Ray 3.2 文本生成视频：竖屏短视频批量工作流

概要

• 这是什么：一套可重复的批量工作流，借助 hiapi API 上的 ray-3.2/text-to-video，把一行行文本转化为竖屏的 Reels/TikTok/Shorts 风格短片——无需输入图片，无需准备素材。
• 面向谁：需要产量的社交与内容团队——每周要产出若干全新的 9:16 创意用于测试，而非每月只做一支重点视频。
• 决定一切的核心事实：ray-3.2 t2v 仅按时长 × 分辨率计价。宽高比免费，因此 9:16 竖屏与 16:9 横屏价格完全相同。你唯一能控制产量的杠杆就是分辨率档位。
• 实证而非理论：下文每个短片都是为本文在单次批量任务中生成的——四个 5 秒 540p 9:16 短片，每条 $0.2145，总计 $0.858，每条在服务端渲染耗时 37–87 秒。

Ray 3.2（即 hiapi 所列的 Luma 文本生成视频模型）非常适合短视频，因为它能做到短视频真正需要的事：仅凭一句描述创造出一段全新的 5 秒镜头。无需提供帧，无需为产品照片制作动画，无需准备参考素材。你写一个钩子，就能得到一段短片。这使它在批量生成创意时成为正确的工具，也正因如此，这套工作流与针对其他模型的图生视频、参考生视频短视频指南看起来有所不同。

文本生成视频还是图生视频——先选对入口

两者都位于同一个异步任务 API 之下，但它们解决的是不同的问题：

• 文本生成视频（本页）：仅从提示词出发。最适合全新的概念、氛围片段，以及你没有——或不想被束缚于——特定画面的 B-roll。模型可以自由地构图整个镜头，当你需要批量产出选项时，这正是你想要的。
• 图生视频：从你已有的首帧出发。如果你拥有一张重点产品照片，并想让那个物体动起来，请改用 ray-3.2/image-to-video——它会把画面锚定在你的帧上，并以此为基础制作动画。

经验法则：如果需求是“为这个活动给我三个全新的开场”，那就是文本生成视频。如果是“让这张确切的产品图动起来”，那就是图生视频。本文其余部分讨论的是第一种情况。

决定你整个工作流的定价事实

以下是 ray-3.2/text-to-video 完整、实时的价目表（已在撰写时对照 hiapi 定价核实——请始终在那里复查，而不是这里）：

时长	分辨率	每条价格
5s	540p	$0.2145
5s	720p	$0.429
5s	1080p	$1.7145
10s	540p	$0.643
10s	720p	$1.286
10s	1080p	$5.143

注意表中没有出现的东西：宽高比。Ray 3.2 仅按时长和分辨率计费，因此9:16 竖屏与 16:9 横屏、1:1 或 21:9 价格相同。仅这一事实就重塑了你规划短视频批量的方式：

• 540p 是你的测试档位。每条 $0.2145，你可以用一条 1080p 重点视频的价格生成 10–15 个概念。竖屏社交信息流是在手机上以小尺寸观看的——540p（9:16 下输出为 540×960，详见下文）对于首轮 A/B 测试来说完全清晰可读。
• 720p / 1080p 是你的成品档位。一旦某个概念胜出，只需针对那个提示词重新生成 720p 或 1080p 版本，用于实际发布。
• 时长是固定档位，不是滑块。时长只有 5 秒或 10 秒两个固定选项——没有 7 秒选项——且 10 秒的成本约为 5 秒的 3 倍。对于钩子驱动的短视频，5 秒通常是你想要的单位，然后在剪辑中叠加多个。

这种“探索便宜、只为胜出者付费”的形态，正是这套工作流在 540p 下批量执行的全部原因。

一次请求，一个代码块

Ray 3.2 t2v 接受一小套封闭的输入字段：

字段	必填	取值
prompt	是	你的场景描述
duration	是	5 或 10（整数秒）
resolution	是	540p、720p 或 1080p
aspect_ratio	是	9:16、16:9、1:1、4:3、3:4、21:9

一条竖屏短片就是对异步任务端点的一次 POST：

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"
    }
  }'

响应会返回一个 data.taskId。然后你轮询 GET /v1/tasks/{taskId}，直到 data.status 为 "success"，并下载 output[0].url。这就是机制概要——完整的请求/响应演练、状态生命周期、Python 版本和错误处理，请参阅配套操作指南：Ray 3.2 文本生成视频 API：curl 与 Python 指南。初次接触任务 API？请从快速入门开始。

