Veo 3.1 Fast

API Veo 3.1 Fast Image-to-Video на E2X

Отдайте этому endpoint один кадр — и он станет первым кадром движущейся озвученной сцены. Мы держим Veo 3.1 Fast от Google как google/veo-3.1-fast/image-to-video и тарифицируем посекундно: $0.01 за секунду, ×1,5 при включённой звуковой дорожке. То есть восьмисекундный ролик 720p со звуком — $0.12: одно изображение плюс один prompt, без возни с референсами.

Нет стартового изображения, с которым работать? Тогда ваш endpoint — Veo 3.1 Fast text-to-video: та же модель, та же цена, только prompt, и он позволяет опуститься до 4 или 6 секунд. Если же у вас несколько изображений и смысл в том, чтобы удержать одного персонажа во всех кадрах, идите к Veo 3.1 Fast reference-to-video.

Посекундная тарификация и что это значит на кассе

Эту модель никто не продаёт «за видео». Google, fal.ai, Replicate и мы считаем вывод секунда за секундой, поэтому честное сравнение обязано зафиксировать конфигурацию. Вот 8 секунд, 720p, звук включён, на момент нашей последней проверки 26 августа 2026 года:

Задержитесь на нижней строке. Наша прайсовая цена без скидки — $1.20 за восьмисекундный ролик, ровно та же цифра, которую берут fal.ai и Replicate. Те $0.12, что вы платите сейчас, — десятая часть от неё, и всё равно в 6,7 раза меньше собственного API Google.

Разрешение бьёт по счёту по-разному в зависимости от того, где вы покупаете. Шаг с 720p на 1080p не стоит ничего дополнительно на fal.ai или Replicate; Google берёт более высокую посекундную ставку. Мы тоже считаем разрешение множителем, поэтому считайте актуальную цифру из llms.txt этой модели, прежде чем планировать прогон в 1080p.

Цены и условия продуктов со временем меняются; проверьте актуальные цены каждого провайдера, прежде чем принимать решение о покупке. Цены Google Batch или Flex не эквивалентны напрямую стандартному on-demand API request, поскольку планирование, доступность и условия обработки отличаются; поэтому они исключены из этого сравнения. Это ограниченное по охвату сравнение, а не утверждение, что E2X — самый дешёвый вариант в мире при любой конфигурации.

Что модель делает с вашим кадром

Ваше изображение закрепляет первый кадр. Всё, что после него, генерируется — держите эту мысленную модель, потому что она объясняет и сильную сторону, и сценарий отказа.

Сильная сторона: композиция, палитра, гардероб и декорации уже решены. Вы не ставите на прозу в надежде, что она воспроизведёт предметную съёмку, которую клиент уже утвердил. Подайте кадр, опишите движение, получите ролик, начинающийся ровно там, где начинался кадр.

Сценарий отказа: чем дальше ролик уходит от этого кадра, тем больше он импровизирует. Попросите облёт на 180° за восемь секунд — и дальняя сторона объекта будет выдумкой. Попросите медленный наезд и поворот головы — и он удержится.

Звук едет следом. Google генерирует его нативно, и в их API нет переключателя, чтобы его отключить: синхронный диалог, шаги по шагам, тон помещения под всем этим. На вход идёт неподвижная фотография; на выходе — нечто со звуковой дорожкой.

Требования ко входу, которые мы соблюдаем

Ограничения Google на исходное изображение, коротко:

• Меньше 8 МБ. Файлы крупнее отклоняются до старта генерации.
• 720p или выше. Апскейльте маленький материал до отправки, а не после.
• 16:9 или 9:16. Квадрат и 4:5 не подойдут — сперва перекадрируйте.
• Доступно по HTTPS. Мы забираем image_url в момент выполнения job, а не в момент отправки.

Последний пункт вызывает больше отказов, чем все остальные вместе: короткоживущие подписанные ссылки истекают прямо в очереди.

API request: одно изображение, один prompt

Здесь два обязательных поля: prompt и 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": "Бариста двигает чашку вперёд, вверх завивается пар. Медленный наезд на крему. Шипение эспрессо-машины, тихий гул кафе позади.",
      "image_url": "https://example.com/counter-shot.jpg",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8",
      "has_sound": "true"
    }
  }'

В ответ приходит job ID. Опрашивайте его или отдайте нам 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:
        "Она опускает солнечные очки и бросает взгляд за кадр влево. Подол приподнимается на ветру. Камера статична, под всем этим чайки и прибой.",
      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));
}

Job идут pending → processing → completed либо останавливаются на failed / cancelled. Отправьте webhookUrl, если предпочитаете не опрашивать. Мы планируем примерно на четыре минуты; опубликованный Google диапазон — 11 секунд в лучшем случае, 6 минут в час пик.

