Veo 3.1 Fast

E2X 上的 Veo 3.1 Fast Image-to-Video API

给这个 endpoint 一张静图，它就会成为一个会动、且已配好声音的镜头的第一帧。我们把 Google 的 Veo 3.1 Fast 运行为 google/veo-3.1-fast/image-to-video，并按输出秒数计费：每秒 $0.01，开启音轨时 ×1.5。因此一段 8 秒、720p、带声音的片子是 $0.12 —— 一张图加一条 prompt，不必折腾参考图。

手上没有起始图像？那 Veo 3.1 Fast text-to-video 才是您要的 endpoint —— 同一个模型、同样的价格、只需 prompt，而且它允许您降到 4 秒或 6 秒。如果您手上是好几张图像，而重点是让同一个角色在多个镜头间保持一致，那请去 Veo 3.1 Fast reference-to-video。

按秒计费，以及它在结账时意味着什么

没有人按视频条数来卖这个模型。Google、fal.ai、Replicate 和我们都是一秒一秒地计量输出，所以公平的对比必须固定一套配置。以下是我们在 2026 年 8 月 26 日 最后一次核查时，8 秒、720p、音频开启的情况：

请在最后一行上多停一会儿。我们未打折的标价是 8 秒片子 $1.20 —— 与 fal.ai 和 Replicate 收的完全是同一个数字。 您现在付的 $0.12 是它的十分之一，并且仍比 Google 自家 API 低 6.7 倍。

分辨率对账单的影响，取决于您在哪里买。在 fal.ai 或 Replicate 上，从 720p 升到 1080p 不额外花钱；Google 则按更高的每秒费率收费。我们同样把分辨率当作一个倍率，所以在规划一次 1080p 跑批之前，请从本模型的 llms.txt 中读取当前数字。

价格与产品条款可能随时间变化；在做出采购决定前，请核对各家提供商的当前价格。Google 的 Batch 或 Flex 价格在调度、可用容量和处理条件上均有所不同，因此与标准的按需 API request 并不直接等价，已从本对比中排除。这是一次限定范围的对比，并非声称 E2X 在任何配置下都是全球最便宜的选择。

模型会拿您那一帧做什么

您的图像锚定第一帧。之后的一切都是生成出来的——请把这个心智模型握住，因为它同时解释了它的强项和它的失效模式。

强项：构图、配色、服装和布景已经定了。您不必赌一段文字能不能复现出客户早已批准的那张产品图。喂进静图，描述运动，得到一段起点与静图分毫不差的片子。

失效模式：片子离那一帧走得越远，它就即兴得越多。要它在八秒内绕主体转 180°，那么主体的另一侧就是编出来的。要它缓慢推近再加一个转头，它守得住。

音频是顺带一起来的。Google 原生生成它，而且他们的 API 没有禁用开关——对白同步、脚步声踩在落脚点上、底下垫着房间底噪。进去的是一张静态照片，出来的是带原声带的东西。

我们会强制执行的输入要求

Google 对源图像的约束，直说：

• 小于 8 MB。 更大的文件会在生成开始前就被拒绝。
• 720p 或更高。 请在发送前把小素材放大，而不是发送之后。
• 16:9 或 9:16。 方形和 4:5 不行——请先重新裁切。
• 可通过 HTTPS 访问。 我们是在 job 运行时去取 image_url，而不是在您提交时。

最后这一条造成的失败比其余加起来还多：短时效的签名链接在排队途中就过期了。

API request：一张图，一条 prompt

这里有两个必填字段：prompt 和 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": "咖啡师把杯子往前推，蒸汽袅袅升起。缓慢推近咖啡油脂。咖啡机的嘶嘶声，背景是低低的咖啡馆交谈声。",
      "image_url": "https://example.com/counter-shot.jpg",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8",
      "has_sound": "true"
    }
  }'

您会拿回一个 job ID。可以对它做 polling，也可以给我们一个 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:
        "她把墨镜往下拉，目光瞥向画面左侧之外。裙摆被风掀起。固定机位，底下是海鸥和浪声。",
      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 的流转是 pending → processing → completed，或者停在 failed / cancelled。不想做 polling 的话，请发一个 webhookUrl。我们按大约四分钟来规划；Google 公布的区间是最快 11 秒、高峰期 6 分钟。

