Промпты для генерации видео из изображений PixVerse V6: 4 рецепта с реальными фрагментами

Когда вы переходите от генерации видео по тексту к генерации видео из изображения, задача промпта полностью меняется. В режиме текст-в-видео вам нужно описать целый мир — субъект, сцену, камеру, свет, — потому что модель строит кадр с нуля. А в режиме изображение-в-видео этот мир уже существует: ваш статичный кадр и есть первый кадр. Единственная оставшаяся задача промпта — указать, что движется и как движется камера.

Из-за этого сдвига многие спотыкаются. Они вставляют в pixverse-v6/image-to-video богатый промпт с описанием сцены, и модель пытается одновременно учесть картинку и текст — в результате либо почти ничего не движется, либо изображение искажается, идя против картинки. Решение — писать о движении, а не о пейзаже.

Ниже — четыре готовых к копированию рецепта для pixverse-v6/image-to-video на hiapi, каждый построен вокруг своего типа движения: движение камеры, движение субъекта, атмосфера среды и вертикальный кадр, задаваемый форматом изображения. В каждом рецепте показан мой реальный первый кадр, точное тело запроса, которое я отправил, и фактический фрагмент, полученный через живой API — без стокового материала, без симуляций.

Что меняется, когда первый кадр зафиксирован

pixverse-v6/image-to-video принимает ваше изображение как image_url и оживляет его. Отсюда напрямую следуют несколько выводов, которые формируют каждый промпт на этой странице:

• Композиция заблокирована. Вы не можете перекомпоновать субъект или изменить расстановку сцены в промпте — это уже задано изображением. Требование другой компоновки приведёт только к деформации. Вместо этого описывайте движение внутри кадра.
• Нет поля aspect_ratio. У эндпоинта текст-в-видео оно есть; этот эндпоинт его отвергает. Формат фрагмента наследует форму входного изображения, поэтому если вам нужен вертикальный результат 9:16, обрежьте или сгенерируйте вертикальный кадр до отправки (именно так сделано в рецепте 4).
• Реальные рычаги — на стороне движения. prompt (движение), duration (1–15 секунд), resolution (360p/540p/720p/1080p), опциональные generate_audio, negative_prompt, seed и пресет style. Полная таблица полей — в документации по видео из изображения; эта страница посвящена промптам.

Каждый запрос ниже — это POST /v1/tasks; затем вы опрашиваете задачу, пока она не вернёт URL фрагмента. Если нужны детали конвейера (curl + Python, цикл опроса), они есть на странице модели. Здесь мы сосредоточимся на поле, которое вы действительно настраиваете при каждой съёмке: промпт движения.

Рецепт 1 — движение камеры по зафиксированному кадру

Самый надёжный способ оживить пейзажный статичный кадр — двигать камеру, а не сцену. Выберите одно чёткое движение — наезд, медленный проезд, мягкий подъём — опишите его просто и добавьте небольшие вторичные движения, которые делают его правдоподобным (плывущий туман, рябь на воде). Сохранение «горизонтальности» линии горизонта в промпте не даёт модели наклонить кадр, придумывая движение.

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/01-cabin-pushin-frame.jpg",
    "prompt": "Медленный, плавный кинематографический наезд на хижину. Туман низко стелется над озером, вода легко рябит. Сосны качаются на ветру. Неспешное утреннее движение; линия горизонта остаётся ровной.",
    "duration": 5,
    "resolution": "720p",
    "generate_audio": true,
    "negative_prompt": "панорамирование, резкие склейки, искажение, мерцание, люди"
  }
}

Во фрагменте камера плавно скользит вперёд — к концу хижина и заснеженные вершины заметно увеличиваются в кадре — а туман скользит над водой, отражения остаются стабильными. Линия горизонта ни разу не наклонилась, а поскольку generate_audio включён, файл возвращается с уже наложенным тихим окружающим звуком (наличие аудиодорожки можно проверить через ffprobe).

Почему это работает: один ведущий глагол движения камеры («наезд»), два тихих движения среды и инструкция по стабильности. generate_audio: true накладывает подходящий звук среды в том же вызове — без отдельного шага с аудио.

