Veo 3.1 图生视频：通过 API 把一张静帧变成短视频广告

短视频存在一个残酷的制作算数问题：TikTok 和 Reels 靠发布量取胜，但一条精致的产品短片就可能耗掉一个下午的拍摄、剪辑和音效设计。Google 的 Veo 3.1 图生视频模型（veo-3.1/image-to-video）将这条流水线压缩成两次 API 调用——一张便宜的静帧、一个视频任务——然后返回一条已经混好原生音频的竖版短片。

以下是本管线为本文生成的完整输出。一张 $0.03 的源图，一次 API 调用，等待 115 秒：

把声音打开——落地的闷响、环境低频脉冲和雾气嘶嘶声全部由模型生成。这里没有任何东西经过人工剪辑、调色或音效设计。在本指南中，我们将通过 hiapi 任务 API 端到端地构建出这条短片，然后把同一工作流扩展成批处理管线，用于生产短格式变体。

为什么图生视频是短格式的正确工具

文生视频非常适合探索，但短格式商业内容通常从你已掌控的素材开始：产品照片、包装图、海报帧。图生视频在保持这种视觉身份不变的同时加入运动。对于 TikTok/Reels 格式，veo-3.1/image-to-video 的三个特性尤其重要：

1. 输出遵循你输入的画幅。没有 aspect_ratio 参数——模型从你提供的图像继承构图。给它一张 9:16 的竖版静帧，你得到一条 9:16 的竖版视频。本文两条短片都精确输出为 1080×1920 和 720×1280，因为源静帧是 9:16。你的构图决策在图像阶段只需做一次。
2. 原生音频。每条短片都附带一条根据你的提示词生成的 48 kHz AAC 音轨——拟音、环境声和音乐质感。对于短格式而言，静音自动播放的转化率不如带声音的内容，这省掉了整个剪辑步骤。
3. 平台适配分辨率。720p 用于草稿，1080p 用于信息流质量的竖版，4k 用于短片同时充当其他投放位置的母版。

输入参数结构（已对实时 API 验证）

在撰写本指南前，我们探测了实时端点。参数结构很严格——未知字段会被 400 拒绝，所以不要猜测：

字段	必填	类型	值
prompt	推荐	string	运动、镜头和音频指示
image_url	是	string	一个可公开访问的图像 URL
resolution	是	string	720p、1080p、4k
duration	是	integer	4、6 或 8（秒）

两个值得提前知道的问题：image_url 是单数——这是单参考模型，不是多图混合器——并且 URL 必须可公开抓取（托管在你自己的 CDN 或对象存储上；签名的 localhost 链接不行）。

第 1 步——生成源静帧

任何 9:16 的图像都可用，包括真实产品照片。我们用 gpt-image-2 以 $0.03 生成了我们的源图，使整个管线保持在一个 API 内：

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"
    }
  }'

好的 i2v 源图的构图规则与你给静物摄影师的规则相同，外加一条：留出运动余量。我们的运动鞋悬浮在基座上方，正是为了让视频模型有一个明显、物理上的动作可做——让鞋子落到石头上。一个凝固在动作中的主体给 Veo 一个可完成的故事；一张静态居中的包装图什么都给不了它，你只会得到漂移镜头的填充画面。

第 2 步——提交视频任务

同一个 /v1/tasks 端点，不同的模型。提示词应同时指导三个通道：主体运动、镜头和音频。

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
    }
  }'

响应会立即返回一个任务 ID：

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

注意提示词是按短片播放顺序写的：旋转 → 推近 → 落地 → 光扫，音频提示附在它们所属的时刻（落地时的“闷响”，下方有脉冲）。Veo 会非常字面地遵循提示词中的事件顺序——这正是它可以被脚本化的原因。

第 3 步——轮询并下载

视频任务是异步的。轮询任务直到 status 翻转为 success，然后立即下载输出——该 URL 是带 expireAt 时间戳的临时链接，不是永久存储：

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)

在我们的运行中，6 秒 1080p 短片从提交到完成耗时 115 秒。这足够快，可以放在内容管线中而无需在前面加队列。

廉价起草，精修定稿：双层工作流

Veo 3.1 有一个快速档——veo-3.1-fast/image-to-video——具有完全相同的输入结构，每秒价格不到一半。这启用了一种借鉴自摄影的工作流：在烧胶片前先拍宝丽来。在快速档上以 720p 迭代你的运动提示词，只在标准档上重新渲染胜出的提示词。

以下是完全相同提示词和源静帧的快速档草稿（6 秒，720p，$1.50，58 秒完成）：

草稿抓住了相同的节拍——旋转、落地、雾气——但纹理细节明显更简单，音频混音更扁平。对于提示词迭代，这就是你需要的全部：你检查的是编排，而不是最终打磨。本文两条短片都是第一次拍摄；快速档就是你确保标准档拍摄是你唯一付费的那次的方法。

扩展到批量生产

短格式策略是一场量级游戏——每个产品你想要 5–10 个变体来测试钩子。因为一切都在一个异步端点上，批处理只是一个循环：先提交所有任务，然后收集。

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")

先提交后收集很重要：短片在平台侧并发生成，因此十个草稿大约只需要一个草稿的时间，而不是十倍。

费用是多少

根据 hiapi 定价，两个档位都按输出视频秒数计费：

模型	价格	4 秒短片	6 秒短片	8 秒短片
veo-3.1/image-to-video	$0.57/s	$2.28	$3.42	$4.56
veo-3.1-fast/image-to-video	$0.25/s	$1.00	$1.50	$2.00

本文展示的一切——一张源静帧、一张封面图、一份快速草稿、一条 1080p 最终版——的 API 花费为 $4.98。三份快速草稿加一条标准最终版的工作流，每条成品竖版大约花费 $8，这与一个拍摄日是完全不同的量级。

常见问题

如何控制宽高比？ 不能——输出继承输入图像的画幅。对于 TikTok/Reels，在提交前将源静帧生成或裁剪为 9:16。我们的 9:16 静帧精确生成了 1080×1920 输出。

音频真的是生成的吗？ 是的。上面两条短片都带有模型生成的 48 kHz AAC 音轨——拟音（落地闷响）、环境声和音乐质感，全部由提示词引导。在提示词中在声音应该发生的时刻描述声音。

生成需要多长时间？ 在我们实测的运行中：6 秒/720p 快速档短片 58 秒，6 秒/1080p 标准档短片 115 秒。每条短片预算几分钟，批处理使用先全部提交再收集的模式。

可以用真实产品照片代替生成的静帧吗？ 当然可以——这是主要用例。图像只需可通过 URL 公开抓取。保持主体清晰，留出运动余量，并在提示词中描述你想要的运动。

什么时候该为 4k 付费？ 当竖版同时充当母版资产时——将 4k 源裁剪用于信息流投放、网页主视觉和付费单元。对于仅信息流交付，1080p 就是平台最终转码的分辨率。

发布你的第一条短片

整个管线就是两次 POST 加一次轮询：静帧进，带声音的竖版广告出，大约两分钟。获取你的 API key，将上面的代码片段指向你最好的产品照片，运行一份 720p 快速档草稿——六秒 $1.50，这是你能委托的最便宜的试镜。完整参数和实时示例在 veo-3.1/image-to-video 模型页面，如果你在比较 i2v 引擎，我们的 Hailuo 2.3 图生视频提示词配方很适合做并排对比。