Veo 3.1 Lite テキスト→動画プロンプトレシピ：コピー&ペーストで使える2つのプロンプトと実際の出力

veo-3.1-lite/text-to-video は、hiapi 上で音声がオール・オア・ナッシングではない数少ないテキスト→動画モデルの1つです——generate_audio フラグを使えばリクエストごとにネイティブサウンドをオン/オフでき、しかも毎秒の料金が変わります。このため、2つの異なるタスクを学ぶのに最適です。1つはレイヤー化された音声に依存する環境シーン、もう1つは無音の自動再生向けに設計された縦型プロダクトループです。常に音声付きで、問い合わせ不要のモデルをお求めなら、wan2.7-video/text-to-video がより近い比較対象です。

本ガイドでは、コピー&ペーストでそのまま使える veo-3.1-lite/text-to-video プロンプトレシピを2つ紹介します。どちらも隣に掲載したプロンプトから生成された実際の一発完成出力で、hiapi のタスク API 経由で生成されています——シードをまたいだ選別も、リロールもありません。2つのクリップの合計費用は $0.64 です。

リクエスト構造（まずこれを読んでください）

veo-3.1-lite/text-to-video は hiapi の非同期タスクエンドポイントで動作します。以下の2つのレシピで重要なフィールドは次のとおりです：

• prompt — シーン：被写体、動作、背景、カメラ、そして（音声がオンの場合は）サウンド。
• duration — 秒単位。モデルは4秒、6秒、8秒のクリップを提供します。
• resolution — 720p または 1080p。
• aspect_ratio — 横型または縦型の構図。以下では 16:9 と 9:16 を使用しています。
• generate_audio — ブール値。音楽が必要なシーンでは true、無音ループでは false に設定します——オフにすると毎秒の料金が安くなります。

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "veo-3.1-lite/text-to-video",
    "input": {
      "prompt": "A small pour-over coffee stand at a sunlit morning farmers market...",
      "duration": 4,
      "resolution": "720p",
      "aspect_ratio": "16:9",
      "generate_audio": true
    }
  }'

レスポンスはすぐに taskId を返します。GET /v1/tasks/{taskId} をポーリングして status が success になるまで待ち、output[0].url をすぐにダウンロードしてください——これは一時的なリンクです。

レシピ1：環境シーン、音声オン

ここでのタスクは、本物のカメラワークの下で本物のレイヤー化されたサウンドスケープを実現すること——コーヒーブランドのソーシャルアカウントが実際に音声をオンにして投稿するようなクリップです：

A small pour-over coffee stand at a sunlit morning farmers market. A barista
in a denim apron pours hot water in a slow spiral over ground coffee in a
paper filter; steam curls upward and catches the light as the coffee blooms
with a soft hiss. In the blurred background, market-goers browse stalls
under a canvas awning that stirs in the breeze. Camera slowly pushes in on
the pour. Warm golden-hour light, shallow depth of field, handheld
documentary feel. Soft hiss and crackle of the pour layered under distant
market chatter and a light wind.

パラメータ： duration: 4、resolution: 720p、aspect_ratio: 16:9、generate_audio: true — 費用 $0.40。

一発完成出力：

注水がショット全体であり、モデルもそれを維持しています：水流の螺旋、立ち上る蒸気、ゆっくりとしたプッシュインはすべて4秒間ずっと続き、カットに移行することはありませんでした。背景は「ぼかされた」と「市場を歩く人々」という要求どおりに仕上がっています——形がキャンバスの日よけの前を動き回りながらも、注水と注意を奪い合うほどには鮮明になりません。音声をオンにすると、オーディオの節は3つの明確なレイヤーとして現れます：近くの注水のシューッという音とパチパチという音、その下に流れる柔らかな人々のざわめきの壁、そして両者の間に差し込む風の音。これこそコピーする価値のあるパターンです——曖昧な「市場の音」というプロンプトではなく、各オーディオレイヤーを個別に指定する（前景音、環境の群衆、環境音）のです。

レシピ2：無音プロダクトループ、音声オフ

2つ目のタスクは逆を行く直感です：固定カメラのコマーシャルショットで、generate_audio: false に設定します。無音の自動再生フィード向けのプロダクトループには音楽は不要で、省略すれば毎秒の料金も下がるからです：

Vertical product shot: a matte-black wireless earbud case slowly rotates on
a reflective black surface under a single overhead spotlight, throwing a
clean circular highlight across its lid. A thin ring light glows behind it,
rim-lighting the edges in cool blue. The camera stays locked off, centered,
with no movement except the case's slow rotation. Minimal studio background
fading to pure black at the edges. Sleek, premium tech-commercial look,
crisp reflections, no dust or fingerprints.

パラメータ： duration: 4、resolution: 720p、aspect_ratio: 9:16、generate_audio: false — 費用 $0.24。

一発完成出力：

プロンプトのあらゆる制約が読み取れます：画面は決してパンやドリフトをせず、唯一の動きはケースの回転であり、スポットライトの円形ハイライトが表面の回転に合わせてちょうど蓋の上を掃いていきます。これが「カメラは固定したまま中央に保ち、X 以外の動きはなし」から得られる結果です——何を静止させるべきかを示すことは、何を動かすべきかを示すのと同じくらい重要です。そしてこのループは人の声や音楽ベッドなしでも機能するため（ほとんどの広告配信は自分で音楽を追加します）、generate_audio をオフにすることは妥協ではありません——720p では毎秒40%安くなり、クリップには何の損失もありません。

クイックリファレンス

1. generate_audio はデフォルト値ではなく、制作上の判断として扱いましょう。 環境シーンや物語のビートにはオンが必要です。無音フィード向けの固定プロダクトループには不要です——720p でオフにすると毎秒40%安くなります（$0.06 対 $0.10）。
2. 音声オンの場合は各オーディオレイヤーを個別に指定しましょう——前景音、環境の群衆や屋内の暗騒音、環境音——曖昧な「背景ノイズ」のプロンプトではなく。
3. 固定カメラのショットでは、何を動かさないべきかを明記しましょう（「カメラは固定したまま中央に保ち、ケースのゆっくりとした回転以外の動きはなし」）。これは何を動かすべきかを描写するのと同じくらい重要です。
4. aspect_ratio をプラットフォームに合わせましょう：環境や横型シーンには 16:9、縦型プロダクトやコマーシャルループには 9:16。
5. まず4秒でプロトタイプを作り、その後お金をかけてより長い6秒や8秒のオプションを使いましょう。

費用はいくらか

veo-3.1-lite/text-to-video は出力秒数に基づいて課金され、料率は解像度と音声のオン/オフによって決まります：

設定	毎秒料金
720p、音声あり（デフォルト）	$0.10
720p、音声なし	$0.06
1080p、音声あり	$0.14
1080p、音声なし	$0.10

クリップは4秒、6秒、8秒で実行できます。本記事の2つのクリップ——4秒720p音声ありクリップと、4秒720p音声なしクリップ——の合計費用は $0.64 です。最新の料率は常に料金ページに掲載されています。

試してみる

上記の2つのレシピはどちらもデフォルトの720pティアで実行されています。自分の被写体に置き換え、ショットに音楽が必要かを事前に決めてから、タスク API に送信してください。veo-3.1-lite/text-to-video モデルページにはライブのパラメータリファレンスと現在の料金があります。あなたのショットが常に音声付きであるべき物語シーンに近いなら、wan2.7 テキスト→動画プロンプトレシピが有用な並列比較になります：同じタスク API 構造で、音声はオプションではなく組み込みです。