Veo 3.1 Fast

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

Veo 3.1 Fast é o Veo 3.1 do Google ajustado para velocidade: as mesmas resoluções, as mesmas durações de 4/6/8 segundos, o mesmo áudio nativo sempre ligado, entregue mais rápido e com preço menor. Expomos como google/veo-3.1-fast/text-to-video e cobramos por segundo de saída — $0.01 por segundo, ×1.5 quando a trilha de áudio está ligada. Um clipe de 8 segundos em 720p com som sai por $0.12. Nada para subir. Um prompt é o input inteiro.

Tem uma imagem parada que você quer ver ganhar movimento? Então o seu endpoint é o Veo 3.1 Fast image-to-video — mesmo modelo, um frame inicial. Precisa que o mesmo rosto e a mesma jaqueta sobrevivam a uma leva de planos? Isso é o Veo 3.1 Fast reference-to-video.

Quanto custa um clipe de 8 segundos, em cada lugar

Todo provider sério deste modelo cobra por segundo, nós inclusive. Então a única comparação honesta é uma configuração fixa — aqui está ela em 720p com áudio ligado, checada em 26 de agosto de 2026:

Leia a última linha contra fal.ai e Replicate. O nosso preço de tabela para um clipe de 8 segundos é $1.20 — exatamente o que eles cobram. O que você paga hoje é um décimo disso, e ainda 6,7× abaixo da própria API do Google para o request idêntico.

Faça o orçamento com uma nuance em mente: 720p → 1080p é de graça na fal.ai e na Replicate, enquanto o Google cobra mais por segundo por isso. Resolução também é multiplicador do nosso lado, então puxe o número atual do llms.txt deste modelo antes de se comprometer com um pipeline 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.

A trilha de áudio é o destaque

A maioria dos modelos de text-to-video te entrega um MP4 mudo e deixa o som por sua conta. O Veo 3.1 Fast não. A API do Google gera áudio nativamente e lá você não consegue desligar isso — diálogo sincronizado, foley e som de ambiente, produzidos junto com a imagem e travados nos frames. O próprio exemplo de prompt documentado pelo Google tem falas.

Isso muda o que uma chamada vale. Escreva "um peixeiro larga um caixote e grita chegou fresquinho, faz cinco minutos" e você recebe a pancada e o grito nos frames certos — não uma mímica que você precisa sonorizar depois. Para cortes de social e animatics, uma etapa inteira de pós desaparece.

O que você escolhe:

• Duração: 4, 6 ou 8 segundos. Este é o único dos nossos três endpoints do Veo 3.1 Fast em que essa escolha está de fato aberta. Um clipe de 4 segundos em 720p com áudio sai por $0.06; 6 segundos, $0.09.
• Resolução: 720p (o nosso padrão), 1080p ou 4k, a 24fps. 1080p e 4k só existem em 8 segundos — restrição do Google, não nossa.
• Aspect ratio: 16:9 (padrão) ou 9:16. Sem quadrado, sem 4:5.
• has_sound, com padrão true, acionando o multiplicador ×1.5.

Oito segundos é o teto de um clipe. Sequências são várias chamadas.

Request de API: prompt entra, MP4 sai

Crie uma key no dashboard, mantenha ela do lado do servidor, poste o job. Só prompt é obrigatório.

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/text-to-video",
    "input": {
      "prompt": "Plano com câmera na mão descendo um beco de Osaka molhado de chuva à noite. Um vendedor de ramen levanta o noren, o vapor jorra para fora e ele grita para um ciclista que passa: \"Última tigela da noite!\" Reflexos de neon tremem nas poças.",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8",
      "has_sound": "true"
    }
  }'

Devolvemos um job ID. Faça polling nele, ou não:

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/text-to-video",
    input: {
      prompt:
        "Push-in lento em uma faroleira escrevendo num diário de bordo. O vento chacoalha o vidro. Ela murmura: \"Terceira noite, ainda sem sinal.\" O facho da lâmpada cruza o rosto dela a cada quatro segundos.",
      aspect_ratio: "9:16",
      resolution: "720p",
      duration: "6",
      has_sound: "true",
      seed: 41205,
    },
  }),
}).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));
}

Os status vão de pending → processing → completed, ou param em failed / cancelled. Mande um webhookUrl e a gente te chama. Reserve uns quatro minutos por job; o Google publica um piso de 11 segundos e um teto de 6 minutos em horário de pico, então construa para o teto.

Uma armadilha do schema: duration e resolution são strings. "8", não 8.

