Veo 3.1 imagem para vídeo: transforme uma imagem estática em um anúncio curto via API

Vídeos curtos têm uma aritmética de produção cruel: TikTok e Reels vencem pelo volume de publicações, mas um único anúncio de produto refinado pode consumir uma tarde inteira de filmagem, edição e design de som. O modelo de imagem para vídeo Veo 3.1 do Google (veo-3.1/image-to-video) comprime esse pipeline em duas chamadas de API — uma imagem estática barata, uma tarefa de vídeo — e retorna um vídeo vertical já com áudio nativo mixado.

Abaixo está a saída completa gerada por este pipeline para este artigo. Uma imagem de origem de US$ 0,03, uma chamada de API, 115 segundos de espera:

Ligue o som — o baque surdo do pouso, o pulso ambiente de graves e o chiado da névoa foram todos gerados pelo modelo. Nada aqui passou por edição humana, correção de cor ou design de som. Neste guia, vamos construir esse vídeo de ponta a ponta pela API de tarefas hiapi e, em seguida, escalar o mesmo fluxo de trabalho em um pipeline em lote para produzir variantes em formato curto.

Por que imagem para vídeo é a ferramenta certa para formato curto

Texto para vídeo é ótimo para exploração, mas o conteúdo comercial em formato curto geralmente parte de material que você já controla: fotos de produto, imagens de embalagem, quadros de pôster. Imagem para vídeo adiciona movimento mantendo essa identidade visual intacta. Para o formato TikTok/Reels, três características do veo-3.1/image-to-video são especialmente importantes:

1. A saída segue a proporção da sua entrada. Não há parâmetro aspect_ratio — o modelo herda a composição da imagem que você fornece. Dê a ele uma imagem estática vertical 9:16 e você recebe um vídeo vertical 9:16. Os dois vídeos deste artigo saíram exatamente em 1080×1920 e 720×1280, porque as imagens estáticas de origem eram 9:16. Suas decisões de composição são tomadas uma única vez, na fase da imagem.
2. Áudio nativo. Cada vídeo vem com uma faixa de áudio AAC de 48 kHz gerada a partir do seu prompt — foley, ambiência e textura musical. Para formato curto, onde conteúdo mudo com reprodução automática converte menos do que conteúdo com som, isso elimina uma etapa inteira de edição.
3. Resoluções adequadas às plataformas. Use 720p para rascunhos, 1080p para verticais com qualidade de feed e 4k quando o vídeo curto também servir como master para outros posicionamentos.

Estrutura dos parâmetros de entrada (verificada na API ao vivo)

Antes de escrever este guia, testamos o endpoint ao vivo. A estrutura de parâmetros é estrita — campos desconhecidos são rejeitados com erro 400, então não tente adivinhar:

Campo	Obrigatório	Tipo	Valor
prompt	Recomendado	string	Instruções de movimento, câmera e áudio
image_url	Sim	string	Uma URL de imagem publicamente acessível
resolution	Sim	string	720p, 1080p, 4k
duration	Sim	integer	4, 6 ou 8 (segundos)

Duas armadilhas que vale a pena conhecer de antemão: image_url é singular — este é um modelo de referência única, não um misturador de várias imagens — e a URL precisa ser publicamente acessível (hospede no seu próprio CDN ou object storage; links assinados de localhost não funcionam).

Passo 1 — Gerar a imagem estática de origem

Qualquer imagem 9:16 serve, incluindo fotos reais de produto. Geramos nossa imagem de origem com gpt-image-2 por US$ 0,03, mantendo todo o pipeline dentro de uma única API:

curl -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-image-2/text-to-image",
    "input": {
      "prompt": "Vertical product hero shot of a chunky retro basketball sneaker in wolf-gray suede with volt yellow laces, floating at a slight tilt above a wet concrete pedestal, dramatic teal-to-amber gradient backdrop, fine mist and dust particles suspended in hard rim light, ultra-sharp commercial product photography, no text, no logos",
      "aspect_ratio": "9:16",
      "resolution": "1K"
    }
  }'

As regras de composição para uma boa imagem de origem para i2v são as mesmas que você daria a um fotógrafo de natureza morta, mais uma: deixe margem para o movimento. Nosso tênis flutua acima do pedestal exatamente para dar ao modelo de vídeo uma ação física óbvia para executar — fazer o tênis cair sobre a pedra. Um sujeito congelado no meio da ação dá ao Veo uma história para completar; uma imagem de embalagem estática e centralizada não lhe dá nada, e você só recebe preenchimento com câmera à deriva.

