ReelSDK monta un vídeo con tus fotos, una canción y, si quieres, una locución en español con subtítulos, a 0,03 USD por minuto. El de esta página, de 5 fotos y unos 12 s, costó menos de 0,006 USD, y los primeros 0,50 USD son gratis.

Crea vídeos con fotos y música desde tu código, con una sola petición

Mandas a ReelSDK las URL de las fotos, un MP3 narrado y una pista de música, y en unos 17 segundos tienes un MP4 de 1080x1920 con la voz por encima de la música.

En españolActualizado

5 fotos de Sevilla con locución en español y música de fondo: 12 s de vídeo, listo en unos 17 segundos.Entrada: locución en MP3captions.srttranscript.json

La petición

POST /v1/slideshow

Convierte unas fotos en un vídeo vertical con música, locución en español y subtítulos, a 0,03 USD por minuto de vídeo.

terminalTry it
curl "https://api.reelsdk.com/v1/slideshow?wait=60" \
  -H "Authorization: Bearer $REELSDK_KEY" \
  --json '{
    "images": [
      "https://api.reelsdk.com/f/lib/demo/seville/river.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/plaza.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/oranges.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/flamenco.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/tapas.jpg"
    ],
    "size": "9:16",
    "motion": "kenburns",
    "voiceover": "https://api.reelsdk.com/f/lib/in/es/sevilla-tres-dias.mp3",
    "language": "es",
    "music": {
      "url": "https://api.reelsdk.com/f/lib/music/chill/calm-currents.mp3",
      "volume": 0.2
    },
    "captions": "bold"
  }'
request.mjsTry it
const res = await fetch("https://api.reelsdk.com/v1/slideshow?wait=60", {
  method: "POST",
  headers: { Authorization: `Bearer ${process.env.REELSDK_KEY}`, "Content-Type": "application/json" },
  body: JSON.stringify({
    "images": [
      "https://api.reelsdk.com/f/lib/demo/seville/river.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/plaza.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/oranges.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/flamenco.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/tapas.jpg"
    ],
    "size": "9:16",
    "motion": "kenburns",
    "voiceover": "https://api.reelsdk.com/f/lib/in/es/sevilla-tres-dias.mp3",
    "language": "es",
    "music": {
      "url": "https://api.reelsdk.com/f/lib/music/chill/calm-currents.mp3",
      "volume": 0.2
    },
    "captions": "bold"
  }),
});
const { job } = await res.json();
solo-musica.shTry it
curl "https://api.reelsdk.com/v1/slideshow?wait=60" \
  -H "Authorization: Bearer $REELSDK_KEY" \
  --json '{
    "images": [
      "https://api.reelsdk.com/f/lib/demo/seville/river.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/plaza.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/oranges.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/flamenco.jpg",
      "https://api.reelsdk.com/f/lib/demo/seville/tapas.jpg"
    ],
    "size": "4:5",
    "seconds_per_image": 3,
    "transition": "slideleft",
    "music": "https://api.reelsdk.com/f/lib/music/chill/calm-currents.mp3"
  }'
response.json
{
  "job": {
    "id": "job_nbgl5al3acuz94eldjxv",
    "op": "slideshow",
    "status": "succeeded",
    "created_at": "2026-11-07T03:54:38.804Z",
    "finished_at": "2026-11-07T03:54:55.516Z",
    "outputs": {
      "video": "https://api.reelsdk.com/f/out/job_nbgl5al3acuz94eldjxv/video.mp4?s=...",
      "transcript": "https://api.reelsdk.com/f/out/job_nbgl5al3acuz94eldjxv/transcript.json?s=...",
      "srt": "https://api.reelsdk.com/f/out/job_nbgl5al3acuz94eldjxv/captions.srt?s=...",
      "vtt": "https://api.reelsdk.com/f/out/job_nbgl5al3acuz94eldjxv/captions.vtt?s=...",
      "ass": "https://api.reelsdk.com/f/out/job_nbgl5al3acuz94eldjxv/captions.ass?s=..."
    },
    "duration_s": 11.6,
    "usage": {
      "output_seconds": 11.6,
      "audio_seconds": 11.099,
      "tts_characters": 0,
      "images": 0
    },
    "poll_url": "https://api.reelsdk.com/v1/jobs/job_nbgl5al3acuz94eldjxv"
  }
}

Con locución, la voz marca la duración

Si mandas voiceover y no fijas seconds_per_image, las fotos se reparten la duración de la voz. Nuestra locución dura unos 11 segundos, así que cada una de las 5 fotos se queda algo más de 2 segundos en pantalla, y el vídeo termina medio segundo después de la voz.

Las 40 voces de texto a voz de POST /v1/slideshow hablan inglés. Para narrar en español, manda la URL de un MP3, grabado por ti o generado con un servicio de voz; el nuestro lo generamos con ElevenLabs. Si prefieres que la API escriba y ponga la voz en español, los shorts con IA tienen 10 voces en español.

De un vistazo

Tamaños de salida

El campo size acepta estas proporciones, y también un ancho y un alto exactos.

