はじめに
Veo 3.1 のテキストから動画：プロンプトを入れると、音声付きの 4〜8 秒・720p クリップが返ります。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 動画 |
| 提供元 | |
| 長さ | 4、6、8 秒 |
| 解像度 | 720p（横長 1280x720、縦長 720x1280） |
| アスペクト比 | 16:9、9:16 |
| フレームレート | 24 fps |
| 音声 | すべてのクリップに生成 |
主な機能とハイライト
書いた順番どおりに組み立てられる一つのショット
プロンプトでは、ドームが開き、望遠鏡が現れ、カメラが手すりに沿って動くように指定しました。9:16 の 4 秒で、シャッターは閉じた状態から全開まで滑り、内部は真鍮の望遠鏡の周りで琥珀色に照らされ、カメラは曲がった手すりに沿って前進しました。指定した順番どおりです。
最後のフレームにぴたりと着地
開始フレームは、望遠鏡の前で後ろ姿を見せる女性。終了フレームは、腕を組んで手すりにもたれる女性です。4 秒で彼女は振り返り、手すりまで歩いて終了のポーズに収まり、ドームの上では星が増えていきました。
4 秒なら一つの動作がちょうど収まる
一枚の開始フレームから、「He folds the map and looks up.」というプロンプトを使いました。4 秒で男性は両手で地図をたたみましたが、終了フレームではまだ下を見ていました。4 秒ごとに一つの動作を指定するか、2 つ入れるなら 8 秒を選んでください。
どのモデルのクリップでも続きを作れる
別のモデルで作った 5 秒のクリップを送り、「The road continues along the sea.」と指定して 4 秒を追加しました。新しい部分は海岸道路の空撮を引き継ぎ、車がカーブをたどりました。元のクリップと同じサイズの 9 秒のファイルが一本返ってきて、課金されたのは新しく加えた 4 秒だけでした。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 必須。シーンに誰（何）がいるか、何が起きるか、カメラの動き、どんな音かを書きます。 1 文字以上 · 4000 文字以内 |
aspect_ratio | いいえ | 16:9（既定）は 1280x720、9:16 は 720x1280 になります。どちらでも料金は変わりません。 |
duration_seconds | いいえ | 4・6・8 秒から選びます（既定は 8 秒）。長いほど料金が上がります。 |
料金
クリップごとに 1 回、4、6、8 秒の長さで決まる料金で課金されます。アスペクト比と音声で金額は変わりません。失敗または拒否されたリクエストは無料です。
| 仕様 | 料金 |
|---|---|
| $1.44 / リクエスト |
| $2.16 / リクエスト |
| $2.88 / リクエスト |
ユースケース
安い下書きの後に最終レンダー
プロンプト、構図、タイミングは Veo 3.1 Fast（4 秒あたり $0.36）や Lite（$0.18）で詰め、残すバージョンだけ同じリクエストを Veo 3.1 に送ってください。3 つとも同じフィールドを受け付けます。
撮影現場の静止画で始まり終わる、商品や場所のショット
開始の静止画と終了の静止画を渡し、その間の動きを説明します。当社のテストでは、4 秒でクリップが最後のフレームに着地しました。
8 秒を超えるシーン
最初の 8 秒を生成し、動画延長で続けます。クリップの最後のフレームから新しい 4〜8 秒のセグメントが始まり、つなげた 1 本のファイルが返ってきます。元のクリップ（最長 60 秒）には課金されません。
ソーシャル投稿用の縦型・音声付きクリップ
720x1280 のクリップには 9:16 を選びます。音声は映像と一緒に生成されるので、別の音声作業なしに短い動画がすぐ使えます。
プロンプトガイドと実践のヒント
起きる順番どおりに書く
場所と光、被写体、動作、カメラの動き、最後に音。当社の天文台のプロンプトはこの順で書き、クリップも同じ順番でビートを再生しました。
セリフと音を演出する
「Sound: wind over sand, the dome's motor」のように、欲しい音を書きます。話す言葉は引用符で囲みます。Google は、ごく短いセリフの自然な音声はまだ改善途上としているため、話すシーンには数秒の余裕を持たせてください。
動作を長さに合わせる
4 秒ごとに明確な動作は一つにしてください。当社の 4 秒のテストでは、「folds the map and looks up」は折るところまでしか届きませんでした。
Veo 3.1 は採用する 1 本に使う
同じ長さなら Veo 3.1 は Fast の 4 倍、Lite の 8 倍の料金です。言葉選びと構図は安い段階で固め、最終版をここで一度だけ生成してください。
概要
Veo 3.1 テキストから動画 は、文章で書いたシーンを画質最優先で動画にする入口です。Google の最上位 Veo 段階が、16:9 または 9:16 の 720p で 4、6、8 秒のクリップを作り、音声も同時に生成します。プロンプトと画像は Google 自身の審査を通り、拒否されたリクエストは失敗扱いで課金されません。
Veo 3.1 のモードを選ぶ
| 手元にあるもの | 使うモード |
|---|---|
| 文章だけで書いたシーン | Veo 3.1 テキストから動画 (現在のページ) |
| 始まりまたは終わりに使いたい静止画 | Veo 3.1 画像から動画 |
| 続きを作りたい映像 | Veo 3.1 動画の延長 |
プロンプトのコツ
- カットの流れに沿って書きます。場所と光、被写体、動き、カメラワーク、最後に音の順です。
- セリフは引用符で囲み、環境音は別に書きます。
- 安い段階で 4 秒を試し、採用する 1 本を 8 秒で生成します。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。