Veo 3.1 Fast

API Reference-to-Video do Veo 3.1 Fast na E2X

Este é o endpoint que você usa quando o mesmo rosto, a mesma jaqueta ou a mesma fachada de loja precisa sobreviver a um batch inteiro de clipes. Rodamos o Veo 3.1 Fast do Google como google/veo-3.1-fast/reference-to-video, ele aceita um array image_urls com até três imagens de referência, e cobramos por segundo: $0.01 por segundo, ×1.5 com áudio ligado. Todo clipe aqui tem 8 segundos, então o preço é $0.12 por clipe em 720p com som.

Uma imagem já resolve, e um clipe mais curto ajudaria? Use o Veo 3.1 Fast image-to-video — ele anima um único frame inicial e te dá 4 ou 6 segundos. Nada para subir? O Veo 3.1 Fast text-to-video roda só com o prompt.

O que a consistência custa por clipe

A cobrança por segundo é universal neste modelo — Google, fal.ai e Replicate fazem assim, e nós também. Como reference-to-video é fixo em 8 segundos, a tabela abaixo é a única configuração que importa. Números checados em 26 de agosto de 2026, em 720p com áudio:

Leia a última linha contra os dois marketplaces. Nosso preço de tabela é $1.20 para um clipe de 8 segundos — exatamente o que a fal.ai e a Replicate cobram. Hoje você paga um décimo disso, e mesmo assim fica 6,7× abaixo da API do próprio Google. Essa diferença é um desconto ativo sobre um modelo idêntico, não um tier capado.

Calcule 1080p de propósito: a fal.ai e a Replicate incluem o salto de 720p → 1080p sem custo extra, enquanto o Google cobra uma taxa por segundo mais alta. Do nosso lado a resolução também é um multiplicador — o número atual está no llms.txt deste modelo.

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.

Três imagens, e não uma quarta

O limite do Google é explícito: "Use até três imagens de referência para guiar o conteúdo", descrito no schema deles como "Até três imagens a serem usadas como referências de estilo e conteúdo." Três. Uma quarta está fora do que o modelo aceita.

Esse orçamento força uma decisão, e é justamente a parte interessante deste endpoint. Você gasta três slots com aquilo que não pode variar. Uma gravação de campanha costuma ir assim: um retrato limpo do apresentador, um plano de corpo inteiro mostrando o figurino, uma foto do local. Aí todo clipe do conjunto volta com a mesma pessoa, a mesma roupa, o mesmo lugar — você muda só o prompt.

Trabalho de produto se divide de outro jeito: dois ângulos do objeto, um frame do tratamento de cor da marca. Mesmo princípio. As referências carregam identidade, o prompt carrega ação.

Isso não é trabalho do image-to-video. Lá, a sua imagem é o frame um. Aqui as referências são orientação e o frame de abertura é gerado a partir delas. Precisa de um clipe que comece num still exato, já aprovado? Esse é o outro endpoint.

Oito segundos, sem negociação

A regra do Google diz que a duração "Deve ser '8' ao usar extension, imagens de referência ou com as resoluções 1080p e 4k." Imagens de referência estão nessa lista, então as opções de 4 e 6 segundos que os outros dois endpoints oferecem não existem aqui. Nosso schema continua mostrando o enum duration; para esta capability o único valor válido é "8".

Faça o orçamento com isso em mente. Uma sequência de seis clipes dá 48 segundos de saída — $0.72 conosco, $7.20 na fal.ai ou na Replicate.

Request de API: um array de referências

Campos obrigatórios: prompt e image_urls.

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/reference-to-video",
    "input": {
      "prompt": "A mulher da imagem 1, vestindo o casaco da imagem 2, entra no lobby da imagem 3 e sacode a chuva do corpo. Ela olha para cima e diz: \"Você esperou.\" Luz quente de tungstênio, eco de mármore.",
      "image_urls": [
        "https://example.com/talent-portrait.jpg",
        "https://example.com/wardrobe-coat.jpg",
        "https://example.com/lobby-set.jpg"
      ],
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8",
      "has_sound": "true"
    }
  }'

O submit devolve um ID de job; faça polling nele ou registre 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/reference-to-video",
    input: {
      prompt:
        "O mascote da imagem 1 pula no balcão da imagem 2, derruba uma xícara e congela. Passos rangendo, um tinido de cerâmica, depois silêncio.",
      image_urls: [
        "https://example.com/mascot-turnaround.png",
        "https://example.com/kitchen-set.jpg",
      ],
      aspect_ratio: "9:16",
      resolution: "720p",
      duration: "8",
      has_sound: "true",
      seed: 60411,
    },
  }),
}).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 || "Generation failed");
  }
  await new Promise((r) => setTimeout(r, 5000));
}

O status vai de pending → processing → completed, ou termina em failed / cancelled. Conte com cerca de quatro minutos por job — a janela oficial do Google é um piso de 11 segundos e 6 minutos no pico. Reutilize um mesmo seed em todo o conjunto se quiser que as gerações rimem.

