PixVerse V6 短视频：竖屏片段的文本转视频工作流

短格式视频是一场走量游戏：你需要不断产出竖屏片段，而瓶颈很少是某个精彩镜头——而是如何快速、低成本地批量产出。本文是一套端到端工作流，教你在 hiapi API 上用 pixverse-v6/text-to-video 实现这一目标：从一个内容创意，到可直接用于 Reels、Shorts 和 TikTok 的成品 9:16 片段。下文每个片段都是为本次演示真实生成的输出——片段可在页面内直接播放。

如果你想要逐条提示词的技巧（风格预设、镜头语言、音频），请参阅 PixVerse V6 提示词配方；如果你想要原始的请求/响应机制，请参阅 PixVerse V6 文本转视频操作指南。本文讲的是围绕它们的生产流水线。

工作流一览

1. 把短视频写成一组镜头，而不是一个片段。短视频需要第一秒就抓住人的钩子，以及结尾的回报。pixverse-v6 单次生成上限为 15 秒，所以一条短视频几乎总是由多个协调的片段拼接而成。
2. 保持镜头一致。文本转视频没有输入帧，因此镜头之间的连续性必须靠每条提示词中重复的锚点短语来承载。
3. 批量提交异步任务。把所有镜头一次性作为 POST /v1/tasks 调用发出，并一起轮询——你只需为整批等待一次，而不是逐个镜头等待。
4. 低成本草稿，高质量成片。在低成本的 540p 档位迭代，然后只把保留的片段重新渲染为 720p/1080p。
5. 以竖屏交付。一开始就要求 9:16，按平台决定音频，并剪辑到钩子处。

文章其余部分将以一条短视频为例，走完这些步骤。

第 1 步——把短视频分镜为协调的镜头

示例：一条约 10 秒的冰抹茶咖啡馆短视频——那种在美食和生活类信息流中表现良好的解压产品节拍。两个镜头：

• 钩子（0–5 秒）：一个让人停下滑动的极特写——抹茶正在被搅拌，泡沫与蒸汽。
• 回报（5–10 秒）：做好的饮品，端到镜头前。

文本转视频最重要的纪律是连续性。因为没有参考帧来锚定外观，模型会欣然把第二个镜头渲染成不同的厨房、不同的光线、不同的风格——除非你在两条提示词中重复同样的锚点。这里的共享锚点是：明亮的翠绿色抹茶、干净极简的日式咖啡馆、柔和的晨光、浅景深。下面两条提示词都包含全部四项。

并且记住：pixverse-v6 没有相机或运动参数。所有镜头运动都写在提示词文本里——“the camera slowly pushes in”“holds steady then tilts down”。这是该模型的标志性特点。

第 2 步——撰写协调的提示词

镜头 1——钩子（可直接复制粘贴）：

垂直 9:16 微距镜头，明亮的绿色抹茶正在奶油色陶瓷碗中被搅打，细腻的翠绿色泡沫形成，柔和的晨光下细密的蒸汽缓缓升腾。镜头缓缓向泡沫表面推近，竹制茶筅快速来回搅动。干净极简的日式咖啡馆美学，温暖的阳光，浅景深，清晰诱人。

镜头 2——回报（可直接复制粘贴）：

垂直 9:16 镜头，一杯高杯冰抹茶拿铁放在浅色木质咖啡馆吧台上，翠绿色与乳白色分层，玻璃杯上挂着新鲜的水珠。咖啡师的手将杯子向镜头推来，并插入一根纸吸管。明亮通透的晨光，背景是绿色植物的柔和散景，镜头保持稳定后略微下摇。干净极简的咖啡馆外观，清新而诱人。

注意贯穿其中的元素：翠绿色抹茶、干净极简的咖啡馆、晨光。正是这套共享词汇让两个片段读起来像一条短视频，而不是两段不相关的视频。镜头方向刻意不同——用推镜开场，用稳定保持后下摇来收尾呈现产品——因为短视频需要运动变化才看得下去。

第 3 步——批量处理异步任务

上面两个镜头并不是一个接一个生成的。它们作为异步任务一起提交、作为一个集合一起轮询——这正是当你规模化生产时 /v1/tasks 设计的全部意义。你只需为整批支付一次约 60–90 秒的生成等待，而不是每个片段都等。

import requests, time

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": "Bearer YOUR_API_KEY", "Content-Type": "application/json"}

shots = {
    "hook":   "垂直 9:16 微距镜头，明亮的绿色抹茶正在搅打……",
    "payoff": "垂直 9:16 镜头，一杯高杯冰抹茶拿铁……",
}
common = {"aspect_ratio": "9:16", "duration": 5, "resolution": "540p"}

# 1) 把每个镜头作为独立任务发出，保存返回的 taskId
tasks = {}
for name, prompt in shots.items():
    r = requests.post(API, headers=HEADERS, json={
        "model": "pixverse-v6/text-to-video",
        "input": {"prompt": prompt, **common},
    })
    tasks[name] = r.json()["data"]["taskId"]