Рецепт 2 — оживление уже существующего субъекта

Когда в центре внимания человек или продукт, хитрость в том, чтобы просить только то движение, которое разумно достижимо из текущей позы. Наш субъект держит чашку и смотрит вниз, поэтому «поднять чашку, сделать глоток, поднять взгляд, улыбнуться» — естественная дуга. Избыточные требования («она встаёт и уходит») — вот что вызывает поплывшие лица и лишние пальцы, поэтому это тот рецепт, где negative_prompt себя оправдывает.

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/02-cafe-sip-frame.jpg",
    "prompt": "Женщина медленно поднимает чашку, делает маленький глоток, затем поднимает глаза к камере с мягкой естественной улыбкой. Лёгкое моргание и небольшой наклон головы; над чашкой вьётся слабый пар. Фон остаётся неподвижным.",
    "duration": 5,
    "resolution": "720p",
    "negative_prompt": "искажение лица, деформация рук, лишние пальцы, деформация черт лица, искажение, мерцание"
  }
}

Результат следует этим тактам по порядку: она поднимает чашку, и к концу её взгляд уже поднялся от чашки к камере и остановился на лёгкой улыбке. Лицо и руки остаются чистыми на протяжении всего движения — на человеческом субъекте именно это даёт загруженный negative_prompt.

Почему это работает: движение соответствует позе, такты упорядочены («поднимает… глоток… поднимает взгляд… улыбается»), а negative_prompt загружен конкретными режимами отказа для видео из изображения с людьми — лицо и руки.

Рецепт 3 — движение среды при неподвижной камере

Не каждый фрагмент нуждается в движении камеры. Иногда самый кинематографичный результат — это кадр, который остаётся на месте, а движется только мир: дождь, пар, мерцающий неон, прохожий. Ключевая фраза здесь — прямо сказать камере стоять на месте, иначе модель часто добавляет медленный дрейф, которого вы не просили.

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/03-ramen-rain-frame.jpg",
    "prompt": "Камера неподвижна, абсолютно никакого движения. Мелкий дождь непрерывно падает тонкими струями; неоновые вывески мерцают на мокрой земле; из раменного котла поднимается пар; один-два прохожих медленно проходят вдали под зонтами.",
    "duration": 5,
    "resolution": "720p",
    "generate_audio": true,
    "negative_prompt": "тряска камеры, зум, панорамирование, движение камеры, искажение, плавящиеся вывески"
  }
}

Кадр остаётся на месте от начала до конца — лоток, табуреты и уходящая улица не двигаются — в то же время пар валит из котла, мокрая земля мерцает неоновыми отражениями, а фигуры под зонтами движутся по фону. Никакого медленного зума, никакого дрейфа. При включённом аудио возвращаемый фрагмент содержит подходящий звук дождливой улицы.

Почему это работает: «неподвижна, абсолютно никакого движения» плюс тряска камеры, зум, панорамирование, движение камеры в негативном промпте прибивают камеру, так что весь бюджет движения уходит в атмосферу. Включённое аудио добавляет звук дождя и уличный фон.

Рецепт 4 — вертикальное видео из вертикального кадра

Этот рецепт закрепляет самое главное правило видео из изображения: геометрия берётся из вашего изображения. Поскольку ручки aspect_ratio нет, единственный способ получить вертикальный фрагмент 9:16 — подать кадр 9:16, поэтому этот статичный кадр сгенерирован вертикальным. Ещё я передал на этом style: anime, чтобы проверить, перекрасит ли пресет (anime, 3d_animation, clay, comic, cyberpunk) уже фотореалистичный кадр. Ответ показателен — см. ниже.

{
  "model": "pixverse-v6/image-to-video",
  "input": {
    "image_url": "https://static.hiapi.ai/blog/pixverse-v6-image-to-video-prompt-recipes/04-skate-vertical-frame.jpg",
    "prompt": "Скейтбордист ныряет вниз и мчится по рампе быстрыми уверенными движениями; доска поднимает немного пыли, куртка и волосы развеваются на ветру. Энергичное, динамичное действие, удерживаемое в стабильном вертикальном кадре.",
    "duration": 5,
    "resolution": "720p",
    "style": "anime",
    "negative_prompt": "размытие, искажение конечностей, искажение, низкая энергия, чёрные полосы по бокам"
  }
}

Фрагмент возвращается как 720×1280 — вертикальный — прямо из вертикального кадра, причём поля aspect_ratio нигде в запросе нет. Нырок и скольжение выглядят быстро и чисто, на доске и стене рампы есть естественное размытие движения. Однако пресет style: anime не дал видимого эффекта — результат остался полностью фотореалистичным, следуя внешнему виду входного изображения, а не преобразуясь в аниме. В видео из изображения первый кадр задаёт внешний вид.

