Veo 3.1 Fast

E2X 上的 Veo 3.1 Fast Text-to-Video API

Veo 3.1 Fast 是 Google 为速度调优过的 Veo 3.1：同样的分辨率、同样的 4/6/8 秒时长、同样始终开启的原生音频，只是出片更快、价格更低。我们将其开放为 google/veo-3.1-fast/text-to-video，并按输出秒数计费 —— 每秒 $0.01，开启音轨时 ×1.5。一段 8 秒、720p、带声音的片子是 $0.12。无需上传任何东西。一条 prompt 就是全部输入。

手上有一张静态图片，想让它动起来？那您要的是 Veo 3.1 Fast image-to-video —— 同一个模型，一张起始帧。需要同一张脸和同一件外套在一批镜头中都保持不变？那是 Veo 3.1 Fast reference-to-video。

一段 8 秒片子在各家要多少钱

这个模型的每一家正经提供商都按秒计费，我们也一样。所以唯一诚实的对比方式是固定一套配置——下面这套是 720p、音频开启，核查日期为 2026 年 8 月 26 日：

请把最后一行对着 fal.ai 和 Replicate 读。我们一段 8 秒片子的标价是 $1.20 —— 与他们收的分毫不差。 而您今天付的是那个数字的十分之一，并且对同样一次 request，仍比 Google 自家 API 低 6.7 倍。

预算时请留意一个细节：在 fal.ai 和 Replicate 上，720p → 1080p 是免费的，而 Google 会为此按秒多收钱。分辨率在我们这边同样是一个倍率，所以在把流水线定在 1080p 之前，请从本模型的 llms.txt 中取出实时数字。

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。

音轨才是头条

大多数 text-to-video 模型交给您一个无声的 MP4，把声音留给您自己解决。Veo 3.1 Fast 不是。Google 的 API 原生生成音频，而且在那里您关不掉它——同步的对白、拟音和房间底噪，与画面一同产出并锁定在帧上。Google 自己文档里的示例 prompt 就包含台词。

这改变了一次调用的价值。写下「一个鱼贩把箱子重重放下，喊道 刚到的，五分钟前」，您就会在正确的帧上得到那一声闷响和那一嗓子——而不是一段还得您事后配乐的哑剧。对社交剪辑和动态分镜来说，整整一道后期工序凭空消失了。

您还能挑什么：

• 时长：4、6 或 8 秒。 在我们的三个 Veo 3.1 Fast endpoint 里，只有这一个的选择是真正开放的。4 秒、720p、带音频的片子是 $0.06；6 秒是 $0.09。
• 分辨率：720p（我们的默认）、1080p 或 4k，24fps。1080p 和 4k 仅限 8 秒——这是 Google 的限制，不是我们的。
• Aspect ratio：16:9（默认）或 9:16。 没有方形，没有 4:5。
• has_sound，默认为 true，驱动那个 ×1.5 倍率。

单段片子的上限是八秒。要成序列，就得多次调用。

API request：输入 prompt，输出 MP4

在控制台造一把 key，把它留在服务端，然后提交 job。只有 prompt 是必填项。

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": "夜里，手持镜头沿着被雨水打湿的大阪小巷推进。一位拉面摊主掀起暖帘，蒸汽涌出，他向骑车经过的人喊道：\"今晚最后一碗！\" 霓虹倒影在水洼里颤动。",
      "aspect_ratio": "16:9",
      "resolution": "720p",
      "duration": "8",
      "has_sound": "true"
    }
  }'

我们会返回一个 job ID。您可以对它做 polling，也可以不做：

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:
        "缓慢推近一位正在航海日志上书写的灯塔看守人。风把玻璃震得作响。她低声说：\"第三个夜晚，仍然没有信号。\" 灯光每四秒扫过她的脸一次。",
      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));
}

状态依次为 pending → processing → completed，或者落到 failed / cancelled。改发一个 webhookUrl，我们就会呼叫您。请按每个 job 大约四分钟来预算；Google 公布的下限是 11 秒、高峰期上限是 6 分钟，所以请按上限来设计。