留意类型：duration、resolution 和 has_sound 都是字符串。是 "true"，不是 true。

挑对 Veo 3.1 Fast 的 endpoint

三扇门通向同样的权重，价格也是同样的按秒计费。选哪一扇由您的输入决定：

诚实的分界：当那张静图就是开场帧时，用这个 endpoint。当您的图像只是引导时——同一个演员出现在五个场景里——用 reference-to-video，并接受它把您锁死在 8 秒上。只是在探索阶段？那就什么都别上传：4 秒的 text-to-video 是 $0.06，能飞快地烧完一整块分镜板。其余内容可在 image-to-video 分类或整个模型目录中浏览。

描述运动，而不是画面

常见的错误是把您刚上传的那张图再描述一遍。模型看得见它。花在「一位穿红大衣的女人站在栈桥上」上的每一个词，都是没花在「接下来发生什么」上的词——而且这等于邀请它去重新演绎一帧您本已锁定的画面。

请改为写下变化。有三个习惯撑起了大部分质量：

只给一个主要运动。 一个转头、一次推镜、一扇门打开。把四个动作塞进八秒，结果一个都读不出来。

说清楚摄影机在哪、动不动。 「固定机位」「缓慢推轨」「手持向右漂移」。在这一点上沉默，得到的就是漫无目的的漂浮。

把声音也大声说出来。 点名环境音，并把任何台词放进引号里。无论您是否规划，音频都会被生成，所以请规划它。

英文 prompt 获得完整支持。Google 没有针对这个模型评测过其他语言，所以即便台词是另一种语言，也请把指令保持为英文。

交付之前

两天。这就是您的下载窗口。 Google 会把生成的视频保留两天——他们的原话是：「您必须在生成后 2 天内下载您的视频」。请在读取 outputs[0].url 的同一条代码路径里，把它拉进您自己的存储。返回的链接是临时的。

每一帧上都有 SynthID。 Google 会给所有 Veo 输出打上其不可感知的来源标记，可通过他们的平台核验。没有任何提供商能禁用它，我们也不能。

受监管地区的人物。 在欧盟、英国、瑞士以及中东北非地区，personGeneration 的上限是 allow_adult。

让 aspect ratio 与您的源图匹配。 一张 16:9 的静图却请求 9:16，就是逼着模型去编造画面边缘。

我们常被问到的问题

在 E2X 上 Veo 3.1 Fast image-to-video 多少钱？

我们按生成视频每秒 $0.01 收费，开启音频时乘以 1.5。这让一段 8 秒、720p、带声音的片子成为 $0.12。更高的分辨率会套用各自的倍率，所以在为一批 1080p 或 4k 做预算之前，请查看实时模型页面。

输入图像有什么要求？

小于 8 MB，至少 720p，并且是 16:9 或 9:16 之一。我们会从您提供的 image_url 去取它，所以这个链接在 job 运行时必须仍然可解析——会过期的签名 URL 是这里最常见的失败原因。

我能在一次调用里让不止一张图像动起来吗？

在这个 endpoint 上不行——它只接受恰好一个 image_url。如果需要多张图像来引导一次生成，请用 reference-to-video，它接受一个最多三项的数组。

生成的视频包含声音吗？

包含，而且这正是选用这个模型的主要理由之一。Google 原生产出同步的对白、音效和环境音，在他们自己的 API 里没有关闭开关。我们的 schema 暴露了 has_sound，默认为 true，并带着那个 ×1.5 倍率。

生成的片子有多长？

最长 8 秒。这个 endpoint 接受 4、6 或 8，但 1080p 和 4k 输出需要完整的 8 秒。Veo 3.1 Fast 家族中没有任何一个能在单次调用里超过 8 秒。

输出上有 watermark 吗？

每一段 Veo 视频都带有 SynthID，这是 Google 的不可感知 AI 来源 watermark，可以在他们的验证平台上核验。没有人提供关掉它的办法。

一次生成有多快？

请按每个 job 大约四分钟来规划。Google 的官方数字把下限定在 11 秒、高峰期上限定在 6 分钟，所以一旦您跑上真正的量，webhook 就胜过 polling 循环。