Ray 3.2 текст в видео: пакетный рабочий процесс для вертикальных коротких видео

Краткий обзор

• Что это: повторяемый пакетный рабочий процесс, который с помощью ray-3.2/text-to-video в API hiapi превращает строки текста в вертикальные короткие ролики в стиле Reels/TikTok/Shorts — без входных изображений, без подготовки материалов.
• Для кого: для социальных и контент-команд, которым нужен объём — несколько свежих идей в формате 9:16 каждую неделю для тестирования, а не один ключевой ролик в месяц.
• Ключевой факт, определяющий всё: ray-3.2 t2v тарифицируется только по длительности × разрешению. Соотношение сторон бесплатно, поэтому вертикальный 9:16 стоит ровно столько же, сколько горизонтальный 16:9. Единственный рычаг, которым вы управляете объёмом, — это уровень разрешения.
• Практика, а не теория: каждый ролик ниже был создан для этой статьи в рамках одного пакетного задания — четыре 5-секундных ролика 540p 9:16, по $0.2145 за каждый, всего $0.858, каждый рендерился на сервере за 37–87 секунд.

Ray 3.2 (текст-в-видео модель Luma в списке hiapi) отлично подходит для коротких видео, потому что делает именно то, что нужно коротким видео: создаёт совершенно новый 5-секундный кадр из одного описания. Не нужно предоставлять кадры, не нужно анимировать фотографии продукта, не нужно готовить референсные материалы. Вы пишете хук — и получаете ролик. Это делает его правильным инструментом для пакетной генерации идей, и именно поэтому этот рабочий процесс выглядит иначе, чем руководства по коротким видео из изображений и из референсов для других моделей.

Текст в видео или изображение в видео — сначала выберите правильный вход

Оба работают через один и тот же API асинхронных заданий, но решают разные задачи:

• Текст в видео (эта страница): только из промпта. Лучше всего для совершенно новых концепций, атмосферных фрагментов и B-roll, которого у вас нет — или к которому вы не хотите быть привязаны. Модель свободно выстраивает весь кадр, и именно это нужно, когда вам требуется пакетно производить варианты.
• Изображение в видео: из первого кадра, который у вас уже есть. Если у вас есть ключевое фото продукта и вы хотите, чтобы двигался именно этот объект, используйте ray-3.2/image-to-video — он привязывает изображение к вашему кадру и анимирует его на этой основе.

Практическое правило: если нужно «дайте мне три новых вступления для этой кампании» — это текст в видео. Если нужно «оживите именно это изображение продукта» — это изображение в видео. Остальная часть статьи посвящена первому случаю.

Ценовой факт, который определяет весь ваш рабочий процесс

Ниже приведён полный актуальный прайс-лист ray-3.2/text-to-video (проверено на момент написания по ценам hiapi — всегда сверяйтесь там, а не здесь):

Длительность	Разрешение	Цена за ролик
5s	540p	$0.2145
5s	720p	$0.429
5s	1080p	$1.7145
10s	540p	$0.643
10s	720p	$1.286
10s	1080p	$5.143

Обратите внимание, чего в таблице нет: соотношения сторон. Ray 3.2 тарифицируется только по длительности и разрешению, поэтому вертикальный 9:16 стоит столько же, сколько 16:9, 1:1 или 21:9. Один этот факт меняет то, как вы планируете пакет коротких видео:

• 540p — ваш тестовый уровень. При $0.2145 за ролик вы можете сгенерировать 10–15 концепций по цене одного ключевого ролика 1080p. Вертикальная лента в соцсетях просматривается на телефоне в небольшом размере — 540p (на выходе 540×960 при 9:16, подробнее ниже) вполне чётко читается для первого раунда A/B-тестирования.
• 720p / 1080p — ваш финальный уровень. Как только концепция побеждает, просто перегенерируйте версию 720p или 1080p для этого промпта для фактической публикации.
• Длительность — фиксированный уровень, а не ползунок. Доступны только 5 или 10 секунд — варианта 7 секунд нет — и 10 секунд стоят примерно в 3 раза дороже 5 секунд. Для коротких видео, движимых хуком, 5 секунд обычно и есть нужная единица, а затем вы складываете несколько в монтаже.

