Ray 3.2 Texto para Vídeo: Fluxo de Trabalho em Lote para Vídeos Curtos Verticais

Resumo

• O que é: Um fluxo de trabalho em lote repetível que usa ray-3.2/text-to-video na API hiapi para transformar linhas de texto em clipes verticais no estilo Reels/TikTok/Shorts — sem imagens de entrada, sem materiais preparatórios.
• Para quem: Equipes de social e conteúdo que precisam de volume — várias ideias 9:16 novas por semana para testar, em vez de um único vídeo principal por mês.
• O fato central que define tudo: ray-3.2 t2v é cobrado apenas por duração × resolução. A proporção de tela é gratuita, então 9:16 vertical custa exatamente o mesmo que 16:9 horizontal. Sua única alavanca para controlar o volume é o nível de resolução.
• Comprovado, não teórico: Cada clipe abaixo foi gerado para este artigo em uma única tarefa em lote — quatro clipes 9:16 de 5 segundos em 540p, $0,2145 cada, $0,858 no total, com cada clipe levando de 37 a 87 segundos para renderizar no lado do servidor.

Ray 3.2 (o modelo de texto para vídeo da Luma listado na hiapi) é excelente para vídeos curtos porque faz exatamente o que vídeos curtos realmente precisam: cria uma tomada totalmente nova de 5 segundos a partir de uma única descrição. Sem fornecer frames, sem animar fotos de produtos, sem materiais de referência. Você escreve um gancho e recebe um clipe. Isso o torna a ferramenta certa para gerar ideias em lote, e é por isso que este fluxo de trabalho parece diferente dos guias de vídeos curtos com imagem para vídeo ou referência para vídeo de outros modelos.

Texto para vídeo ou imagem para vídeo — escolha o ponto de entrada certo primeiro

Ambos ficam sob a mesma API de tarefas assíncronas, mas resolvem problemas diferentes:

• Texto para vídeo (esta página): Apenas a partir do prompt. Melhor para conceitos totalmente novos, clipes de atmosfera e B-roll para o qual você não tem — ou não quer ficar preso a — uma imagem específica. O modelo tem liberdade para compor toda a tomada, que é o que você quer quando precisa produzir opções em lote.
• Imagem para vídeo: A partir de um primeiro frame que você já tem. Se você tem uma foto principal de produto e quer que aquele objeto se mova, use ray-3.2/image-to-video — ele ancora a imagem no seu frame e anima a partir dele.

Regra prática: se a necessidade é "me dê três aberturas totalmente novas para esta campanha", é texto para vídeo. Se é "anime esta imagem exata do produto", é imagem para vídeo. O restante deste artigo trata do primeiro caso.

O fato de precificação que define todo o seu fluxo de trabalho

Aqui está a tabela de preços completa e em tempo real do ray-3.2/text-to-video (verificada contra a precificação da hiapi no momento da escrita — verifique sempre lá, e não aqui):

Duração	Resolução	Preço por clipe
5s	540p	$0,2145
5s	720p	$0,429
5s	1080p	$1,7145
10s	540p	$0,643
10s	720p	$1,286
10s	1080p	$5,143

Observe o que não aparece na tabela: proporção de tela. Ray 3.2 cobra apenas por duração e resolução, então 9:16 vertical custa o mesmo que 16:9 horizontal, 1:1 ou 21:9. Esse único fato reformula como você planeja seus lotes de vídeos curtos:

• 540p é o seu nível de teste. A $0,2145 por clipe, você pode gerar 10–15 conceitos pelo preço de um único vídeo principal em 1080p. O feed social vertical é assistido em tamanho pequeno no celular — 540p (saída de 540×960 em 9:16, veja abaixo) é perfeitamente legível para testes A/B iniciais.
• 720p / 1080p é o seu nível de produção final. Assim que um conceito vencer, basta regenerar esse prompt específico em 720p ou 1080p para a publicação real.
• A duração é um nível fixo, não um controle deslizante. Só existem duas opções fixas: 5 segundos ou 10 segundos — sem opção de 7 segundos — e 10 segundos custa cerca de 3 vezes o preço de 5 segundos. Para vídeos curtos orientados por gancho, 5 segundos geralmente é a unidade que você quer, e então empilha vários na edição.