写出真正读起来像竖屏的提示词

5 秒且无输入帧，是一项紧凑的创作要求。以下四个习惯在这批任务中带来了显著差别：

1. 在提示词中明确说出“vertical 9:16”（竖屏 9:16），并为高画幅构图——将单一主体居中堆叠，而非让裁剪与宽阔的横屏画面对抗。
2. 把钩子花在第一秒。短视频成也第一帧、败也第一帧，因此要描述立刻动起来的东西（“the spiral catches the light in the first second”——螺旋在第一秒就捕捉到光线）。
3. 点明镜头运动——推近、摇臂下移、缓慢环绕。Ray 3.2 对明确的运动方向响应良好，而运动正是让短片感觉像内容、而非幻灯片的关键。
4. 一条短片只讲一个想法。五秒钟讲不了一个故事，但能落下一个节拍。只给它一个。

以下是本批次的四条提示词，每一条都是你确实会写进需求的不同短视频竖屏类型——餐饮、旅行 POV、电商产品和户外品牌氛围。每段短片都是模型原始输出，未经任何处理。

1 · 饮品 / 桌面（见上方封面短片）。食欲驱动的产品使用场景内容。提示词以倾倒和光线照射开头，让钩子落在第一帧：

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 · 旅行 POV。没有人物出镜的第一人称能量——让信息流停下来的最快方式。“handheld bounce”（手持晃动）提示赋予了它 Vlog 的感觉：

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 · 产品主角（电商）。干净的旋转展台镜头，带一个“揭示”节拍——适合新品发布或功能亮点的开场：

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 · 户外 / 品牌氛围。面向生活方式和旅行品牌的无人机俯冲——以“第一秒急速下压，然后缓入环绕”为方向，赋予它刻意的两段式运动：

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

四条提示词，四个竖屏类型，一个模型，总计 $0.858。这就是一次批量。

无需全程盯着也能跑完批量

由于任务 API 是异步的，高效的范式是先扇形分发，再统一收集——不要生成一条、等待、再生成下一条。先一次性提交整批，让每条短片在上游并行渲染，拿到每个 taskId 的瞬间就保存，然后才开始轮询：

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

这次运行教会（或再次确认）了两件值得内建到流程中的事：

• 轮询已保存的 taskId；绝不要重新提交。id 在你 POST 的瞬间就已计费，因此如果轮询因瞬时网络错误出错，捕获它并重试同一个 id——重新提交会让你被重复扣费。将 id 持久化到磁盘也意味着崩溃的运行可以通过轮询恢复，而非重新创建。
• 预计每条 540p 短片约 40–90 秒。在本批次中，四条短片在服务端分别在 37、38、70 和 87 秒完成。扇形分发意味着整套在约等于最慢一条的时间内完成，而不是它们的总和。

对于 540p 9:16 请求，你得到的是540×960、24fps、约 5.04 秒的 H.264 MP4——所以“540p”指的是短边，竖屏画面原生即为高画幅，你这边无需裁剪。

从原始短片到已发布的短视频

有两个需要提前规划的切实限制：

• 短片是无声的。Ray 3.2 t2v 只输出画面——没有音轨。这对短视频来说没问题：把短片导入你的剪辑软件，在那里加入热门音乐、旁白或字幕。要计划一次剪辑流程；不要期望 API 直接产出可发布的文件。
• 五秒是一个节拍，不是一支视频。可重复的做法是生成若干 5 秒短片（如上所述），然后将三到四条叠加成 15–20 秒的剪辑，并在节拍点硬切。每条短片是一个钩子；剪辑才是故事。

因此端到端循环是：以 540p 批量生成概念 → 选出胜出者 → 仅针对那个提示词重新生成 720p/1080p → 在剪辑软件中剪辑并配乐 → 发布。探索便宜，只为胜出者付费一次，最后手工完成。

常见问题

ray-3.2 文本生成视频会生成声音吗？不会——输出是无声 MP4。请在剪辑软件中添加音频。

我需要输入图片吗？不需要。这正是文本生成视频的意义：只用提示词。如果你想为已有帧制作动画，请使用 ray-3.2/image-to-video。

社交媒体应该用什么分辨率？540p 用于大批量概念测试（9:16 下为 540×960——手机上清晰可读），然后对你实际发布的短片使用 720p 或 1080p。

我能获得真正的竖屏而不裁剪吗？可以。传入 aspect_ratio: "9:16"，模型会渲染原生高画幅（540p 下为 540×960）。宽高比不影响价格。

一条短片可以多长？5 秒或 10 秒——这是固定选项，不是连续范围。对于钩子驱动的短视频，每条 5 秒并在剪辑中叠加通常是更划算的花费。

这与操作指南有何不同？操作指南端到端覆盖单次请求（curl、Python、错误处理）。本页是其上的工作流：如何批量产出竖屏概念、在哪一步花哪一档分辨率，以及如何为 9:16 写提示词。

开始生成

Ray 3.2 文本生成视频现已在异步任务 API 上线。获取密钥，打开 ray-3.2/text-to-video 模型页查看完整参数参考和当前定价，并以 540p 批量生成你的第一组竖屏概念——你可以用不到一美元测试一周的短视频创意。在为同一任务比较模型？seedance-2.0-fast 和 Kling 3.0 图生视频的短视频工作流指南走的是同一循环，但取舍不同。