Veo 3.1 Fast

E2X 上的 Veo 3.1 Fast Reference-to-Video API

当同一张脸、同一件外套或同一家店面必须在一整批片子中都保持不变时，您用的就是这个 endpoint。我们把 Google 的 Veo 3.1 Fast 运行为 google/veo-3.1-fast/reference-to-video，它接受一个装着最多三张参考图像的 image_urls 数组，我们按秒计费：每秒 $0.01，开启音频时 ×1.5。这里的每一段片子都是 8 秒，所以在 720p 带声音的情况下，价格是每段 $0.12。

一张图就够了，而且短一点的片子更合适？请用 Veo 3.1 Fast image-to-video —— 它让单张起始帧动起来，并且能给您 4 秒或 6 秒。什么都不用上传？Veo 3.1 Fast text-to-video 只靠一条 prompt 就能跑。

一致性在每段片子上要花多少钱

按秒计量在这个模型上是通例——Google、fal.ai 和 Replicate 都这么做，我们也一样。既然 reference-to-video 被固定在 8 秒，下面这张表就是唯一要紧的配置。数据核查于 2026 年 8 月 26 日，720p 带音频：

请把最后一行对着那两个市场平台读。我们一段 8 秒片子的标价是 $1.20 —— 恰好就是 fal.ai 和 Replicate 收的数目。 您今天付的是它的十分之一，而且仍落在 Google 自家 API 的 6.7 分之一以下。这个差距是同一个模型上一次正在生效的折扣，而不是一个被阉割过的档位。

请慎重地为 1080p 做预算：fal.ai 和 Replicate 把 720p → 1080p 这一步免费包含在内，而 Google 会按更高的每秒费率收费。分辨率在我们这边同样是一个倍率——当前数字见本模型的 llms.txt。

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。

三张图像，没有第四张

Google 的限制写得很明白：「最多使用三张参考图像来引导内容」，在他们的 schema 中被描述为「最多三张用作风格与内容参考的图像」。三张。第四张已经超出模型接受的范围。

这个预算逼着您做一个决定，而这正是这个 endpoint 有意思的地方。您把三个槽位花在绝对不能漂移的东西上。一次战役拍摄通常是这样分的：一张出镜人物的干净肖像、一张展示全身穿搭的全身照、一张场地照片。于是这一组里的每一段片子回来时都是同一个人、同一身衣服、同一个地方——您只改 prompt。

产品类的分法不同：物体的两个角度，加一帧品牌的色彩处理。原理相同。参考图承载身份，prompt 承载动作。

这不是 image-to-video 的活儿。在那边，您的图像就是第一帧。在这里，参考图是引导，而开场帧是由它们生成出来的。需要一段从某张已获批准的静图开始的片子？那是另一个 endpoint。

八秒，没得商量

Google 的规则是这么写的：时长「在使用扩展、参考图像，或使用 1080p 与 4k 分辨率时，必须为 '8'」。参考图像就在那份清单上，所以另外两个 endpoint 提供的 4 秒和 6 秒选项在这里并不存在。我们的 schema 里仍然显示着 duration 枚举；对这项 capability 而言，唯一有效的取值是 "8"。

请据此做预算。一个六段的序列就是 48 秒输出——在我们这里是 $0.72，在 fal.ai 或 Replicate 上是 $7.20。

API request：一个参考图数组

必填字段：prompt 和 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": "图 1 里的女人，穿着图 2 里的大衣，走进图 3 的大堂并抖落身上的雨水。她抬起头说：\"你等了。\" 温暖的钨丝灯光，大理石回声。",
      "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"
    }
  }'

提交后会返回一个 job ID；对它做 polling，或者注册一个 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/reference-to-video",
    input: {
      prompt:
        "图 1 里的吉祥物跳上图 2 里的台面，撞倒一只杯子后僵住不动。吱吱的脚步声，一声瓷器碰撞，然后是寂静。",
      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));
}

状态走 pending → processing → completed，或者终止于 failed / cancelled。请按每个 job 大约四分钟来规划——Google 的官方窗口是 11 秒下限、高峰期 6 分钟。如果您希望一组生成结果彼此押韵，请在整组中复用同一个 seed。