Passo 2 — Enviar a tarefa de vídeo

Mesmo endpoint /v1/tasks, modelo diferente. O prompt deve orientar três canais ao mesmo tempo: movimento do sujeito, câmera e áudio.

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/image-to-video",
    "input": {
      "prompt": "The sneaker slowly rotates about 90 degrees as the camera pushes in from a low angle. Dust particles drift through the rim light. The shoe settles onto the wet stone pedestal with a deep, satisfying thud, sending a soft ring of mist rolling off the edges. A warm light sweep travels across the suede texture. Subtle bass-heavy electronic pulse builds in the background with a low whoosh on the landing. Cinematic product commercial, smooth stabilized motion, no text overlays.",
      "image_url": "https://your-cdn.example.com/stills/sneaker-916.jpg",
      "resolution": "1080p",
      "duration": 6
    }
  }'

A resposta retorna imediatamente um ID de tarefa:

{"code": 200, "data": {"taskId": "tk-hiapi-01KXCTHP6F6VXQ9XZCSCCEEEMM"}, "message": "success"}

Observe que o prompt é escrito na ordem de reprodução do vídeo: rotação → aproximação → pouso → varredura de luz, com as indicações de áudio anexadas ao momento a que pertencem (o "thud" no pouso, o pulso abaixo). O Veo segue a ordem dos eventos no prompt de forma muito literal — é exatamente isso que o torna programável.

Passo 3 — Consultar e baixar

Tarefas de vídeo são assíncronas. Consulte a tarefa até que status mude para success e então baixe a saída imediatamente — essa URL é um link temporário com timestamp expireAt, não armazenamento permanente:

import os, time, requests

API = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": f"Bearer {os.environ['HIAPI_API_KEY']}"}

def wait_and_download(task_id: str, out_path: str, timeout_s: int = 900):
    deadline = time.time() + timeout_s
    while time.time() < deadline:
        task = requests.get(f"{API}/{task_id}", headers=HEADERS, timeout=30).json()["data"]
        if task["status"] == "success":
            url = task["output"][0]["url"]          # temp link — expires!
            clip = requests.get(url, timeout=120).content
            with open(out_path, "wb") as f:
                f.write(clip)                        # persist to your own storage now
            return out_path
        if task["status"] == "fail":
            raise RuntimeError(task.get("error"))
        time.sleep(10)
    raise TimeoutError(task_id)

Na nossa execução, o vídeo de 6 segundos em 1080p levou 115 segundos do envio à conclusão. É rápido o suficiente para entrar em um pipeline de conteúdo sem precisar de fila na frente.

Rascunho barato, finalização refinada: fluxo de trabalho em duas camadas

O Veo 3.1 tem uma camada rápida — veo-3.1-fast/image-to-video — com estrutura de entrada idêntica e custo por segundo menos da metade. Isso habilita um fluxo de trabalho emprestado da fotografia: tirar polaroids antes de queimar filme. Itere seu prompt de movimento na camada rápida em 720p e re-renderize apenas o prompt vencedor na camada padrão.

Aqui está o rascunho na camada rápida com exatamente o mesmo prompt e imagem estática de origem (6 segundos, 720p, US$ 1,50, concluído em 58 segundos):

O rascunho acerta as mesmas batidas — rotação, pouso, névoa — mas o detalhe de textura é visivelmente mais simples e a mixagem de áudio é mais achatada. Para iteração de prompt, isso é tudo o que você precisa: você está verificando a coreografia, não o acabamento final. Os dois vídeos deste artigo acertaram na primeira tomada; a camada rápida é como você garante que a tomada na camada padrão seja a única que você paga.

