Veo 3.1 Fast

API de Image-to-Video do Veo 3.1 Fast na E2X

Entregue uma imagem parada a este endpoint e ela vira o primeiro frame de um plano com movimento e som. Rodamos o Veo 3.1 Fast do Google como google/veo-3.1-fast/image-to-video, e cobramos por segundo de saída: $0.01 por segundo, ×1.5 com a trilha de áudio ligada. Então um clipe de 8 segundos em 720p com som é $0.12 — uma imagem mais um prompt, sem malabarismo de referências.

Não tem imagem inicial para trabalhar? Então o seu endpoint é o Veo 3.1 Fast text-to-video — mesmo modelo, mesmo preço, só prompt, e ele deixa você descer para 4 ou 6 segundos. Se em vez disso você tem várias imagens e o objetivo é manter um personagem consistente entre planos, vá para o Veo 3.1 Fast reference-to-video.

Cobrança por segundo, e o que isso significa na hora de pagar

Ninguém vende este modelo por vídeo. Google, fal.ai, Replicate e nós medimos a saída segundo a segundo, então uma comparação justa precisa fixar a configuração. Aqui estão 8 segundos, 720p, áudio ligado, na última vez em que checamos, em 26 de agosto de 2026:

Fique um instante na última linha. O nosso preço de tabela sem desconto é $1.20 por um clipe de 8 segundos — o número idêntico ao que a fal.ai e a Replicate cobram. Os $0.12 que você paga agora são um décimo disso, e ainda 6,7× abaixo da própria API do Google.

A resolução pesa na conta de formas diferentes dependendo de onde você compra. Subir de 720p para 1080p não custa nada a mais na fal.ai nem na Replicate; o Google cobra uma taxa por segundo mais alta. Nós também tratamos resolução como multiplicador, então leia o número atual no llms.txt deste modelo antes de planejar uma rodada em 1080p.

Os preços e as condições dos produtos podem mudar. Verifique o preço atual de cada provider antes de tomar uma decisão de compra. O preço do Google Batch ou Flex não é diretamente equivalente a um request de API on-demand padrão, porque as condições de agendamento, disponibilidade e processamento são diferentes; por isso ele ficou fora desta comparação. Esta é uma comparação de escopo limitado, não uma afirmação de que a E2X é a opção mais barata do mundo em qualquer configuração.

O que o modelo faz com o seu frame

A sua imagem ancora o frame um. Tudo depois dele é gerado — segure esse modelo mental, porque ele explica tanto a força quanto o modo de falha.

A força: composição, paleta, figurino e cenário já estão resolvidos. Você não está apostando na prosa para reproduzir uma foto de produto que o cliente já aprovou. Alimente a imagem, descreva o movimento, receba um clipe que começa exatamente onde a imagem começava.

O modo de falha: quanto mais longe o clipe viaja daquele frame, mais ele improvisa. Peça uma órbita de 180° em oito segundos e o outro lado do sujeito é invenção. Peça um push-in lento e uma virada de cabeça, e ele segura.

O áudio vem junto na carona. O Google gera nativamente e a API deles não tem botão para desativar — diálogo em sincronia, passos na pisada certa, som de ambiente por baixo. Entra uma fotografia parada; sai algo com trilha.

Requisitos de input que aplicamos

As restrições do Google para a imagem de origem, sem rodeio:

• Abaixo de 8 MB. Arquivos maiores são rejeitados antes de a geração começar.
• 720p ou mais. Faça upscale de um asset pequeno antes de mandar, não depois.
• 16:9 ou 9:16. Quadrado e 4:5 não servem — recorte antes.
• Acessível por HTTPS. Buscamos o image_url quando o job roda, não quando você envia.

Esse último causa mais falhas que todos os outros juntos: links assinados de vida curta expiram no meio da fila.

Request de API: uma imagem, um prompt

Dois campos obrigatórios aqui: prompt e image_url.

curl -X POST https://api.e2x.ai/v1/jobs/submit \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/veo-3.1-fast/image-to-video",
    "input": {
      "prompt": "O barista empurra a xícara para a frente e o vapor sobe em espiral. Push-in lento na crema. Chiado da máquina de espresso, conversa baixa de café ao fundo.",
      "image_url": "https://example.com/counter-shot.jpg",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8",
      "has_sound": "true"
    }
  }'

Você recebe um job ID de volta. Faça polling nele, ou nos passe um webhook:

const headers = {
  Authorization: `Bearer ${process.env.E2X_API_KEY}`,
  "Content-Type": "application/json",
};

const submitted = await fetch("https://api.e2x.ai/v1/jobs/submit", {
  method: "POST",
  headers,
  body: JSON.stringify({
    model: "google/veo-3.1-fast/image-to-video",
    input: {
      prompt:
        "Ela abaixa os óculos escuros e olha para fora do quadro, à esquerda. A barra do vestido levanta com o vento. Câmera fixa, gaivotas e arrebentação por baixo.",
      image_url: "https://example.com/lookbook-03.jpg",
      aspect_ratio: "9:16",
      resolution: "720p",
      duration: "8",
      has_sound: "true",
      seed: 88117,
    },
  }),
}).then((r) => r.json());

const jobId = submitted.data.jobId;

while (true) {
  const job = await fetch(`https://api.e2x.ai/v1/jobs/${jobId}`, { headers })
    .then((r) => r.json());

  if (job.data.status === "completed") {
    console.log(job.data.outputs[0].url);
    break;
  }
  if (job.data.status === "failed") {
    throw new Error(job.data.error?.message || "Animation failed");
  }
  await new Promise((r) => setTimeout(r, 5000));
}

Os jobs passam por pending → processing → completed, ou param em failed / cancelled. Poste um webhookUrl se preferir não fazer polling. Planejamos algo em torno de quatro minutos; a faixa publicada pelo Google é 11 segundos no melhor caso, 6 minutos no pico.