Esse formato de "explorar barato, pagar só pelos vencedores" é exatamente por que este fluxo de trabalho é executado em lote em 540p.

Uma requisição, um bloco de código

Ray 3.2 t2v aceita um pequeno conjunto fechado de campos de entrada:

Campo	Obrigatório	Valores
prompt	Sim	Sua descrição da cena
duration	Sim	5 ou 10 (segundos inteiros)
resolution	Sim	540p, 720p ou 1080p
aspect_ratio	Sim	9:16, 16:9, 1:1, 4:3, 3:4, 21:9

Um clipe vertical é um único POST para o endpoint de tarefas assíncronas:

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"
    }
  }'

A resposta retorna um data.taskId. Em seguida, você consulta GET /v1/tasks/{taskId} até que data.status seja "success", e baixa output[0].url. Esse é o resumo do mecanismo — para o passo a passo completo de requisição/resposta, ciclo de vida do status, versão em Python e tratamento de erros, consulte o guia prático complementar: Ray 3.2 Text-to-Video API: Guia com curl e Python. Primeira vez com a API de tarefas? Comece pelo guia de início rápido.

Escreva prompts que realmente soem verticais

Cinco segundos sem frames de entrada é uma exigência criativa apertada. Os quatro hábitos a seguir fizeram diferença significativa neste lote de tarefas:

1. Diga "vertical 9:16" explicitamente no prompt e componha para um quadro alto — empilhe um único sujeito no centro, em vez de deixar o corte brigar com uma cena horizontal larga.
2. Coloque o gancho no primeiro segundo. Vídeos curtos vencem ou perdem no primeiro frame, então descreva algo que se mova imediatamente ("a espiral capta a luz no primeiro segundo").
3. Especifique o movimento de câmera — dolly-in, grua descendo, órbita lenta. Ray 3.2 responde bem a direções de movimento claras, e movimento é a chave para fazer um clipe parecer conteúdo, não um slide.
4. Uma ideia por clipe. Cinco segundos não contam uma história, mas entregam uma batida. Dê apenas uma a ele.

Abaixo estão os quatro prompts deste lote, cada um um tipo diferente de vertical curto para redes sociais que você realmente escreveria em um briefing — gastronomia, POV de viagem, produto de e-commerce e atmosfera de marca ao ar livre. Cada clipe é a saída bruta do modelo, sem nenhum processamento.

1 · Bebida / mesa (veja o clipe de capa acima). Conteúdo de uso de produto com apelo ao apetite. O prompt começa com o despejo e a luz atingindo, fazendo o gancho cair no primeiro frame:

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 de viagem. Energia em primeira pessoa sem ninguém em cena — a maneira mais rápida de parar o feed. O comando "handheld bounce" (tremor de mão) dá a sensação 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 · Protagonista de produto (e-commerce). Uma tomada limpa de plataforma giratória com uma batida de "revelação" — ótima para uma abertura de lançamento ou destaque de funcionalidade:

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 · Ar livre / atmosfera de marca. Um mergulho de drone para marcas de lifestyle e viagem — direcionado como "queda rápida no primeiro segundo, depois ameniza em uma órbita" para dar um movimento deliberado em duas partes:

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

Quatro prompts, quatro tipos verticais, um modelo, $0,858 no total. Isso é um lote.