该走 Veo 3.1 Fast 的哪扇门

同样的权重，同样的按秒价格。您输入的形态决定了 endpoint：

我们更希望您少花点钱。如果一张图就能办到，image-to-video 既是同样的价格，又解锁了 4 秒和 6 秒的片子——4 秒版本是 $0.06，是您在这里必付的固定 8 秒的一半。当跨多段片子的一致性才是真正的需求时，再来这个 endpoint，因为那正是其他几个做不到的唯一一件事。这个分类的其余内容在 reference-to-video 下；其他所有模型都在模型目录里。

给您的参考图贴标签

模型收到的是一个没有标签的数组。payload 里没有任何东西说明第二个槽位是服装而不是第二个角色——所以请在 prompt 里说出来。

按序号指代是管用的：「图 1 里的女人」「图 2 里的大衣」「图 3 里的大堂」。几个词，就能让绝大部分导致输出串味的歧义消失。

还有三个习惯：

让每张参考图只干一件事。 一张同时装着人物、产品和房间的繁忙照片，等于让模型去猜您在意的是哪个。裁紧一点。

用文字把身份再说一遍。 「同样的银色短发，同样的圆框眼镜」会强化参考图所展示的内容。这是便宜的保险。

把对白写出来。 Google 原生生成音频，在他们的 API 里没有关闭开关，所以无论如何声音都会发生——人声、音效、环境音。把台词加引号，它就会落在正确的帧上。

Google 完整支持英语，并且没有针对这个模型评测过其他任何语言，所以请把指令文本保持为英文——引号里的台词可以是场景需要的任何语言。

交付清单

两天的下载期限。 Google 对生成视频的保留期是两天——「您必须在生成后 2 天内下载您的视频」。对一个历时一周、由二十段片子构成的战役来说，这是一项架构决策，而不是一条脚注。job 一完成，就立刻把 outputs[0].url 复制进您自己的存储。

每份输出上都有 SynthID。 Google 的不可感知 watermark 会加到所有 Veo 视频上，并可通过他们的平台核验。没有任何提供商能禁用它。

人物生成受地区限制。 在欧盟、英国、瑞士以及中东北非地区，personGeneration 被限制为 allow_adult。

给您的参考图集做版本管理。 一致性依赖于每次都发送字节完全相同的参考图。批量跑到一半换上一张重新导出的肖像，是会看得出来的。

常见问题

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

我们按输出每秒 $0.01 计费，开启音频时 ×1.5。这个 endpoint 固定为 8 秒，所以一段 720p 带声音的片子是 $0.12。更高的分辨率带有各自的倍率——在规划一批 1080p 之前，请查看实时模型页面。

我能发送多少张参考图像？

最多三张。Google 的文档说您最多可以使用三张参考图像来引导内容，而他们的 schema 把它们描述为风格与内容参考。少于三张也没问题；两张很常见。

为什么我在这里不能生成 4 秒的片子？

只要涉及参考图像，Google 就要求 8 秒——这与覆盖 1080p 和 4k 的是同一条规则。需要 4 秒或 6 秒？请改用 image-to-video 或 text-to-video endpoint：同一个模型，同样的按秒价格。

这个和 image-to-video 有什么区别？

Image-to-video 把一张图像变成字面意义上的开场帧。Reference-to-video 把最多三张图像当作身份、服装、风格或场地的引导，然后生成一个与它们一致的开场帧。当跨多段片子的一致性比某个特定的第一帧更重要时，请用参考图。

输出包含同步音频吗？

包含。Google 原生生成对白、音效和环境音，在他们自己的 API 里没有办法禁用它。我们暴露了默认值为 true 的 has_sound，而这个设置会套用 ×1.5 的价格倍率。

生成的视频带 watermark 吗？

所有 Veo 输出都带有 SynthID，这是 Google 用于 AI 生成内容的不可感知标记，可在他们的平台上核验。没有任何提供商——包括我们——能把它关掉。

一个 job 要多久才能完成？

我们按大约四分钟来预算。Google 公布的是 11 秒的最小值和高峰期 6 分钟的最大值，所以对一整组片子，请用 webhookUrl，而不是一直挂着 polling 循环。