Что из этого следует: вертикальный кадр принудительно даёт вертикальный фрагмент, поле aspect_ratio вообще не нужно, а «стабильный вертикальный кадр» плюс чёрные полосы по бокам в негативном промпте удерживают его полноэкранным, без чёрных полос по бокам. Не полагайтесь на style для преобразования фотореалистичного кадра — если вам нужен аниме или пластилиновый вид, сгенерируйте первый кадр в этом стиле до анимации.

Тонкая настройка

Когда рецепт близок к цели, вот рычаги, которые продвигают результат:

• duration — целое число, 1–15 секунд (по умолчанию 5). Более длинные фрагменты стоят пропорционально дороже и дают модели больше пространства для дрейфа, поэтому делайте демонстрации короткими и плотными.
• negative_prompt — ваш главный тормоз артефактов. Для людей перечисляйте лицо/руки; для неподвижных кадров — движение камеры; для стилизованных кадров — чёрные полосы по бокам.
• seed — передайте целое число, чтобы сделать внешний вид воспроизводимым, и затем меняйте только промпт для итераций.
• resolution + generate_audio — эти два определяют цену. При 720p фрагмент без звука стоит $0.0645/сек, со звуком — $0.086/сек; при 1080p — $0.129/сек / $0.1645/сек. Пятисекундный фрагмент 720p со звуком стоит около $0.43. Текущие тарифы за секунду по каждому уровню — на странице цен.

Частые вопросы

Почему у pixverse-v6/image-to-video нет поля aspect_ratio? Потому что вы предоставляете первый кадр, и выходная геометрия следует за этим изображением. Выбирать пропорции нечего — фрагмент выходит той же формы, что и ваш image_url. Для вертикального результата сначала обрежьте или сгенерируйте кадр как 9:16 (рецепт 4).

Насколько длинным может быть фрагмент видео из изображения? duration принимает целые числа от 1 до 15 секунд, по умолчанию 5. Это должно быть число, а не строка.

Могу ли я получить звук в том же вызове? Да. Установите generate_audio: true, и модель добавит подходящую музыку/звук среды к фрагменту — без отдельного запроса. По умолчанию выключено; при включении вы попадаете в ценовой уровень «со звуком».

У моего субъекта искажается лицо или руки. Как это исправить? Два рычага. Во-первых, просите только то движение, которое достижимо из начальной позы — небольшие разумные движения анимируются чисто; крупные (встать, уйти) легко деформируются. Во-вторых, загрузите в negative_prompt конкретные термины отказа: искажение лица, деформация рук, лишние пальцы, деформация черт лица.

Перестилизует ли пресет style моё входное изображение? В видео из изображения на это не рассчитывайте. Когда я отправил фотореалистичный кадр и установил style: anime, фрагмент вернулся фотореалистичным — входное изображение доминировало над внешним видом, пресет не дал видимого эффекта. Если вам нужен определённый стиль (аниме, пластилин, комикс), надёжный способ — сгенерировать или отредактировать первый кадр в этом стиле до анимации.

Чем это отличается от промптов для видео по тексту? В видео по тексту вы строите всю сцену словами; в видео из изображения сцена фиксирована вашим кадром, и вы описываете только движение и камеру. Если вы хотите генерировать движение из текстового описания, а не из статичного кадра, это pixverse-v6/text-to-video.

Ключевые выводы

• Пишите движение, а не пейзаж — первый кадр уже содержит сцену, поэтому тратьте промпт на то, что движется и как движется камера.
• Нет aspect_ratio: фрагмент наследует форму вашего кадра, поэтому задавайте вертикальный/горизонтальный формат через выбор входного изображения.
• Согласуйте движение с позой и используйте negative_prompt — в этом разница между чистой анимацией субъекта и искажённым лицом.
• generate_audio и resolution — два поля, определяющие вашу цену; пятисекундный фрагмент 720p стоит значительно меньше доллара.

Выберите рецепт, ближайший к вашей съёмке, подставьте свой image_url и отправьте на pixverse-v6/image-to-video. Если вы начинаете с текстовой идеи, а не со статичного кадра, начните с каталога моделей и выберите линейку текст-в-видео.