HappyHorse 1.1 のイメージ・トゥ・ビデオを hiapi API で使ってショート動画を制作する

TL;DR

• これは何か： hiapi API 上の happyhorse-1.1/image-to-video を使った、実際に利用できるイメージ・トゥ・ビデオのワークフローです。商品写真や人物写真を、ネイティブ音声付きのショート動画に変換し、TikTok、Reels、商品ページにそのまま活用できます。
• テキスト・トゥ・ビデオではなくイメージ・トゥ・ビデオを使う理由： 机の上の商品や人物写真など、すでに正確な画面が手元にある場合は、構図を静止画像に固定してからモデルに動きを加えてもらう方が、シーン全体をゼロから説明するよりもはるかに予測しやすい結果になります。
• タスク構造はシンプルです： image_urls（最初のフレーム画像をちょうど1枚）、動きを指示する任意の prompt、resolution（720p/1080p）、そして duration（3〜15秒、デフォルト5秒）。動きの強度スライダーもカメラワークのパス設定もありません。
• 料金（2026-09時点）： 720p は $0.16/秒、1080p は $0.21/秒で、duration に基づいて課金されます。以下のような4秒の720pクリップなら $0.64 です。バッチ処理を計画する前に、料金は変動する可能性があるため、必ず hiapi のリアルタイム料金ページ を確認してください。
• 音声はネイティブです： HappyHorse 1.1 は動きに同期した音声を同時に生成します。別途音声生成のステップも、設定すべき追加フィールドもありません。

2つの実例：商品写真と人物写真

以下は、この記事で hiapi API を使ってエンドツーエンドで生成した2本のクリップです。同じモデル、2つの異なる最初のフレーム、2つの異なる動きの意図によるものです。どちらも静止サムネイルではなく、実際に再生可能な動画として埋め込まれています。

例1：商品写真をプロモーション用ショート動画に変える

シンプルな商品写真から始めます。充電ケースに入ったワイヤレスイヤホンです。充電ケースが平面画像のまま静止するのではなく、モデルにゆっくりとした映画的なリビールを実行させます。

使用したプロンプト：

Slow cinematic camera push-in on the matte-black wireless earbuds charging case, the lid opens smoothly on its own revealing the earbuds inside, a soft light sparkle highlight sweeps across the glossy lid, subtle studio light shift, smooth stable motion, no text, no logo, commercial product video style

この種のクリップは本来、スライダー機材や照明セットを備えた実際の商品撮影が必要でしたが、ここでは静止写真1枚とテキストプロンプトだけで済みます。EC にとってこのパターン（静止メイン画像 → 短いループ動画クリップ）は、商品ページの補助素材やネイティブ広告のクリエイティブとして相性が良く、リクエストは4秒720pの1回分（$0.64）のみで課金され、動画撮影全体のコストはかかりません。

例2：人物写真を動かす

2つ目のユースケースは、トークやモデル風の人物写真です。もともと静止したプロフィール写真に、構図や背景を変えずに、自然で微妙な生命感を加えたい場合です。軽い首の動き、浮かび上がる微笑み、髪の揺れなどです。

使用したプロンプト：

The woman turns her head naturally toward the camera with a soft warm smile, hair moves gently, natural blinking, subtle breathing motion, soft even studio lighting stays consistent, background stays plain and calm, no text

このパターンは、チームページ、クリエイタープロフィール、ユーザーレビュー欄など、大量のプロフィール写真を、被写体ごとにカメラマンを手配することなく、短く手間のかからない動的素材に変換するのに適しています。image_urls は最初のフレーム画像をちょうど1枚受け取るため、被写体の同一性と構図はソース写真に固定されます。モデルは動きと光だけをアニメーション化し、シーンを再解釈することはありません。