Tamaños de salida
`size`PíxelesDónde encaja
9:161080x1920Reels, TikTok y YouTube Shorts
4:51080x1350Publicaciones del feed de Instagram y Facebook
1:11080x1080Feeds cuadrados y anuncios
3:41080x1440Vertical clásico de foto
4:31440x1080Horizontal clásico de foto
16:91920x1080YouTube, webs y presentaciones

Fuentes: ReelSDK OpenAPI spec, ReelSDK slideshow docs, revisado en noviembre de 2026.

Para otro tamaño, pasa un ancho y un alto pares entre 240 y 2160 px.

Sin locución, tú marcas el ritmo

Sin voz, cada foto dura lo que digas en seconds_per_image, de 0,5 a 60 s, y el paso de una a otra lo eliges en transition: hay 58 transiciones con nombre, más random y none, de 0,1 a 2 s cada una, con un fundido de 0,5 s por defecto. Con motion en kenburns, cada foto lleva además un zoom lento.

La variante solo-musica.sh de arriba pide las mismas fotos a 3 s cada una, con slideleft y en formato 4:5 (1080x1350), y el vídeo de 15 s costó 0,0075 USD.

La música, siempre por debajo de la voz

music acepta una URL o un objeto con url y volume, de 0 a 2. La pista se repite o se recorta a la duración del vídeo, se apaga con un fundido en el último segundo y baja sola cuando entra la voz, así que no tienes que mezclar nada a mano.

Aquí usamos calm-currents.mp3, una pista CC0 de HoliznaCC0 incluida en la biblioteca de ReelSDK, con volume a 0,2.

Subtítulos en español sin escribirlos

Con captions en bold y language en es, la API transcribe la locución con Whisper y dibuja el texto en Montserrat, en mayúsculas, de 3 en 3 palabras y en el centro de la imagen. En este vídeo, el transcript.json respetó las tildes de días y mediodía y la eñe de España.

Los mismos subtítulos salen en captions.srt y captions.vtt para usarlos fuera del vídeo, y la transcripción no se cobra aparte: todo entra en los 0,03 USD por minuto de vídeo. Si solo necesitas subtitular un vídeo que ya tienes, mira los subtítulos automáticos.

Cuánto cuesta

Lo que costó este vídeo

Vídeo, 11,6 s a 0,03 USD por minuto
0,0058 USD
Locución, tu propio MP3
0 USD
Música de la biblioteca
0 USD
Total
0,0058 USD

Se cobra por segundo de vídeo. Un trabajo que falla no cuesta nada.

Límites

Lo que acepta una petición

Imágenes
De 1 a 100 por vídeo
Segundos por imagen
De 0,5 a 60
Texto para voz
Hasta 10.000 caracteres, en inglés
Archivos de entrada
500 MB cada uno, 1 GB por trabajo
Duración del contenido
Hasta 15 minutos
Tiempo por trabajo
Hasta 10 minutos
Trabajos a la vez
3 por clave
Trabajos al día
500 por clave
Enlaces de salida
7 días

Cómo funciona

De la petición al archivo

  1. Reúne las fotos

    Pasa las imágenes como URL https públicas o súbelas antes con POST /v1/uploads. Cada archivo admite hasta 500 MB y cada trabajo, 1 GB.

  2. Prepara la voz o el ritmo

    Con locución, deja el MP3 en una URL pública. Sin ella, decide cuántos segundos dura cada foto y qué transición usar.

  3. Envía POST /v1/slideshow

    Elige size, añade music y captions si los quieres y usa ?wait=60 para recibir el trabajo terminado en la misma respuesta.

  4. Guarda el MP4

    Copia el vídeo y los subtítulos a tu almacenamiento: los enlaces de salida caducan a los 7 días.

FAQ

Preguntas frecuentes

¿Cuánto cuesta crear un vídeo con fotos?

0,03 USD por minuto de vídeo, cobrado al segundo. Este vídeo de unos 12 s costó menos de 0,006 USD, así que cada dólar da para más de 170 como este.

¿Puedo poner mi propia música?

Sí. Pasa la URL de un MP3 en music, con un volume entre 0 y 2 si quieres bajarla. Si no tienes música, la biblioteca de ReelSDK trae pistas CC0 listas para usar.

¿La API pone la voz en español?

La voz de texto de este endpoint solo habla inglés, así que para español se manda un MP3 en voiceover. POST /v1/shorts sí genera la voz en español, con 10 voces.

¿Se recortan las fotos horizontales en un vídeo vertical?

Con fit en cover, el valor por defecto, cada foto llena el encuadre y se recortan los lados. Con fit en contain sale entera, sobre una copia desenfocada y oscurecida de sí misma.

¿Cuánto tarda?

Este vídeo de 12 s tardó unos 17 segundos. Con ?wait= la petición espera abierta hasta 300 s; si no, consulta el trabajo o pasa un webhook_url.

¿Listo para empezar?

Genera vídeo desde tu app hoy

Tus primeros 0,50 USD son gratis y una sola clave sirve para todos los endpoints.