Introducción
Texto a video para Veo 3.1: entra un prompt, sale un clip de 4-8 segundos en 720p con sonido generado.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Video |
| Editor | |
| Duración del clip | 4, 6 u 8 segundos |
| Resolución | 720p: 1280x720 (16:9) o 720x1280 (9:16) |
| Relaciones de aspecto | 16:9, 9:16 |
| Velocidad de cuadros | 24 fps |
| Audio | Generado con cada clip |
| Entradas | Texto; primer cuadro con último cuadro opcional |
Funciones y aspectos destacados
Un plano armado en el orden en que lo escribiste
El prompt pedía que la cúpula se abriera, que apareciera el telescopio y que la cámara avanzara a lo largo de la barandilla. En 4 segundos a 9:16, la compuerta pasó de cerrada a completamente abierta, el interior se iluminó en ámbar alrededor de un telescopio de latón, y la cámara avanzó por la barandilla curva, en ese orden.
Termina exactamente en el último cuadro
Un primer cuadro de una mujer en el telescopio, de espaldas a nosotros, y un último cuadro de ella apoyada en la barandilla con los brazos cruzados. En 4 segundos giró, se acercó a la barandilla y se acomodó en la pose final, mientras más estrellas aparecían sobre la cúpula.
Cuatro segundos caben en una sola acción
Desde un solo primer cuadro, el prompt era "He folds the map and looks up." En 4 segundos dobló el mapa con las dos manos, pero en el último cuadro seguía mirando hacia abajo. Pide un movimiento por cada 4 segundos, o elige 8 segundos para dos.
Continúa un clip de cualquier modelo
Enviamos un clip de 5 segundos hecho con otro modelo y pedimos 4 segundos más: "The road continues along the sea." La parte nueva retomó la toma aérea de la carretera costera y siguió el auto en las curvas. Recibimos un único archivo de 9 segundos con el tamaño del clip original, y solo se cobraron los 4 segundos nuevos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Obligatorio. Di quién o qué aparece en la toma, qué sucede, cómo se mueve la cámara y cómo suena; los diálogos van entre comillas. mínimo 1 caracteres · máximo 4000 caracteres |
aspect_ratio | No | 16:9 (por defecto, 1280x720) o 9:16 (720x1280). No cambia el precio. |
duration_seconds | No | Elige 4, 6 u 8 segundos (8 por defecto). El precio sube con la duración. |
Precios
Se cobra una vez por clip, al precio de su duración de 4, 6 u 8 segundos. La relación de aspecto y el sonido no suman nada. Las solicitudes que fallan o se rechazan son gratis.
| Especificación | Precio |
|---|---|
| $1.44 / solicitud |
| $2.16 / solicitud |
| $2.88 / solicitud |
Casos de uso
El render final después de un borrador más barato
Define el prompt, el encuadre y el tiempo con Veo 3.1 Fast a $0.36 o con Lite a $0.18 por clip de 4 segundos, y luego envía la misma solicitud a Veo 3.1 para la versión que te quedas. Los tres aceptan los mismos campos.
Una toma de producto o de lugar que debe empezar y terminar en fotos de set
Da la imagen de apertura y la de cierre, y describe el movimiento entre ellas. En nuestra prueba, el clip llegó al último cuadro en 4 segundos.
Escenas de más de 8 segundos
Genera los primeros 8 segundos y luego continúa con extensión de video: el último cuadro de tu clip abre un nuevo segmento de 4 a 8 segundos y recibes un único archivo unido. El clip de origen, de hasta 60 segundos, no se cobra.
Clips verticales con sonido para publicaciones sociales
Elige 9:16 para un clip de 720x1280. El sonido se genera junto con la imagen, así que el video corto está listo sin una pasada de audio aparte.
Guía de prompts y consejos prácticos
Escríbelo en el orden en que ocurre
Lugar y luz, sujeto, acción, movimiento de cámara y luego sonido. Nuestro prompt del observatorio siguió ese orden, y el clip reprodujo los momentos en el mismo orden.
Dirige el sonido como una toma
Escribe qué debe oírse: «Sound: wind over sand, the dome's motor». Las palabras habladas van entre comillas. Google señala que las líneas muy cortas de diálogo siguen siendo lo más difícil, así que dale a una escena hablada unos segundos.
Ajusta la acción a la duración
Planea una acción clara por cada 4 segundos. En nuestra prueba de 4 segundos, "folds the map and looks up" solo llegó hasta el doblez.
Reserva Veo 3.1 para la toma que te quedas
Con la misma duración, Veo 3.1 cuesta cuatro veces Fast y ocho veces Lite. Define el texto y el encuadre en un nivel más barato y haz el render final una sola vez aquí.
Introducción
Veo 3.1 Texto a video es la forma de convertir una escena escrita en un clip cuando manda la calidad de imagen: el nivel superior de Veo en Google produce 4, 6 u 8 segundos en 720p, en 16:9 o 9:16, y genera el sonido a la vez. Los prompts y las imágenes pasan por la revisión propia de Google; una solicitud que rechaza falla y no cuesta nada.
Elige un modo de Veo 3.1
| Tienes | Usa |
|---|---|
| solo una escena escrita | Veo 3.1 Texto a video (estás aquí) |
| una imagen fija para abrir o para cerrar | Veo 3.1 Imagen a video |
| material que quieres continuar | Veo 3.1 Extender video |
Consejos para el prompt
- Arma el prompt como la toma: lugar y luz, sujeto, acción, movimiento de cámara y, al final, el sonido.
- Pon los diálogos entre comillas y describe el ambiente por separado.
- Ensaya con 4 segundos en un nivel más barato y haz el render final con 8.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "google/veo-3.1/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"aspect_ratio": "16:9",
"duration_seconds": 8
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.