実際のリクエストの形

上記の2本のクリップはどちらも、hiapi の統一非同期タスク API に対する同じ形のリクエストから生成されています：

{
  "model": "happyhorse-1.1/image-to-video",
  "input": {
    "image_urls": ["https://static.hiapi.ai/blog/happyhorse-1-1-image-to-video-short-form-video/product-first-frame.jpg"],
    "prompt": "Slow cinematic camera push-in on the matte-black wireless earbuds charging case, the lid opens smoothly on its own revealing the earbuds inside, a soft light sparkle highlight sweeps across the glossy lid, subtle studio light shift, smooth stable motion, no text, no logo, commercial product video style",
    "resolution": "720p",
    "duration": 4
  }
}

POST /v1/tasks に送信し、status が終了状態になるまで GET /v1/tasks/:id をポーリングします。あるいは、本番環境ではより良い方法として、callback.url を設定して、ポーリングする代わりにタスク完了時に hiapi があなたのサービスへ通知するようにします。status=success の場合、完成したクリップは output[0].url にあります。この URL には有効期限があるため、すぐにダウンロードしてください。

ショート動画向けの解像度と長さの選び方

ソーシャル優先のショート動画クリップ（TikTok、Reels、Shorts）では、720p と、ストーリーを伝えられる最短の長さが実用的なデフォルトになることが多いです。クリップごとのコストが安く、ソーシャルプラットフォームは元々動画を再圧縮するため、アップロード後に1080pの追加ディテールが見えることはほとんどありません。クリップを商品ページや有料広告で使用し、視聴者が大画面で全画面表示する可能性がある場合に1080pを選んでください。ここでは、長さの方が解像度よりも大きなコスト要因です。4秒から8秒に増やすと、どちらの解像度でもコストはほぼ2倍になるため、動きのアイデアを明確に表現できる最短のクリップから始め、本当に追加の秒数が必要な場合にのみ延長してください。

よくある質問

イメージ・トゥ・ビデオには画像が何枚必要ですか？ image_urls を介して最初のフレーム画像をちょうど1枚です（JPEG/PNG/WEBP、最短辺 ≥300px、≤20MB）。SVG はサポートされていません。クリップ全体はこのフレームから生成されます。

出力に音声は含まれますか？ 含まれます。HappyHorse 1.1 は動きに加えてネイティブの同期音声を生成し、追加フィールドの設定は不要です。

テキスト・トゥ・ビデオやリファレンス・トゥ・ビデオとはどう違いますか？ イメージ・トゥ・ビデオは最初のフレーム画像によって駆動されるため、望む正確な構図がすでにわかっている場合に適した選択です。開始画像なしで純粋なテキスト記述から動画を生成する場合は、happyhorse-1.1/text-to-video を使用してください。複数のリファレンス（最大9枚の画像）で被写体やスタイルを正確に制御する場合は、happyhorse-1.1/reference-to-video を使用してください。

1本のクリップに実際いくらかかりますか？ 2026-09時点で、hiapi は HappyHorse 1.1 イメージ・トゥ・ビデオを duration に基づいて課金し、$0.16/秒（720p）または $0.21/秒（1080p）です。上記の2本のサンプルクリップはどちらも720pの4秒なので、それぞれ $0.64 です。バッチ実行の前に、毎秒料金が更新される可能性があるため、リアルタイム料金ページ を確認してください。

要点

• 商品写真やプロフィール写真など、正確な画面がすでに手元にあり、それを動かすだけでよい場合は、テキスト・トゥ・ビデオではなくイメージ・トゥ・ビデオを選んでください。
• image_urls は最初のフレーム画像をちょうど1枚受け取ります。リファレンス画像の配列は受け付けません（それは reference-to-video の役割です）。
• 各クリップには音声が無料で付属します。別途音声生成のステップは不要です。
• 長さが主なコスト要因です。720pの4秒の短いクリップで $0.64 で、コストは解像度の段階というよりも秒数におおむね線形に比例します。
• ショート動画パイプラインのために複数の動画モデルを比較している場合は、このワークフローを Veo 3.1 Lite のイメージ・トゥ・ビデオパイプライン や Seedance-2.0-Fast と比較することもできます。

自分で試してみませんか？ API キー を取得し、静止写真を happyhorse-1.1/image-to-video に指定してください。最初のクリップのテストは数セントで済みます。