# 2) 轮询保存的 taskId，直到每个都报告成功
outputs = {}
while len(outputs) < len(tasks):
    for name, tid in tasks.items():
        if name in outputs:
            continue
        d = requests.get(f"{API}/{tid}", headers=HEADERS).json()["data"]
        if d["status"] == "success":
            outputs[name] = d["output"][0]["url"]   # 一个临时的 .mp4 URL
        elif d["status"] == "fail":
            raise RuntimeError(f"{name} failed: {d.get('error')}")
    time.sleep(6)

实际制作这条短视频时，有两点在实践中确实重要：

• 输出 URL 是临时的。每个完成的任务会返回一个会过期的 output[0].url——立即下载 .mp4 并移到自己的存储；不要热链它。
• 轮询可能打嗝，但任务不会失败。轮询某个任务时的单次网络抖动会表现为那一次请求的临时错误——任务仍在服务器上运行。解决办法是把失败的轮询当作“再试一次”，而不是“任务死了”：重新轮询保存的 taskId，而不是中止整批。只有任务体中的 status: "fail" 才是真正的失败。

第 4 步——低成本草稿，高质量成片

上面两个片段都是刻意用 540p 生成的。pixverse-v6 按秒计费，且分辨率档位差距很大：540p 静音是最低成本档，而 1080p 是最贵档（当前各档每秒费率见定价页面——数字会变，批量前请核实）。

对短视频来说，这种拆分是一份礼物。这项工作昂贵之处在于迭代——你会反复重掷提示词、改写镜头运动、更换主体。在 540p 做这些实验的每秒成本只是 1080p 的一小部分，而一个 5 秒的 540p 竖屏片段返回的是约 1–2 MB 的小 576×1024 .mp4，下载和审阅都很快。一旦某个镜头锁定，只把那条提示词重新渲染为 720p 或 1080p 用于最终剪辑。你只在要保留的镜头上花全分辨率成本。

经验法则：540p 用于草稿循环，把保留片段升到 720p/1080p 用于交付。绝不要在 1080p 迭代。

第 5 步——同样的流水线，不同的概念

因为工作流是提示词 → 批量 → 竖屏输出，它与概念无关。同样五步能产出一条完全不同的短视频——这里是一个动感赛博朋克动作节拍——除了提示词和 style 什么都没变：

那个片段使用了 aspect_ratio: "9:16"、style: "cyberpunk" 以及一个 negative_prompt 来推开静态输出——它完整的提示词和请求体在提示词配方中。这里重点不是提示词；而是说一旦批量草稿流水线存在，更换主题只是改一行的事，这才让它成为生产工作流，而不是一次性渲染。

第 6 步——完成与交付

• 形状先于规模。原生生成 9:16。把 16:9 渲染裁成竖屏会丢掉一半像素；直接要求你将要发布的画面比例。
• 把钩子前置。Reels/Shorts/TikTok 在第一秒就决定留存——用你最强的运动开场（这里的推镜），而不是缓慢淡入。
• 按平台决定音频。pixverse-v6 可以用 generate_audio: true（默认 false）渲染同步声音，这有自己的有声定价档。对于大多数观众静音观看的信息流，静音草稿加上你自己的音乐/字幕轨更便宜；当环境音本身就是内容时，再打开音频。
• 在后期拼接和加字幕。把锁定的 720p/1080p 镜头首尾拼接，添加字幕，并剪辑到平台的最佳时长。模型给你干净的 5 秒积木；把它们编排成短视频是剪辑步骤，不是生成步骤。

常见问题

如何用 pixverse-v6 制作超过 15 秒的短视频？ 把它生成为多个最长 15 秒的片段，并在后期拼接。duration 是 1 到 15 的整数——把你的短视频规划为协调的镜头（如第 1–2 步），而不是一次长生成。

如何让多个镜头看起来像同一条视频？ 在每条提示词中重复相同的锚点短语——主体、场景、光线、风格。文本转视频没有参考帧，因此没有共享锚点，每个镜头就会漂移到不同的外观。上面的抹茶短视频在两条提示词中都复用了“翠绿色抹茶、干净极简的咖啡馆、柔和晨光”。

如果我需要高分辨率最终成片，为什么还要用 540p 生成？ 为了低成本迭代。计费按秒，540p 是最低成本档，所以所有提示词重掷都在那里做，只把保留片段重新渲染为 720p/1080p。当前费率见定价页面。

我可以并行生成多个片段吗？ 可以——这正是异步 /v1/tasks 设计的用途。把每个镜头作为独立任务提交，保存返回的 taskId，并一起轮询（第 3 步）。及时下载每个完成的 .mp4，因为输出 URL 是临时的。

短视频需要打开音频吗？ 通常不需要。许多信息流自动静音播放，所以静音片段加上你自己的字幕/音乐轨往往既便宜又更可控。当渲染出的环境音本身就是重点时，再打开 generate_audio: true。

自己动手运行

从 PixVerse V6 文本转视频模型页面开始获取实时 schema 和 API key，保持 Create Task 和 Get Task Detail 文档打开以了解批量请求/轮询格式，并在渲染一组之前查看定价。复制两条抹茶提示词，用 540p 起草，你就能在一批中完成你的第一条竖屏短视频。