Olho nos tipos: duration, resolution e has_sound são strings. "true", não true.

Escolhendo o endpoint certo do Veo 3.1 Fast

Três portas para os mesmos pesos, com preço por segundo idêntico. O seu input decide qual delas:

A divisão honesta: use este endpoint quando a imagem é o frame de abertura. Use reference-to-video quando as suas imagens são orientação — o mesmo ator em cinco cenas — e aceite que ele te trava em 8 segundos. Só explorando? Não suba nada: text-to-video em 4 segundos custa $0.06 e queima um storyboard rápido. Veja o resto na categoria image-to-video ou no catálogo de modelos inteiro.

Descreva o movimento, não a imagem

O erro comum é redescrever a imagem que você acabou de subir. O modelo consegue vê-la. Cada palavra gasta com "uma mulher de casaco vermelho num píer" é uma palavra não gasta com o que acontece em seguida — e convida à reinterpretação de um frame que você já tinha travado.

Escreva a mudança. Três hábitos carregam a maior parte da qualidade:

Dê um movimento principal. Uma virada de cabeça, um push de câmera, uma porta abrindo. Empilhe quatro ações em oito segundos e nenhuma delas se lê.

Diga onde a câmera está e se ela se move. "Fixa", "dolly in lento", "câmera na mão derivando para a direita". Silêncio nesse ponto produz flutuação sem rumo.

Sonorize em voz alta. Nomeie a ambiência e qualquer fala entre aspas. O áudio é gerado quer você planeje ou não, então planeje.

Prompts em inglês têm suporte completo. O Google não avaliou outros idiomas para este modelo, então mantenha as instruções em inglês mesmo quando a fala for em outro.

Antes de publicar

Dois dias. Essa é a sua janela de download. O Google guarda o vídeo gerado por dois dias — a formulação deles: você precisa baixar o seu vídeo em até 2 dias depois da geração. Puxe outputs[0].url para o seu próprio armazenamento no mesmo trecho de código que faz a leitura. O link devolvido é temporário.

SynthID está em todo frame. O Google marca toda saída do Veo com o seu marcador de proveniência imperceptível, verificável pela plataforma deles. Nenhum provider consegue desativar, nós inclusive.

Pessoas em regiões reguladas. Na UE, no Reino Unido, na Suíça e no MENA, personGeneration fica limitado a allow_adult.

Combine o aspect ratio com a sua origem. Uma imagem 16:9 com 9:16 pedido obriga o modelo a inventar as bordas.

Perguntas que recebemos

Quanto custa o Veo 3.1 Fast image-to-video na E2X?

Cobramos $0.01 por segundo de vídeo gerado, multiplicado por 1,5 quando o áudio está ligado. Isso faz um clipe de 8 segundos em 720p com som custar $0.12. Resoluções maiores aplicam o próprio multiplicador, então confira a página do modelo ao vivo antes de orçar um batch em 1080p ou 4k.

Quais são os requisitos da imagem de input?

Abaixo de 8 MB, no mínimo 720p, e 16:9 ou 9:16. Buscamos ela pelo image_url que você fornece, então o link ainda precisa resolver quando o job rodar — URLs assinadas que expiram são a falha mais comum aqui.

Dá para animar mais de uma imagem numa única chamada?

Neste endpoint não — ele aceita exatamente um image_url. Se várias imagens precisam guiar uma geração, use o reference-to-video, que aceita um array de até três.

O vídeo gerado vem com som?

Vem, e é um motivo central para recorrer a este modelo. O Google produz diálogo sincronizado, efeitos e ambiência nativamente, sem botão de desligar na própria API deles. O nosso schema expõe has_sound, com padrão true, carregando o multiplicador ×1.5.

Qual a duração do clipe gerado?

Até 8 segundos. Este endpoint aceita 4, 6 ou 8, mas saída em 1080p e 4k exige os 8 completos. Nada na família Veo 3.1 Fast passa de 8 segundos numa única chamada.

Existe watermark na saída?

Todo vídeo do Veo carrega SynthID, o watermark imperceptível de proveniência de IA do Google, e dá para conferir na plataforma de verificação deles. Ninguém oferece um jeito de desligar.

Quão rápida é uma geração?

Conte com uns quatro minutos por job. Os números oficiais do Google colocam o piso em 11 segundos e o teto em horário de pico em 6 minutos, então um webhook ganha do loop de polling assim que você estiver rodando qualquer volume real.