Именно эта форма «дёшево исследовать, платить только за победителей» и есть причина выполнять весь этот рабочий процесс пакетно на 540p.

Один запрос, один блок кода

Ray 3.2 t2v принимает небольшой закрытый набор входных полей:

Поле	Обязательно	Значения
prompt	да	описание вашей сцены
duration	да	5 или 10 (целые секунды)
resolution	да	540p, 720p или 1080p
aspect_ratio	да	9:16, 16:9, 1:1, 4:3, 3:4, 21:9

Один вертикальный ролик — это один POST на эндпоинт асинхронных заданий:

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"
    }
  }'

Ответ возвращает data.taskId. Затем вы опрашиваете GET /v1/tasks/{taskId}, пока data.status не станет "success", и скачиваете output[0].url. Это обзор механизма — полный разбор запроса/ответа, жизненный цикл статусов, версия на Python и обработка ошибок приведены в сопутствующем практическом руководстве: Ray 3.2 текст в видео API: руководство по curl и Python. Впервые работаете с API заданий? Начните с быстрого старта.

Пишите промпты, которые действительно читаются как вертикальные

5 секунд и отсутствие входных кадров — это плотное творческое требование. Четыре привычки дали заметную разницу в этом пакете:

1. Явно указывайте «vertical 9:16» (вертикально 9:16) в промпте и компонуйте для высокого кадра — располагайте один объект по центру по вертикали, а не позволяйте обрезке бороться с широкой горизонтальной сценой.
2. Тратьте хук на первую секунду. Короткое видео выигрывает или проигрывает с первого кадра, поэтому описывайте то, что начинает двигаться сразу («the spiral catches the light in the first second» — спираль ловит свет в первую секунду).
3. Указывайте движение камеры — наезд, движение крана вниз, медленный облёт. Ray 3.2 хорошо реагирует на явное направление движения, а движение — это то, что заставляет ролик ощущаться контентом, а не слайдом.
4. Один ролик — одна идея. За пять секунд не расскажешь историю, но можно поставить один такт. Дайте ей только одно.

Ниже приведены четыре промпта из этого пакета, каждый — отдельный тип вертикальных коротких видео, который вы действительно вписываете в бриф — еда и напитки, POV-путешествие, продукт для электронной коммерции и атмосфера бренда на открытом воздухе. Каждый ролик — сырой вывод модели без какой-либо обработки.

1 · Напиток / стол (см. обложку выше). Аппетитный контент с использованием продукта. Промпт начинается с наливания и света, чтобы хук пришёлся на первый кадр:

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-путешествие. Энергия от первого лица без человека в кадре — самый быстрый способ остановить ленту. Подсказка «handheld bounce» (ручная тряска) придаёт ему ощущение влога:

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 · Продукт-герой (электронная коммерция). Чистый вращающийся подиум с тактом «раскрытия» — подходит для запуска новинки или акцента на функции:

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 · Открытый воздух / атмосфера бренда. Пикирование дрона для лайфстайл и туристических брендов — с направлением «резкое снижение в первую секунду, затем плавный переход в облёт», что придаёт ему намеренное двухфазное движение:

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

Четыре промпта, четыре типа вертикальных видео, одна модель, всего $0.858. Это один пакет.

