テキストから動画

テキストから動画は、文章のプロンプトを短い動画クリップに変換する機能です。入力は説明文だけなので、モデルは被写体もカメラの動きも時間経過に伴うモーションもすべて自分で組み立てなければなりません。そのためカタログの中で最も自由度が高く、同時にプロンプトの言い回しひとつで結果が大きく変わるカテゴリーでもあります。

有効なプロンプトは、監督が絵を指示するように書かれています。被写体、アクション、カメラワーク、舞台、ライティングの順に伝えてください。クリップはもともと短い設計なので、1回の生成につき1つの動きに絞り、複数のクリップをつないで構成するほうが、1つのプロンプトでシーン全体をまかなおうとするより確実です。動画ジョブは画像ジョブより明らかに処理時間が長く、リクエスト単価も高くなります。まずは安価な画像モデルでルックを固め、そこで勝ち残った説明文を動画に持ち込むのが賢いやり方です。

E2X では現在、Google の2モデル、Veo 3.1 Fast と Omni Flash がこのカテゴリーを担っています。呼び出し方は他のモデルと変わりません。モデルの slug と入力オブジェクトをジョブのエンドポイントに送信し、返ってきた job ID をクリップが仕上がるまでポーリングします。課金はプリペイド残高からのリクエスト単位で、価格は呼び出す前に各モデルのカタログ項目に表示されます。