Hailuo 2.3 Text-to-Video: fluxo de trabalho para vídeos curtos com a API hiapi

Vídeos curtos dependem de movimento que pareça convincente dentro de um segundo de imagem — uma prancha girando, um tecido ondulando, um chicote de câmera rápido. O hailuo-2.3/text-to-video foi feito exatamente para isso: envie um prompt de texto para o endpoint /v1/tasks da hiapi e receba um clipe de 6 ou 10 segundos com sensação realista de movimento físico, sem imagem de referência. Este artigo percorre um fluxo de trabalho real da API, mostra um clipe realmente gerado, explica uma limitação de saída que vale conhecer antes de construir um pipeline em cima dele e cita diretamente a precificação ao vivo da hiapi via /api/pricing.

Onde o hailuo-2.3/text-to-video realmente se destaca

Modelos de text-to-video tendem a falhar em ações físicas rápidas — pranchas entortam, membros se deformam no meio de uma manobra. O hailuo-2.3/text-to-video carrega a etiqueta "Motion Physics" na hiapi, e esse é o verdadeiro argumento de venda: ele se mantém estável sob o tipo de ação que constitui a maior parte do conteúdo de vídeos curtos — um truque, uma revelação, um movimento de câmera rápido. Ele não supera modelos focados em cenas estáticas em detalhes finos, mas para um clipe de 6 a 10 segundos que será visto uma única vez no celular, movimento fisicamente convincente importa mais do que textura em nível de pixel.

O prompt e o que ele realmente gerou

Abaixo está o prompt completo usado para o vídeo a seguir — copie-o como ponto de partida para suas próprias tomadas de ação:

a skateboarder in an empty downtown parking garage at golden hour attempts a kickflip, the board spinning crisply mid-air with realistic physical rotation, sneaker landing solidly back on the deck as wheels grip the concrete, sunlight flaring low through support pillars, dynamic low-angle tracking shot following the motion, natural motion blur on fast movement, warm saturated color grade, handheld documentary energy

Observe o que realmente funciona no prompt: um movimento de câmera nomeado ("dynamic low-angle tracking shot"), uma descrição clara de movimento ("crisply mid-air with realistic physical rotation") e um momento de aterrissagem ("solidly back on the deck as wheels grip the concrete"). O hailuo-2.3/text-to-video não expõe parâmetros de câmera ou de timing diretamente — tudo vem de quão específica é a sua descrição.

O problema: apenas saída em paisagem

O schema de entrada do hailuo-2.3/text-to-video (a lista de parâmetros ao vivo está na página do modelo) é deliberadamente enxuto: prompt, duration ("6" ou "10") e prompt_optimizer. Não há aspect_ratio, não há resolution, nem seed — cada vídeo é renderizado em paisagem fixa de 1366×768.

Isso é um problema real para TikTok, Reels e Shorts, que exigem 9:16. Como não existe opção de retrato para solicitar, a solução alternativa fica depois da geração: ou cortar o enquadramento em paisagem para uma faixa vertical centralizada (funciona bem quando o sujeito fica no centro, como no vídeo acima), ou manter o quadro completo e preencher em cima e embaixo com uma cópia desfocada e ampliada do mesmo material — o efeito comum de "fundo desfocado" ao recortar clipes em paisagem. Planeje a etapa de corte/preenchimento como parte do pipeline, em vez de assumir que o modelo entregará um produto pronto para uso em formato vertical.

Custo: duas faixas de duração, sem modo econômico

Segundo a página de preços ao vivo da hiapi, o hailuo-2.3/text-to-video cobra por vídeo de forma fixa: clipe de 6 segundos por US$ 0,40 e clipe de 10 segundos por US$ 0,80 — exatamente o dobro, sem desconto por volume embutido. Isso importa para o orçamento em lote: três clipes de 6 segundos (total de US$ 1,20, 18 segundos de material) custam o mesmo que três clipes de duração quase total, então montar o vídeo a partir de vários clipes mais curtos geralmente sai mais barato do que cobrir a mesma duração total com uma única tomada longa contínua.