Следите за типами: duration, resolution и has_sound — строки. "true", а не true.

Как выбрать правильный endpoint Veo 3.1 Fast

Три двери в одни и те же веса по одной и той же посекундной цене. Какую выбрать, решает ваш вход:

Честное разделение: берите этот endpoint, когда кадр и есть открывающий кадр. Берите reference-to-video, когда ваши изображения — это ориентир: один и тот же актёр в пяти сценах, — и примите, что он запирает вас на восьми секундах. Просто исследуете? Не загружайте ничего: text-to-video на четырёх секундах стоит $0.06 и быстро прожигает раскадровку. Остальное смотрите в категории image-to-video или во всём каталоге моделей.

Описывайте движение, а не картинку

Частая ошибка — заново описывать изображение, которое вы только что загрузили. Модель его видит. Каждое слово, потраченное на «женщина в красном пальто на пирсе», — это слово, не потраченное на то, что произойдёт дальше, и вдобавок приглашение переосмыслить кадр, который вы уже зафиксировали.

Пишите изменение. Три привычки несут основную часть качества:

Задайте одно главное движение. Поворот головы, наезд камеры, открывающаяся дверь. Сложите четыре действия в восемь секунд — и не прочитается ни одно.

Скажите, где стоит камера и двигается ли она. «Статично», «медленный наезд с тележки», «дрейф с рук вправо». Молчание на этот счёт даёт бесцельное плавание.

Озвучьте вслух. Назовите атмосферу и любую реплику диалога в кавычках. Звук генерируется независимо от того, планировали вы его или нет, — так планируйте.

Prompt на английском поддерживаются полностью. Другие языки Google для этой модели не оценивал, поэтому держите инструкции на английском, даже когда произносимая реплика на другом.

Перед выкаткой

Два дня. Вот ваше окно на скачивание. Google хранит сгенерированное видео два дня — их формулировка: вы должны скачать своё видео в течение 2 дней с момента генерации. Затягивайте outputs[0].url в собственное хранилище тем же участком кода, который его читает. Возвращаемая ссылка временная.

SynthID есть на каждом кадре. Google помечает весь вывод Veo своей незаметной меткой происхождения, проверяемой через их платформу. Отключить её не может ни один провайдер, включая нас.

Люди в регулируемых регионах. По всему ЕС, в Великобритании, Швейцарии, на Ближнем Востоке и в Северной Африке personGeneration ограничен значением allow_adult.

Согласуйте aspect ratio с исходником. Кадр 16:9 с запрошенным 9:16 заставляет модель выдумывать края.

Что нас спрашивают

Сколько стоит Veo 3.1 Fast image-to-video на E2X?

Мы берём $0.01 за секунду сгенерированного видео, умноженные на 1,5 при включённом звуке. Значит, восьмисекундный ролик 720p со звуком стоит $0.12. Более высокие разрешения применяют собственный множитель, поэтому перед планированием бюджета на batch в 1080p или 4k проверьте живую страницу модели.

Какие требования к входному изображению?

Меньше 8 МБ, не ниже 720p и либо 16:9, либо 9:16. Мы забираем его по image_url, который вы передали, поэтому ссылка должна оставаться рабочей в момент выполнения job — истекающие подписанные URL здесь самый частый отказ.

Можно ли оживить больше одного изображения в одном вызове?

На этом endpoint — нет, он принимает ровно один image_url. Если генерацию должны направлять несколько изображений, используйте reference-to-video, который принимает массив до трёх.

Содержит ли сгенерированное видео звук?

Да, и это одна из главных причин потянуться к этой модели. Google нативно производит синхронный диалог, эффекты и атмосферу, и в его собственном API выключателя нет. Наша schema открывает has_sound со значением true по умолчанию, несущим множитель ×1,5.

Какой длины получается ролик?

До 8 секунд. Этот endpoint принимает 4, 6 или 8, но вывод в 1080p и 4k требует полных восьми. Ничто в семействе Veo 3.1 Fast не превышает 8 секунд за один вызов.

Есть ли водяной знак на выводе?

Каждое видео Veo несёт SynthID — незаметный водяной знак происхождения ИИ от Google, и его можно проверить на их платформе верификации. Способа его отключить не предлагает никто.

Насколько быстра генерация?

Планируйте около четырёх минут на job. Официальные цифры Google ставят нижнюю границу на 11 секундах, а потолок в час пик — на 6 минутах, так что при любых реальных объёмах webhook лучше цикла polling.