Receitas de prompts de texto para vídeo do Veo 3.1 Lite: 2 prompts prontos para copiar e colar com resultados reais

veo-3.1-lite/text-to-video é um dos poucos modelos de texto para vídeo no hiapi em que o áudio não é tudo ou nada — a flag generate_audio permite ligar ou desligar o som nativo por requisição, e isso muda o preço por segundo. Isso o torna ótimo para aprender duas tarefas diferentes: uma cena ambiente que depende de som em camadas e um loop de produto vertical pensado para reprodução automática silenciosa. Se você quer um modelo que sempre traga áudio embutido, sem precisar pedir, o wan2.7-video/text-to-video é o comparativo mais próximo.

Este guia traz duas receitas de prompts veo-3.1-lite/text-to-video prontas para copiar e colar, cada uma com o resultado real de primeira geração do prompt impresso ao lado, gerado via API de tarefas do hiapi — sem seleção entre seeds, sem reroll. Os dois clipes custaram $0.64 no total.

Estrutura da requisição (leia primeiro)

O veo-3.1-lite/text-to-video roda no endpoint de tarefas assíncronas do hiapi. Os campos-chave nas duas receitas abaixo:

• prompt — a cena: sujeito, ação, fundo, câmera e (se o áudio estiver ligado) som.
• duration — em segundos; o modelo oferece clipes de 4, 6 ou 8 segundos.
• resolution — 720p ou 1080p.
• aspect_ratio — composição horizontal ou vertical; usamos 16:9 e 9:16 abaixo.
• generate_audio — booleano. Defina como true para cenas que precisam de trilha sonora e false para loops silenciosos — desligado sai mais barato por segundo.

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
    }
  }'

A resposta retorna imediatamente um taskId; faça polling em GET /v1/tasks/{taskId} até que status seja success e baixe output[0].url na hora — é um link temporário.

Receita 1: cena ambiente, áudio ligado

A tarefa aqui é entregar uma paisagem sonora em camadas de verdade sob um movimento de câmera realista — o tipo de clipe que uma marca de café postaria de fato com o som ligado:

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.

Parâmetros: duration: 4, resolution: 720p, aspect_ratio: 16:9, generate_audio: true — custou $0.40.

Saída de primeira geração:

O despejo é o plano inteiro, e o modelo manteve isso: a espiral da água, o vapor que sobe e o push-in lento duram os quatro segundos completos, sem derivar para um corte. O fundo entrega exatamente o que "desfocado" e "frequentadores do mercado" pedem — formas se movendo contra o toldo de lona, nunca nítidas o bastante para disputar atenção com o despejo. Com o áudio ligado, a cláusula de som se manifesta em três camadas claras: o sibilo e o crepitar próximos do despejo, uma parede suave de vozes ao fundo e o vento atravessando os dois. Esse é o padrão que vale copiar — nomeie cada camada de áudio separadamente (som em primeiro plano, multidão ambiente, ambiência), em vez de escrever um vago "som de mercado".

Receita 2: loop de produto silencioso, áudio desligado

A segunda tarefa é a intuição contrária: um plano comercial de câmera travada definido com generate_audio: false, porque loops de produto para feeds de reprodução automática silenciosa não precisam de trilha sonora — pular isso ainda reduz o preço por segundo:

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.

Parâmetros: duration: 4, resolution: 720p, aspect_ratio: 9:16, generate_audio: false — custou $0.24.

Saída de primeira geração:

Cada restrição do prompt pode ser lida na imagem: o quadro nunca faz pan nem deriva, o único movimento é a rotação do estojo e o realce circular do spotlight varre exatamente a tampa conforme a superfície gira. É isso que se ganha com "a câmera permanece travada, centralizada, sem movimento exceto X" — declarar o que deve ficar parado é tão importante quanto declarar o que deve se mover. E como esse loop funciona sem voz ou base musical (a maioria dos veículos comerciais adiciona a própria música), desligar generate_audio não é concessão — sai 40% mais barato por segundo em 720p, sem nenhuma perda no clipe.

Folha de referência rápida

1. Trate generate_audio como decisão criativa, não como padrão. Cenas ambientes e beats narrativos precisam dele ligado; loops de produto travados para feeds silenciosos não — desligar deixa 40% mais barato por segundo em 720p ($0.06 contra $0.10).
2. Com o áudio ligado, nomeie cada camada de áudio separadamente — som em primeiro plano, multidão ou ruído de sala ao fundo, ambiência — em vez de um vago "ruído de fundo".
3. Em planos de câmera travada, declare o que não deve se mover ("a câmera permanece travada, centralizada, sem movimento exceto a rotação lenta do estojo"). Isso é tão importante quanto descrever o que deve se mover.
4. Faça o aspect_ratio corresponder à plataforma: 16:9 para cenas ambientes ou horizontais, 9:16 para loops verticais de produto ou comerciais.
5. Prototipe com 4 segundos primeiro, depois invista nas opções mais longas de 6 ou 8 segundos.

Quanto custa

O veo-3.1-lite/text-to-video é cobrado por segundo de saída, com tarifa que depende da resolução e de o áudio estar ligado:

Configuração	Preço por segundo
720p, com áudio (padrão)	$0.10
720p, sem áudio	$0.06
1080p, com áudio	$0.14
1080p, sem áudio	$0.10

Os clipes podem ter 4, 6 ou 8 segundos. Os dois clipes deste artigo — um de 4 segundos em 720p com áudio e um de 4 segundos em 720p sem áudio — custaram $0.64 no total. As tarifas atuais estão sempre na página de preços.

Experimente

As duas receitas acima rodam no nível padrão de 720p; troque pelo seu próprio sujeito, decida de antemão se o plano precisa de trilha sonora e envie para a API de tarefas. A página do modelo veo-3.1-lite/text-to-video tem a referência de parâmetros ao vivo e os preços atuais. Se o seu plano está mais para uma cena narrativa que deveria sempre ter som, as receitas de prompts de texto para vídeo do wan2.7 são um comparativo útil: mesma estrutura de API de tarefas, com áudio embutido em vez de opcional.