Escolhendo entre os nossos endpoints do Veo 3.1 Fast

Mesmos pesos, mesmo preço por segundo, três portas de entrada diferentes. O input que você já tem decide:

O preço não desempata, então siga o briefing. Se um cliente já aprovou um key visual, mandar isso como frame inicial é melhor do que redescrever em prosa. Se seis clipes precisam parecer uma campanha só, carregue até três referências — só saiba que reference-to-video força 8 segundos, sem exceção. Este endpoint mantém as durações curtas, o que faz dele o jeito mais barato de encher um storyboard de movimento tosco. O resto do que rodamos está na categoria text-to-video e no catálogo de modelos completo.

Prompts que fazem jus ao som

Trate o prompt como uma decupagem com mixagem de som anexada. Quatro coisas pesam mais que adjetivos:

Nomeie o movimento de câmera. "Plano aberto fixo", "dolly in lento", "câmera na mão acompanhando" — o modelo respeita isso. Enquadramento vago te dá movimento à deriva, sem compromisso.

Escreva o diálogo entre aspas. Falas curtas, uma ou duas por clipe. Oito segundos não é muito. Intenção parafraseada ("ele diz algo animador") produz enchimento resmungado.

Peça a ambiência. Chuva no telhado de zinco, o zumbido de uma geladeira, trânsito ao longe. O modelo inventa uma cama sonora se você não nomear uma, e ela pode não combinar com a sua edição.

Diga o que a luz está fazendo. Meio-dia nublado, luz de poste de sódio, uma única lâmpada prática. A iluminação decide se um clipe do tier Fast parece deliberado ou parece um render.

O inglês tem suporte completo; o Google não avaliou outros idiomas aqui. Escreva o diálogo no idioma que você quer ouvir falado e espere mais variação fora do inglês.

O que checar antes de publicar

Baixe em até 48 horas. O Google guarda o arquivo por dois dias — a formulação deles é que você precisa baixar o seu vídeo em até 2 dias depois da geração. Copie toda saída para o seu próprio bucket no mesmo job que lê outputs[0].url. Um link de CDN não é arquivo.

Todo frame carrega SynthID. O watermark imperceptível do Google é aplicado a toda saída do Veo e pode ser conferido na plataforma de verificação deles. Ninguém desliga isso, nós inclusive.

Regras regionais sobre pessoas. Na UE, no Reino Unido, na Suíça e no MENA, personGeneration fica restrito a allow_adult.

Perguntas frequentes

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

Cobramos por segundo: $0.01 por segundo de saída, multiplicado por 1,5 quando o áudio está ligado. Um clipe de 8 segundos em 720p com som é $0.12, um de 6 segundos é $0.09 e 4 segundos é $0.06. Resolução acima de 720p tem o próprio multiplicador.

A E2X é mesmo dez vezes mais barata que a fal.ai neste modelo?

Na configuração e na data que checamos — 8 segundos, 720p, áudio ligado, 26 de agosto de 2026 — sim: $0.12 conosco contra $1.20 lá. O nosso próprio preço de tabela sem desconto é esse mesmo $1.20. A diferença é desconto, não produto diferente.

Dá para desligar o áudio?

O nosso schema expõe has_sound e o padrão é true. A própria API Gemini do Google não oferece botão de desligar, então o áudio é melhor tratado como parte do que este modelo é — vale o mesmo no nosso endpoint image-to-video. É também a razão do multiplicador de ×1.5 no preço.

Qual a duração máxima de um clipe gerado?

Oito segundos, numa única chamada. Você pode pedir 4 ou 6 neste endpoint, mas 1080p e 4k exigem os 8 completos. Sequências mais longas significam costurar vários jobs por conta própria, ou segurar o visual com reference-to-video.

Quais aspect ratios e resoluções são suportados?

Só 16:9 e 9:16, a 24fps, em 720p, 1080p ou 4k. O nosso padrão é 16:9 e 720p. Não existe opção quadrada nem 4:5, então corte na pós se precisar de uma.

Os vídeos têm watermark?

Têm — toda saída do Veo é marcada com SynthID, o marcador de proveniência imperceptível do Google, e dá para verificar pela plataforma deles. Nenhum provider expõe um parâmetro para desativar.

Quanto tempo leva uma geração?

Reservamos uns quatro minutos por job. O Google publica um mínimo de 11 segundos e um máximo de 6 minutos no pico, então use webhook em vez de um loop de polling apertado para trabalho em volume.