Hermes Agent で Veo 3 を使う。
Veo 3 は Google DeepMind の動画生成モデルで、最長 8秒・1080p のクリップを、ネイティブ音声——動画と同期して生成される対話、環境音、音楽——とともに生成します。Hermes Agent は RunAPI のカスタムプロバイダエンドポイント経由で呼び出し、チャット用に設定したものと同じ APIキーを再利用します。
RunAPI を通じて Google Veo 3 を使い、ネイティブ音声付きのシネマティックな動画クリップを生成します。
要件：
- RUNAPI_API_KEY から APIキーを読み込む。キーをハードコードしない。
- custom:runapi プロバイダを base_url https://runapi.ai/v1 で使用する。
- https://runapi.ai/api/v1/veo_3_1/text_to_video へ POST リクエストを送信する
- model を "veo-3.1" に設定する。
- シーン、カメラの動き、音声の手がかりを含む記述的なプロンプトを書く。
- duration_seconds を 4、6、または 8 に設定する。
- aspect_ratio を "16:9"、"9:16"、または "auto" に設定する。
- タスクは非同期です。返された task_id を status が "completed" になるまでポーリングする。
- 完了したら、レスポンスの output から動画 URL を読み込む。
curl -X POST https://runapi.ai/api/v1/veo_3_1/text_to_video \
-H "Authorization: Bearer $RUNAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "veo-3.1",
"prompt": "A woman walks through a bustling Tokyo street at night, neon signs reflecting on wet pavement. She speaks into her phone: I just arrived. Ambient city noise, distant car horns, light rain.",
"duration_seconds": 8,
"aspect_ratio": "16:9"
}'
{
"task_id": "tsk_abc123",
"status": "pending",
"model": "veo-3.1"
}
Hermes Agent で Veo 3 を使う3ステップ
Configure RunAPI
Set RUNAPI_API_KEY in the environment where Hermes Agent runs. If you already added RunAPI as a custom:runapi provider for chat, the same key and base_url handle video generation — no separate Google Cloud credentials needed.
export RUNAPI_API_KEY=runapi_xxx
Call Veo 3 text_to_video
Send a POST to the text_to_video endpoint with model set to veo-3.1. Include a prompt with scene descriptions and audio cues (dialogue, ambient sounds). Set duration_seconds to 4, 6, or 8 and aspect_ratio to 16:9 or 9:16. Hermes Agent routes through the custom:runapi provider.
POST /api/v1/veo_3_1/text_to_video
Poll for the result
The endpoint returns a task_id immediately. Poll the task status endpoint until the status changes to completed, then retrieve the output video URL. The video includes synchronized audio generated from your prompt.
GET /api/v1/veo_3_1/text_to_video/tsk_abc123
Veo 3 text_to_video パラメータ
| パラメータ | 型 | 説明 |
|---|---|---|
model |
string |
Required. veo-3.1 (standard quality) or veo-3.1-fast (lower cost, faster generation). |
prompt |
string |
Required. Scene description including visual action, camera movement, and audio cues for dialogue or ambient sound. |
duration_seconds |
integer |
Optional. Video length in seconds. Accepted values: 4, 6, 8. Defaults to 8. |
aspect_ratio |
string |
Optional. Output aspect ratio. Accepted values: 16:9, 9:16, auto. |
input_mode |
string |
Optional. Generation mode. text (default), first_and_last_frames (keyframe-guided), or reference (style reference). |
first_frame_image_url |
string |
Optional. URL of the first frame image. Used when input_mode is first_and_last_frames. |
last_frame_image_url |
string |
Optional. URL of the last frame image. Used when input_mode is first_and_last_frames. |
reference_image_urls |
array |
Optional. URLs of style reference images. Used when input_mode is reference. |
callback_url |
string |
Optional. Webhook URL that receives a POST when the task completes. |
Hermes AgentのVeo 3とは？
Google DeepMindのVeo 3は生命感あふれる動画を生成します——映画品質の映像と同期した対話・環境音・音楽を1回の生成で出力します。Hermes Agentのcustom:runapi providerを通じて、別途のTTSや音声編集ステップなしに最長8秒の1080pネイティブ音声動画を取得できます。
Veo 3の活用例
アニメ・スタイライズドシーケンス
マッチした音響キュー付きのアニメ風またはスタイライズド動画クリップを生成します。プロンプトにビジュアルスタイルとサウンド方向を記述するとVeo 3が両方を同時にレンダリングします。
音楽・歌唱コンテンツ
短編ミュージックビデオクリップや歌唱デュエットシーンを作成します。同期した視聴覚出力のためにプロンプトに歌詞や音楽方向を含めます。
サウンド付きSNSコンテンツ
環境音声・ナレーション・対話が内蔵された完成動画クリップを生成します。音声編集は不要——出力には動画と音声トラックの両方が含まれており、そのまま投稿できます。
Veo 3 + Hermes Agent のよくある質問
Yes. Hermes Agent calls the RunAPI Veo 3 text_to_video endpoint through the custom:runapi provider. Set model to veo-3.1 and send the request with the same RUNAPI_API_KEY you use for chat. No Google Cloud account or separate video API credentials required.
Veo 3 adds native audio generation that Veo 2 lacks entirely. If you need synchronized dialogue, sound effects, or ambient audio with your video, Veo 3 is the only option. For silent video where visual quality is all that matters, Veo 2 can be more cost-effective.
Both produce video with native audio at up to 1080p. veo-3.1 uses the full quality pipeline and costs more per generation. veo-3.1-fast trades some visual fidelity for lower cost and faster turnaround -- suitable for drafts and iteration.
Yes. Describe camera motion in the prompt (dolly in, tracking shot, aerial pan) and Veo 3 interprets it with physics-aware simulation. For audio, include dialogue in quotes and describe ambient sounds -- the model generates synchronized audio natively, no separate TTS or sound library needed.
Hermes Agent passes your prompt (including dialogue or sound descriptions) to the RunAPI Veo 3 endpoint. The model generates synchronized audio and video together. No separate audio pipeline is needed -- the output includes both tracks.
Yes. Hermes Agent can generate a reference image with Imagen 4 or Flux 2, use it as input for Veo 3 image-to-video generation, then add background music with Suno -- all orchestrated in one agent run.
今すぐ Hermes Agent で Veo 3 を試す。
無料の RunAPI キーを取得し、custom:runapi プロバイダを設定して、Google Veo 3 でネイティブ音声付きのシネマティックな動画を生成しましょう。