Escalando para produção em lote

Estratégia de formato curto é um jogo de volume — você quer de 5 a 10 variantes por produto para testar ganchos. Como tudo roda em um único endpoint assíncrono, processamento em lote é só um loop: envie todas as tarefas primeiro e depois colete.

STILLS = [
    ("sneaker-916.jpg",  "rotates and lands on the pedestal with a deep thud..."),
    ("bottle-916.jpg",   "condensation beads race down the glass as camera orbits..."),
    ("headphones-916.jpg","earcup unfolds in slow motion, soft click, synth swell..."),
]

task_ids = []
for still, motion in STILLS:
    r = requests.post(API, headers=HEADERS, json={
        "model": "veo-3.1-fast/image-to-video",   # draft tier for the first sweep
        "input": {
            "prompt": motion,
            "image_url": f"https://your-cdn.example.com/stills/{still}",
            "resolution": "720p",
            "duration": 6,
        },
    }, timeout=60).json()
    task_ids.append(r["data"]["taskId"])

for i, tid in enumerate(task_ids):
    wait_and_download(tid, f"draft-{i}.mp4")

Enviar primeiro e coletar depois é importante: os vídeos são gerados em paralelo no lado da plataforma, então dez rascunhos levam aproximadamente o tempo de um rascunho, e não dez vezes mais.

Quanto custa

Conforme a tabela de preços do hiapi, as duas camadas cobram por segundo de vídeo de saída:

Modelo	Preço	Vídeo de 4 s	Vídeo de 6 s	Vídeo de 8 s
veo-3.1/image-to-video	US$ 0,57/s	US$ 2,28	US$ 3,42	US$ 4,56
veo-3.1-fast/image-to-video	US$ 0,25/s	US$ 1,00	US$ 1,50	US$ 2,00

Tudo o que este artigo mostra — uma imagem estática de origem, uma imagem de capa, um rascunho rápido, uma versão final em 1080p — custou US$ 4,98 em API. Um fluxo de trabalho com três rascunhos rápidos mais uma versão final padrão custa cerca de US$ 8 por vertical finalizado, o que é uma ordem de magnitude totalmente diferente de um dia de filmagem.

Perguntas frequentes

Como controlar a proporção? Não dá — a saída herda o formato da imagem de entrada. Para TikTok/Reels, gere ou corte a imagem estática de origem em 9:16 antes de enviar. Nossa imagem estática 9:16 gerou exatamente uma saída de 1080×1920.

O áudio é realmente gerado? Sim. Os dois vídeos acima trazem faixas de áudio AAC de 48 kHz geradas pelo modelo — foley (o baque do pouso), ambiência e textura musical, todos guiados pelo prompt. Descreva os sons no prompt no momento em que devem acontecer.

Quanto tempo demora a geração? Nas nossas execuções medidas: 58 segundos para um vídeo rápido de 6 s em 720p, e 115 segundos para um vídeo padrão de 6 s em 1080p. Reserve alguns minutos por vídeo e use o padrão de enviar tudo e depois coletar para processamento em lote.

Posso usar fotos reais de produto em vez de imagens geradas? Claro — esse é o caso de uso principal. A imagem só precisa ser publicamente acessível por URL. Mantenha o sujeito nítido, deixe margem para o movimento e descreva no prompt o movimento que você quer.

Quando vale pagar por 4k? Quando o vertical também servir como ativo master — corte a partir da fonte 4k para posicionamentos em feed, hero do site e unidades pagas. Para entrega exclusiva em feed, 1080p é a resolução final para a qual as plataformas transcodificam.

Publique seu primeiro vídeo curto

Todo o pipeline são dois POSTs mais uma consulta: entra imagem estática, sai anúncio vertical com som, em cerca de dois minutos. Obtenha sua chave de API, aponte os trechos de código acima para sua melhor foto de produto e rode um rascunho rápido em 720p — seis segundos por US$ 1,50, o teste mais barato que você pode encomendar. Parâmetros completos e exemplos ao vivo estão na página do modelo veo-3.1/image-to-video; se você estiver comparando engines de i2v, nossas receitas de prompt de imagem para vídeo do Hailuo 2.3 são ótimas para uma comparação lado a lado.