一个 schema 陷阱：duration 和 resolution 都是字符串。是 "8"，不是 8。

在我们的 Veo 3.1 Fast endpoint 之间做选择

同样的权重，同样的按秒价格，三扇不同的前门。您手上已有的输入决定了走哪一扇：

价格分不出胜负，所以请跟着需求单走。如果客户已经签核了一张主视觉，把它作为起始帧发过去，胜过用文字把它重新描述一遍。如果六段片子必须看起来像同一场战役，就加载最多三张参考图——只是要知道，reference-to-video 强制 8 秒，没有例外。这个 endpoint 保留了更短的时长选项，这让它成为用粗略动态填满分镜板最便宜的方式。我们运行的其余模型在 text-to-video 分类和完整的模型目录里。

配得上这条声轨的 prompt

把 prompt 当成一份附带混音说明的镜头表。有四件事比形容词更能拉动效果：

点名摄影机运动。 「固定机位广角」「缓慢推轨」「手持跟拍」——模型会尊重这些。含糊的取景只会给您漂移的、拿不定主意的运动。

把对白写在引号里。 短句，每段片子一两句。八秒并不长。转述式的意图（「他说了些鼓励的话」）会产出含混的填充词。

点名环境音。 雨打铁皮、冰箱的嗡鸣、远处的车流。您不点名，模型就自己编一层底噪，而它未必对得上您的剪辑。

说清楚光在做什么。 阴天正午、钠灯路灯、一盏实景灯。光线决定了一段 Fast 档的片子读起来是刻意为之，还是一次渲染。

英语获得完整支持；Google 没有在这里评测过其他语言。您想让人物说哪种语言就用哪种语言写对白，但请预期在英语之外方差更大。

交付前该检查什么

48 小时内下载。 Google 会把文件保留两天——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 的同一个 job 里，把每一份输出都复制到您自己的存储桶。CDN 链接不是归档。

每一帧都带 SynthID。 Google 的不可感知 watermark 会加到所有 Veo 输出上，并可在他们的验证平台上核验。没有人能把它关掉，我们也不能。

关于人物的地区规则。 在欧盟、英国、瑞士以及中东北非地区，personGeneration 被限制为 allow_adult。

常见问题

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

我们按秒计费：每秒输出 $0.01，启用音频时乘以 1.5。一段 8 秒、720p、带声音的片子是 $0.12，6 秒的是 $0.09，4 秒的是 $0.06。720p 以上的分辨率有各自的倍率。

对这个模型来说，E2X 真的比 fal.ai 便宜十倍吗？

在我们核查的那套配置和那个日期上——8 秒、720p、音频开启、2026 年 8 月 26 日——是的：我们 $0.12，那边 $1.20。我们自己未打折的标价就是同样的 $1.20。这个差距是一次折扣，而不是另一种产品。

我能把音频关掉吗？

我们的 schema 暴露了 has_sound，默认值为 true。Google 自家的 Gemini API 根本不提供关闭开关，所以最好把音频视作这个模型本身的一部分——在我们的 image-to-video endpoint 上同样如此。这也是那个 ×1.5 价格倍率的由来。

一段生成的片子最长能有多长？

单次调用八秒。在这个 endpoint 上您可以要 4 秒或 6 秒，但 1080p 和 4k 需要完整的 8 秒。更长的序列意味着您自己把多个 job 拼接起来，或者用 reference-to-video 把一套观感稳住。

支持哪些 aspect ratio 和分辨率？

只有 16:9 和 9:16，24fps，可选 720p、1080p 或 4k。我们默认 16:9 和 720p。没有方形或 4:5 选项，需要的话请在后期裁切。

视频带 watermark 吗？

带 —— 每一份 Veo 输出都带有 SynthID watermark，这是 Google 的不可感知来源标记，可以通过他们的平台核验。没有任何提供商暴露禁用它的参数。

一次生成需要多久？

我们按每个 job 大约四分钟来预算。Google 公布的最短是 11 秒，高峰期最长为 6 分钟，所以批量作业请用 webhook，而不是紧凑的 polling 循环。