Execute o lote sem precisar ficar olhando

Como a API de tarefas é assíncrona, o padrão eficiente é disparar em leque e coletar depois — não gere um, espere, gere o próximo. Envie o lote inteiro de uma vez, deixe cada clipe renderizar em paralelo no upstream, salve cada taskId no momento em que o receber, e só então comece a consultar:

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

Esta execução ensinou (ou reconfirmou) duas coisas que vale a pena incorporar ao processo:

• Consulte os taskIds salvos; nunca reenvie. O id já é cobrado no momento em que você faz o POST, então se a consulta falhar por um erro de rede transitório, capture e repita o mesmo id — reenviar faz você ser cobrado duas vezes. Persistir os ids em disco também significa que uma execução que travou pode ser recuperada por consulta, em vez de recriada.
• Espere cerca de 40–90 segundos por clipe em 540p. Neste lote, os quatro clipes terminaram no lado do servidor em 37, 38, 70 e 87 segundos, respectivamente. O disparo em leque significa que o conjunto inteiro termina em aproximadamente o tempo do clipe mais lento, e não na soma deles.

Para uma requisição 540p 9:16, você recebe um MP4 H.264 de 540×960, 24fps, com cerca de 5,04 segundos — então "540p" refere-se ao lado menor, e o quadro vertical já é nativamente alto, sem necessidade de corte do seu lado.

Do clipe bruto ao vídeo curto publicado

Duas limitações práticas para planejar com antecedência:

• Os clipes são silenciosos. Ray 3.2 t2v entrega apenas imagem — sem faixa de áudio. Isso não é problema para vídeos curtos: importe o clipe no seu editor e adicione música em alta, narração ou legendas lá. Planeje uma etapa de edição; não espere que a API entregue um arquivo pronto para publicar.
• Cinco segundos é uma batida, não um vídeo. A abordagem repetível é gerar vários clipes de 5 segundos (como acima), depois empilhar três ou quatro em um corte de 15–20 segundos com cortes secos nas batidas. Cada clipe é um gancho; a edição é a história.

Então o ciclo de ponta a ponta é: gerar conceitos em lote em 540p → escolher os vencedores → regenerar apenas aquele prompt em 720p/1080p → editar e adicionar música no editor → publicar. Explorar barato, pagar uma vez pelos vencedores, finalizar à mão.

Perguntas frequentes

O ray-3.2 texto para vídeo gera áudio? Não — a saída é um MP4 silencioso. Adicione áudio no seu editor.

Preciso de uma imagem de entrada? Não. Esse é o ponto do texto para vídeo: apenas o prompt. Se você quer animar um frame existente, use ray-3.2/image-to-video.

Que resolução devo usar para redes sociais? 540p para testes de conceito em grande volume (540×960 em 9:16 — legível no celular), depois 720p ou 1080p para os clipes que você realmente vai publicar.

Posso obter vertical de verdade sem cortar? Sim. Passe aspect_ratio: "9:16" e o modelo renderiza um quadro alto nativo (540×960 em 540p). A proporção de tela não afeta o preço.

Qual o comprimento máximo de um clipe? 5 ou 10 segundos — são opções fixas, não um intervalo contínuo. Para vídeos curtos orientados por gancho, 5 segundos por clipe empilhados na edição costuma ser o gasto mais econômico.

Como isso difere do guia prático? O guia prático cobre uma única requisição de ponta a ponta (curl, Python, tratamento de erros). Esta página é o fluxo de trabalho por cima: como produzir conceitos verticais em lote, em que etapa gastar qual nível de resolução e como escrever prompts para 9:16.

Comece a gerar

Ray 3.2 texto para vídeo já está disponível na API de tarefas assíncronas. Obtenha sua chave, abra a página do modelo ray-3.2/text-to-video para a referência completa de parâmetros e preços atuais, e gere seu primeiro lote de conceitos verticais em 540p — você pode testar uma semana de ideias de vídeos curtos por menos de um dólar. Comparando modelos para a mesma tarefa? Os guias de fluxo de trabalho de vídeos curtos para seedance-2.0-fast e Kling 3.0 imagem para vídeo seguem o mesmo ciclo, mas com diferentes trade-offs.