Text-zu-Video-API — Video aus einem Prompt generieren (OpenAI-kompatibel, 2026)

Eine Text-zu-Video-API wandelt eine Textaufforderung programmgesteuert in einen kurzen Videoclip um, sodass Sie die Generierung in Pipelines integrieren können, statt durch eine Consumer-App zu klicken. Dieser Leitfaden behandelt die API-Struktur moderner Videomodelle, die heute auf Kunavo verfügbaren Live-Modelle, die Preise pro Clip und das asynchrone Muster, das Sie in der Produktion benötigen.

So funktioniert eine Text-zu-Video-API

Die Struktur ist bei modernen Videomodellen gleich: Senden Sie ein prompt und Parameter (duration, aspect_ratio, resolution), und Sie erhalten eine gehostete Video-URL zurück. Kunavo stellt dies über einen OpenAI-kompatiblen Endpoint, /v1/video/generations, bereit. Sie wechseln zwischen Videomodellen, indem Sie lediglich den model-String ändern — kein neues SDK und keine neue Integration erforderlich.

import requests

# One OpenAI-style endpoint for every text-to-video model.
resp = requests.post(
    "https://api.kunavo.com/v1/video/generations",
    headers={"Authorization": f"Bearer {API_KEY}"},
    json={
        "model": "veo-3",                       # swap the model, same request
        "prompt": "a cinematic dolly-in on a red origami crane unfolding",
        "aspect_ratio": "16:9",
    },
    timeout=600,  # generation takes minutes
)
print(resp.json()["data"][0]["url"])

duration (in Sekunden) legt die Cliplänge bei den Modellen mit sekundengenauer Abrechnung fest: den Seedance-Modellen und Wan 2.7. Die Veo-Modelle ignorieren den Wert; jeder Veo-Clip ist 8 Sekunden lang und wird pro Video abgerechnet.

Text-zu-Video-Modelle auf Kunavo

Heute sind drei Familien live: Google Veo 3 (cinematische Qualität mit nativem Audio), ByteDance Seedance 2 (Storytelling über mehrere Einstellungen und Konsistenz mit Referenzen) und Alibaba Wan 2.7 (budgetfreundliche Cinematic-Generierung, Abrechnung pro Sekunde). Sora, Kling und Hailuo stehen auf der Roadmap; da der Endpoint modellunabhängig ist, genügt für die Nutzung eines dieser Modelle eine Änderung an einem Wort im Feld model.

Preise

Veo 3 wird pro Video abgerechnet (hier dargestellt: pro 8-sekündigem Clip in 720p), etwa 50–70 % unter Googles Listenpreis. Höhere Auflösungen kosten mehr — die pricing page enthält die vollständige Tarifübersicht, und der AI video cost calculator berechnet die Kosten für einen Monat, einschließlich der Unterscheidung zwischen Abrechnung pro Clip und pro Sekunde, durch die zwei ähnlich aussehende Preise sehr unterschiedliche Rechnungen ergeben können.

Bild-zu-Video

Um ein Standbild zu animieren, übergeben Sie image_url (eine HTTPS-URL oder eine hochgeladene Datei) zusammen mit der Aufforderung; übergeben Sie ein erstes und ein letztes Bild für kontrollierte Übergänge. Die vollständigen Parameter finden Sie in der Videodokumentation.

Sprache und Video: Was dieser Endpoint kann und was nicht

„Speech to video“ wird für zwei verschiedene Dinge gesucht, und es lohnt sich, genau zu unterscheiden, welches davon hier verfügbar ist.

Video mit generierter Sprache — ja. Veo 3 erzeugt natives synchronisiertes Audio als Teil der Generierung: Dialog, Umgebungsgeräusche und Effekte, zeitlich auf das Bildmaterial abgestimmt und aus demselben Textprompt. Beschreiben Sie im Prompt die gewünschte gesprochene Zeile, und sie wird auf der Audiospur der zurückgegebenen MP4-Datei ausgegeben. Kein separates Modell zur Spracherzeugung, kein zweiter API-Aufruf, kein nachträglicher Synchronisationsschritt. Das ist eine Eigenschaft speziell der Modellfamilie Veo 3 — Seedance 2 und Wan 2.7 erzeugen stumme Videos.

Video aus einer Audiodatei erzeugen — nein. Wenn Sie eine Aufnahme hochladen und einen lippensynchronen sprechenden Avatar erhalten oder Sprache transkribieren und daraus ein Storyboard erstellen möchten, bietet Kunavo dafür derzeit kein Modell. Die Videomodelle hier akzeptieren eine Textaufforderung und optional ein Quellbild; keines akzeptiert Audio als Eingabe. Der Vollständigkeit halber: /v1/audio/transcriptions hat derzeit ebenfalls kein aktiviertes Modell, daher können Sie die zweistufige Variante nicht allein über diese API zusammenstellen. Wenn dies Ihr Anwendungsfall ist, ist dies das falsche Tool — besser, das klar zu sagen, als Ihnen einen nicht existierenden Workaround zu verkaufen.

Der Lebenszyklus einer asynchronen Aufgabe

Die Generierung dauert Minuten, daher halten Sie in der Produktion die Verbindung nicht offen. Senden Sie eine Aufgabe an /v1/videos, erhalten Sie sofort eine Aufgaben-ID und fragen Sie anschließend GET /v1/videos/{id} ab, bis die Aufgabe abgeschlossen ist. Die Ergebnis-URLs sind dauerhaft gültig.

# Production: submit a task and poll — don't hold a long connection.
task = requests.post(
    "https://api.kunavo.com/v1/videos",
    headers={"Authorization": f"Bearer {API_KEY}",
             "Idempotency-Key": "my-task-uuid"},
    json={"model": "veo-3", "prompt": "..."},
    timeout=60,
).json()
# then poll GET /v1/videos/{task["id"]} until status == "completed"

Auswahl zwischen den acht Modellen

Diese Seite behandelt den Endpoint. Für die Kostenfrage — was ein 8-sekündiger 720p-Clip mit jedem Modell kostet und warum die Abrechnung pro Clip und pro Sekunde je nach Clipdauer unterschiedliche Modelle an die Spitze setzt — siehe den Vergleich der Video-Generierungs-APIs.

Häufig gestellte Fragen