publication réelle.
• La durée est un palier fixe, pas un curseur. Seules deux options existent, 5 ou 10 secondes — pas de variante à 7 secondes — et 10 secondes coûte environ 3 fois plus cher que 5 secondes. Pour les vidéos courtes pilotées par une accroche, 5 secondes est généralement l'unité souhaitée, puis vous en superposez plusieurs au montage.

Cette forme « exploration peu coûteuse, paiement uniquement pour les gagnants » est précisément la raison pour laquelle ce flux de travail s'exécute par lots en 540p.

Une requête, un bloc de code

Ray 3.2 t2v accepte un petit ensemble fermé de champs d'entrée :

Champ	Obligatoire	Valeurs
prompt	Oui	Votre description de scène
duration	Oui	5 ou 10 (secondes entières)
resolution	Oui	540p, 720p ou 1080p
aspect_ratio	Oui	9:16, 16:9, 1:1, 4:3, 3:4, 21:9

Un clip vertical, c'est un POST vers le point de terminaison des tâches asynchrones :

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 réponse renvoie un data.taskId. Vous interrogez ensuite GET /v1/tasks/{taskId} jusqu'à ce que data.status vaille "success", puis téléchargez output[0].url. C'est le résumé du mécanisme — pour un parcours complet requête/réponse, le cycle de vie des statuts, la version Python et la gestion des erreurs, consultez le guide pratique associé : API Ray 3.2 texte-vers-vidéo : guide curl et Python. Vous découvrez l'API de tâches ? Commencez par le démarrage rapide.

Écrire des prompts qui se lisent vraiment comme du vertical

Cinq secondes sans image d'entrée, c'est une contrainte créative serrée. Quatre habitudes ont fait une différence nette dans ce lot :

1. Dites explicitement « vertical 9:16 » dans le prompt et composez pour un cadre haut — empilez un sujet unique au centre, au lieu de laisser le recadrage lutter contre une large composition horizontale.
2. Placez l'accroche dès la première seconde. Une vidéo courte se gagne ou se perd dès la première image, donc décrivez quelque chose qui bouge immédiatement (« the spiral catches the light in the first second » — la spirale accroche la lumière dès la première seconde).
3. Précisez le mouvement de caméra — poussée avant, descente à la grue, orbite lente. Ray 3.2 répond bien aux directions de mouvement explicites, et le mouvement est ce qui fait qu'un clip ressemble à du contenu plutôt qu'à un diaporama.
4. Un seul concept par clip. Cinq secondes ne racontent pas une histoire, mais posent un temps fort. Ne leur donnez qu'un seul temps fort.

Voici les quatre prompts de ce lot, chacun représentant un type distinct de vidéo verticale courte que vous écririez réellement dans un brief — restauration, POV voyage, produit e-commerce et ambiance de marque outdoor. Chaque clip est la sortie brute du modèle, sans aucune retouche.

1 · Boisson / table (voir le clip de couverture ci-dessus). Contenu d'usage produit axé sur l'appétence. Le prompt commence par le versement et la lumière pour placer l'accroche dès la première image :

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 voyage. Une énergie à la première personne sans personne à l'écran — le moyen le plus rapide d'arrêter le défilement d'un fil d'actualité. L'indication « handheld bounce » (secousses à la main) lui donne sa sensation 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 · Héros produit (e-commerce). Un plan propre de plateau tournant, avec un temps fort de « révélation » — idéal pour l'ouverture d'un lancement ou d'une mise en avant de fonctionnalité :

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 / ambiance de marque. Un piqué de drone pour les marques lifestyle et voyage — orienté « chute rapide à la première seconde, puis transition vers une orbite douce », pour un mouvement délibérément en deux temps :

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

Quatre prompts, quatre types de verticales, un modèle, 0,858 $ au total. C'est un lot.