Há uma pegadinha fácil de cair: o Hailuo 2.3 tem de fato uma opção "fast" mais barata (US$ 0,27 para 6s / US$ 0,46 para 10s) — mas ela existe apenas em image-to-video. O text-to-video tem faixa de preço única, sem alternativa fast/econômica. Se você precisa iterar muito no prompt antes de definir a renderização final, gerar um frame estático e depois iterar o movimento a partir desse frame com o hailuo-2.3-fast/image-to-video costuma sair mais em conta.

Integração ao pipeline

Os modelos de vídeo da hiapi seguem todos o mesmo padrão assíncrono de /v1/tasks — criar a tarefa, fazer polling e baixar o resultado imediatamente, pois os links de entrega expiram:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "hailuo-2.3/text-to-video",
    "input": {
      "prompt": "a skateboarder in an empty downtown parking garage at golden hour attempts a kickflip...",
      "duration": "6",
      "prompt_optimizer": true
    }
  }'

Faça polling de GET /v1/tasks/{taskId} até o status atingir um estado terminal e então obtenha output[0].url para baixar imediatamente. A estrutura completa de requisição/resposta e a validação de schema ao vivo estão na página do modelo; detalhes gerais de autenticação e ciclo de vida de tarefas estão na documentação da hiapi.

Se você vai construir um pipeline de vídeos curtos em torno de mais de um modelo de vídeo, em vez de apostar tudo em um só, vale a pena ler o panorama dos quatro principais modelos de vídeo da hiapi — o hailuo-2.3 se posiciona em preço e qualidade de forma diferente de modelos como o seedance-2.0-mini, e misturar modelos conforme o tipo de cena geralmente rende mais do que usar um único modelo para todo o calendário de conteúdo.

Perguntas frequentes

O hailuo-2.3/text-to-video suporta saída em retrato (9:16)? Não. Não há parâmetro aspect_ratio ou resolution — cada vídeo é renderizado em paisagem com cerca de 1366×768. Para obter retrato, corte ou preencha a saída após a geração.

Quanto tempo leva para gerar um vídeo? É uma tarefa assíncrona: envie e faça polling até o status mudar para um estado terminal. Em um pipeline em lote, reserve alguns minutos por vídeo em vez de esperar retorno síncrono.

Existe versão mais barata ou mais rápida do hailuo-2.3/text-to-video? Não. A faixa "fast" com desconto se aplica apenas ao hailuo-2.3-fast/image-to-video. O text-to-video tem um único preço: US$ 0,40 para 6 segundos e US$ 0,80 para 10 segundos.

Posso controlar diretamente o movimento de câmera ou os compassos de timing específicos? Não por parâmetros estruturados — o movimento, a câmera e o ritmo vêm de como o prompt é escrito. O prompt acima (tomada de acompanhamento nomeada, descrição explícita de rotação, um compasso de aterrissagem) é um modelo eficaz para tomadas de ação com sensação física.

Resumo dos pontos principais

• Todo o schema de entrada tem apenas prompt, duration ("6" ou "10") e prompt_optimizer — não há aspect_ratio, resolution ou seed ajustáveis.
• A saída é sempre em paisagem, com cerca de 1366×768; para plataformas de vídeos curtos em retrato, é preciso planejar uma etapa de corte ou preenchimento.
• Preço fixo: US$ 0,40 para 6 segundos e US$ 0,80 para 10 segundos — a faixa "fast" mais barata existe apenas em image-to-video.
• Envie via /v1/tasks, faça polling até o estado terminal e então baixe imediatamente a URL de saída, pois o link expira.

Pronto para experimentar? Gere um vídeo com o prompt acima na página do modelo hailuo-2.3/text-to-video e confira a precificação atual antes de rodar toda a série de vídeos curtos em lote.