Qual porta do Veo 3.1 Fast usar

Pesos idênticos, preço por segundo idêntico. O formato da sua entrada escolhe o endpoint:

Preferimos que você gaste menos. Se uma imagem já resolve, o image-to-video custa o mesmo e libera clipes de 4 e 6 segundos — uma versão de 4 segundos sai por $0.06, metade dos 8 segundos fixos que você paga aqui. Venha para este endpoint quando a consistência entre vários clipes for o requisito de verdade, porque é a única coisa que os outros não fazem. O resto da categoria está em reference-to-video; todo o resto está no catálogo de modelos.

Rotule suas referências

O modelo recebe um array sem rótulos. Nada no payload diz que o slot dois era figurino e não um segundo personagem — então diga isso no prompt.

Indexar funciona: "a mulher da imagem 1", "o casaco da imagem 2", "o lobby da imagem 3". Poucas palavras, e boa parte da ambiguidade que produz saídas trocadas desaparece.

Mais três hábitos:

Dê um único trabalho a cada referência. Uma foto cheia, com uma pessoa, um produto e um cômodo, pede que o modelo adivinhe o que importava para você. Corte apertado.

Repita a identidade em palavras. "Mesmo cabelo prateado curto, mesmos óculos redondos" reforça o que a referência mostra. Seguro barato.

Escreva o diálogo por extenso. O Google gera áudio nativamente e não há botão para desligar isso na API deles, então o som vai acontecer de qualquer jeito — fala, efeitos, ambiência. Escreva a fala entre aspas e ela cai nos frames certos.

O Google dá suporte completo ao inglês e não avaliou nenhum outro idioma neste modelo, então mantenha o texto de instrução em inglês — o diálogo entre aspas pode estar no idioma que a cena pedir.

Checklist antes de publicar

Dois dias para baixar. A retenção do Google para vídeo gerado é de dois dias — "você precisa baixar seu vídeo em até 2 dias após a geração." Para uma campanha de vinte clipes montada ao longo de uma semana, isso é uma decisão de arquitetura, não uma nota de rodapé. Copie outputs[0].url para o seu próprio storage no instante em que o job completa.

SynthID em toda saída. O watermark imperceptível do Google é aplicado a todo vídeo do Veo e é verificável pela plataforma deles. Nenhum provider consegue desligar.

A geração de pessoas tem limite regional. Na UE, no Reino Unido, na Suíça e no MENA, personGeneration fica restrito a allow_adult.

Versione seu conjunto de referências. A consistência depende de enviar referências byte a byte idênticas toda vez. Um retrato reexportado que entra no meio de um batch vai aparecer.

Perguntas comuns

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

Cobramos $0.01 por segundo de saída, ×1.5 com áudio ligado. Este endpoint é fixo em 8 segundos, então um clipe 720p com som custa $0.12. Resoluções maiores têm o próprio multiplicador — confira a página do modelo ao vivo antes de planejar um batch em 1080p.

Quantas imagens de referência posso enviar?

Três, no máximo. A documentação do Google diz que você pode usar até três imagens de referência para guiar o conteúdo, e o schema deles as descreve como referências de estilo e conteúdo. Menos que isso está ok; duas é comum.

Por que não dá para gerar um clipe de 4 segundos aqui?

O Google exige 8 segundos sempre que há imagens de referência em jogo — a mesma regra que cobre 1080p e 4k. Precisa de 4 ou 6 segundos? Use o endpoint image-to-video ou text-to-video: mesmo modelo, mesmo preço por segundo.

Qual é a diferença entre isto e o image-to-video?

O image-to-video faz de uma imagem o frame de abertura literal. O reference-to-video pega até três imagens como orientação de identidade, figurino, estilo ou locação, e então gera um frame de abertura coerente com elas. Use referências quando a consistência entre vários clipes importar mais do que um primeiro frame específico.

A saída inclui áudio sincronizado?

Sim. O Google gera diálogo, efeitos sonoros e ambiência nativamente, sem nenhuma forma de desligar na própria API deles. Expomos has_sound com padrão true, e essa configuração aplica o multiplicador de ×1.5 no preço.

Os vídeos gerados têm watermark?

Toda saída do Veo carrega SynthID, o marcador imperceptível do Google para conteúdo gerado por IA, verificável na plataforma deles. Nenhum provider — nós inclusive — consegue desligar.

Quanto tempo leva um job para terminar?

Reservamos uns quatro minutos. O Google publica um mínimo de 11 segundos e um máximo de 6 minutos no pico, então para um conjunto completo de clipes use um webhookUrl em vez de manter loops de polling abertos.