Exécuter le lot sans rester devant l'écran

L'API de tâches étant asynchrone, le bon modèle est diffuser d'abord, collecter ensuite — ne générez pas un clip, attendez, puis générez le suivant. Soumettez tout le lot d'un coup, laissez chaque clip se rendre en parallèle en amont, sauvegardez chaque taskId dès que vous l'obtenez, puis commencez à interroger :

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

Cette exécution a enseigné (ou confirmé) deux choses qui valent la peine d'être intégrées au processus :

• Interrogez les taskId enregistrés ; ne soumettez jamais à nouveau. L'id est facturé au moment de votre POST, donc si l'interrogation échoue à cause d'une erreur réseau transitoire, capturez-la et réessayez le même id — une nouvelle soumission vous fera payer deux fois. Persister les ids sur disque signifie aussi qu'une exécution interrompue peut être reprise par interrogation, sans tout recréer.
• Comptez environ 40 à 90 secondes par clip en 540p. Dans ce lot, les quatre clips ont été rendus côté serveur en 37, 38, 70 et 87 secondes respectivement. La diffusion signifie que l'ensemble se termine en environ le temps du plus lent, et non la somme de tous.

Pour une requête 9:16 en 540p, vous obtenez un MP4 H.264 en 540×960, 24 fps, d'environ 5,04 secondes — donc « 540p » désigne le petit côté, le cadre vertical est nativement haut et vous n'avez rien à recadrer de votre côté.

Du clip brut à la vidéo courte publiée

Deux limites concrètes à anticiper :

• Les clips sont muets. Ray 3.2 t2v ne produit que l'image — aucune piste audio. Ce n'est pas un problème pour les vidéos courtes : importez le clip dans votre logiciel de montage et ajoutez-y la musique tendance, une voix off ou des sous-titres. Prévoyez une étape de montage ; n'attendez pas de l'API un fichier prêt à publier.
• Cinq secondes, c'est un temps fort, pas une vidéo. L'approche reproductible consiste à générer plusieurs clips de 5 secondes (comme ci-dessus), puis à en superposer trois ou quatre en un montage de 15 à 20 secondes, avec des coupes franches sur les temps forts. Chaque clip est une accroche ; le montage est l'histoire.

La boucle de bout en bout est donc : générer les concepts en lot à 540p → sélectionner les gagnants → régénérer uniquement ce prompt en 720p/1080p → monter et sonoriser dans le logiciel de montage → publier. Exploration peu coûteuse, paiement unique pour les gagnants, finition manuelle.

FAQ

ray-3.2 texte-vers-vidéo génère-t-il du son ? Non — la sortie est un MP4 muet. Ajoutez l'audio dans votre logiciel de montage.

Ai-je besoin d'une image d'entrée ? Non. C'est tout l'intérêt du texte-vers-vidéo : uniquement un prompt. Si vous voulez animer une image existante, utilisez ray-3.2/image-to-video.

Quelle résolution utiliser pour les réseaux sociaux ? 540p pour les tests de concepts à grande échelle (540×960 en 9:16 — lisible sur téléphone), puis 720p ou 1080p pour les clips que vous publiez réellement.

Puis-je obtenir un vrai format vertical sans recadrage ? Oui. Passez aspect_ratio: "9:16" et le modèle rend nativement un cadre haut (540×960 en 540p). Le format d'image n'affecte pas le prix.

Quelle durée maximale pour un clip ? 5 ou 10 secondes — ce sont des options fixes, pas une plage continue. Pour les vidéos courtes pilotées par une accroche, des clips de 5 secondes superposés au montage sont généralement plus rentables.

En quoi cela diffère-t-il du guide pratique ? Le guide pratique couvre une requête unique de bout en bout (curl, Python, gestion des erreurs). Cette page est le flux de travail par-dessus : comment produire des concepts verticaux en lot, à quelle étape dépenser quel palier de résolution, et comment écrire des prompts pour le 9:16.

Commencer à générer

Ray 3.2 texte-vers-vidéo est désormais disponible sur l'API de tâches asynchrones. Récupérez une clé, ouvrez la page du modèle ray-3.2/text-to-video pour la référence complète des paramètres et la tarification actuelle, et générez votre premier lot de concepts verticaux en 540p — vous pouvez tester une semaine d'idées de vidéos courtes pour moins d'un dollar. Vous comparez des modèles pour la même tâche ? Les guides de flux de travail pour vidéos courtes de seedance-2.0-fast et de Kling 3.0 image-vers-vidéo suivent la même boucle, mais avec des compromis différents.