Запускайте пакет, не наблюдая за ним всё время

Поскольку API заданий асинхронный, эффективная схема — сначала веером отправить, затем собрать вместе — не генерируйте один, ждите, затем генерируйте следующий. Отправьте весь пакет сразу, позвольте каждому ролику рендериться параллельно выше по потоку, сохраните каждый taskId в момент его получения и только затем начинайте опрос:

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

Этот запуск научил (или подтвердил) две вещи, которые стоит встроить в процесс:

• Опрашивайте сохранённые taskId; никогда не отправляйте заново. id тарифицируется в момент вашего POST, поэтому если опрос сбился из-за временной сетевой ошибки, перехватите её и повторите тот же id — повторная отправка приведёт к двойному списанию. Сохранение id на диск также означает, что упавший запуск можно восстановить опросом, а не повторным созданием.
• Ожидайте около 40–90 секунд на каждый ролик 540p. В этом пакете четыре ролика завершились на сервере за 37, 38, 70 и 87 секунд соответственно. Веерная отправка означает, что весь набор завершится примерно за время самого медленного ролика, а не за их сумму.

Для запросов 540p 9:16 вы получаете H.264 MP4 размером 540×960, 24fps, около 5,04 секунд — так что «540p» относится к короткой стороне, вертикальный кадр изначально высокий, обрезка на вашей стороне не нужна.

От сырого ролика к опубликованному короткому видео

Два практических ограничения, которые нужно планировать заранее:

• Ролики беззвучные. Ray 3.2 t2v выводит только изображение — без звуковой дорожки. Для коротких видео это нормально: импортируйте ролик в свой видеоредактор и добавьте там популярную музыку, закадровый голос или субтитры. Планируйте этап монтажа; не ожидайте, что API выдаст готовый к публикации файл.
• Пять секунд — это такт, а не видео. Повторяемый подход — генерировать несколько 5-секундных роликов (как описано выше), затем складывать три-четыре в 15–20-секундный монтаж с жёсткими склейками на тактах. Каждый ролик — хук; история — в монтаже.

Таким образом, сквозной цикл таков: пакетно генерировать концепции на 540p → выбрать победителей → перегенерировать только для этого промпта в 720p/1080p → смонтировать и озвучить в редакторе → опубликовать. Дёшево исследовать, один раз заплатить только за победителей, закончить вручную.

Часто задаваемые вопросы

Генерирует ли ray-3.2 текст в видео звук? Нет — на выходе беззвучный MP4. Добавляйте аудио в видеоредакторе.

Нужно ли мне входное изображение? Нет. В этом и смысл текст-в-видео: только промпт. Если вы хотите анимировать существующий кадр, используйте ray-3.2/image-to-video.

Какое разрешение использовать для соцсетей? 540p для массового тестирования концепций (540×960 при 9:16 — чётко читается на телефоне), затем 720p или 1080p для роликов, которые вы действительно публикуете.

Могу ли я получить настоящий вертикальный кадр без обрезки? Да. Передайте aspect_ratio: "9:16", и модель отрендерит нативный высокий кадр (540×960 при 540p). Соотношение сторон не влияет на цену.

Какой длины может быть один ролик? 5 или 10 секунд — это фиксированные варианты, а не непрерывный диапазон. Для коротких видео, движимых хуком, обычно выгоднее тратить на 5-секундные ролики и складывать их в монтаже.

Чем это отличается от практического руководства? Руководство охватывает один запрос от начала до конца (curl, Python, обработка ошибок). Эта страница — рабочий процесс поверх него: как пакетно создавать вертикальные концепции, на каком этапе какой уровень разрешения тратить и как писать промпты для 9:16.

Начните генерировать

Ray 3.2 текст в видео уже доступен в API асинхронных заданий. Получите ключ, откройте страницу модели ray-3.2/text-to-video, чтобы увидеть полный справочник параметров и текущие цены, и пакетно сгенерируйте свою первую группу вертикальных концепций на 540p — вы можете протестировать недельный запас идей для коротких видео менее чем за доллар. Сравниваете модели для той же задачи? Руководства по рабочим процессам для коротких видео seedance-2.0-fast и Kling 3.0 изображение в видео используют тот же цикл, но с другими компромиссами.