Eine Bild-zu-Video-API auswählen: praktischer Leitfaden

Sie haben ein freigegebenes Standbild, möchten daraus einige Sekunden Video machen und müssen entscheiden, an welche API Sie es senden. SpicyAPI bietet dafür vier unzensierte, für Erwachsenen-Inhalte geeignete Bild-zu-Video-Familien: Wan 2.7 Spicy, Seedance 2.5 Spicy, MiniMax H3 Spicy und Vidu Q3 Spicy. Diese vier Aufgaben animieren ein Startbild. Keine bietet Text-zu-Video oder einen separaten Eingang für mehrere Motiv- oder Szenenreferenzbilder.

Kurz gesagt. Beginnen Sie mit Wan oder Seedance, wenn Kleidung und Umgebung erhalten bleiben sollen. Unsere Tests im September und Oktober 2026 zeigen außerdem deutliche Unterschiede bei Kosten und kreativen Steuerungsmöglichkeiten:

• Günstigster Test für ein Bild und eine Bewegungsidee: MiniMax H3 Spicy. Fünf Sekunden bei 480p kosten $0.19. Wie Seedance und Vidu benötigt es nur das Standbild, keinen Prompt.
• Ton in der Datei oder eine eigene Audiospur: Wan 2.7 Spicy. Fünf Sekunden bei 720p kosten $0.6175. Nur dieses Modell akzeptiert eine Audiodatei und einen negativen Prompt.
• Ein Clip länger als 16 Sekunden oder eine 4K-Datei: Seedance 2.5 Spicy, bis zu 30 Sekunden. Fünf Sekunden bei 480p kosten $1.08; 4K ist eine hochskalierte 1080p-Ausgabe.
• Einsekündige Loops oder ein Regler für die Bewegungsstärke: Vidu Q3 Spicy. Fünf Sekunden bei 540p kosten $0.3325.

Unser Porträtvergleich mit allen vier Familien kostete $2.22. Wan und Seedance hielten sich am besten an das Briefing; H3 und Vidu änderten die Kleidung ohne Aufforderung.

Die vier im direkten Vergleich

Die Preise gelten pro Ausgabesekunde in US-Dollar. Die Beträge für 5 Sekunden sind Angebote für Anfragen, in denen nur image_url, duration_seconds und resolution gesetzt sind, zuzüglich eines einzeiligen prompt bei Wan 2.7 Spicy, wo er erforderlich ist.

Keine der vier Familien hat ein Feld aspect_ratio. Schneiden Sie das Standbild vor dem Senden auf das gewünschte Format zu. Die Wartezeiten sind Mediane aktueller Jobs. Auch die Eingabeprüfungen, die vor der Berechnung von Kosten scheitern können, unterscheiden sich: Seedance verlangt pro Seite 300 bis 6 000 Pixel; Wan 240 bis 8 000 Pixel, ein Seitenverhältnis von 1:8 bis 8:1 und bei audio_url eine WAV- oder MP3-Datei von 2 bis 30 Sekunden; Vidu verlangt ein Seitenverhältnis von 1:4 bis 4:1. Der Upload-Ablauf begrenzt Bilddateien auf 10 MiB.

Welches Modell für welche Aufgabe?

Viele Standbilder und günstige Entwürfe: MiniMax H3 Spicy. Bei $0.114 für drei Sekunden können Sie ein Dutzend Varianten eines Bildes erzeugen und den besten Versuch erneut rendern. Es akzeptiert ein Schlussbild. Es hat keinen Tonschalter und keinen negativen Prompt; seine native Auflösung ist 768p, 1080p vergrößert also dasselbe Bild. Beschränken Sie den Prompt auf Bewegung: Eine Szene zu beschreiben, die das Bild nicht zeigt, kann dazu führen, dass sich der Clip vom Standbild entfernt.

Ton, der zum Clip gehört: Wan 2.7 Spicy oder Seedance 2.5 Spicy. Wan erzeugt standardmäßig Ton und richtet den Clip an Ihrer eigenen Spur aus, wenn Sie audio_url übergeben. Das ermöglicht Lippensynchronisation oder einen Musikeinsatz, der genau auf einem Frame liegen muss. Lassen Sie generate_audio aktiviert, sonst wird die übergebene Spur ignoriert. Seedance erzeugt Ton ohne Aufpreis. H3 Spicy kann generierten Ton liefern, bietet aber weder einen Schalter zum Abschalten noch einen Eingang für Ihre eigene Spur; schalten Sie ihn bei Bedarf im Schnitt stumm. Vidu bietet generierten Ton sowie einen separaten Schalter für Hintergrundmusik. Auch zum Ausschließen bestimmter Inhalte ist Wan die Wahl: Sein negativer Prompt erlaubt bis zu 500 Zeichen.

Das Ende mit einem Bild steuern: Seedance 2.5 Spicy oder MiniMax H3 Spicy. Nur diese beiden akzeptieren neben dem Startbild ein gewünschtes Schlussbild; prüfen Sie das tatsächliche Ende, bevor Sie es für die nächste Einstellung verwenden. Bei Wan oder Vidu verketten Sie Clips, indem Sie den letzten Frame als nächstes Standbild nutzen; die Anleitung für längere Videos beschreibt diesen Weg.

Eine Einstellung länger als 16 Sekunden: Seedance 2.5 Spicy. Es schafft bis zu 30 Sekunden und ist am teuersten und langsamsten: 30 Sekunden bei 720p kosten $12.96, und ein Clip dauert üblicherweise etwa fünf Minuten. Wans eigene Hinweise nennen Abweichungen bei Händen und Stoffen nach zehn Sekunden; eine lange Einstellung ist also nicht automatisch eine gute.

Sehr kurze Loops oder Kontrolle über die Bewegungsstärke: Vidu Q3 Spicy. Es beginnt bei einer Sekunde ($0.0665 bei 540p). movement_amplitude fordert kleine, mittlere oder große Bewegung an; die Voreinstellung auto interpretiert das Bild. Es hat keinen Seed, daher liefern zwei identische Anfragen unterschiedliche Takes, und auch kein Schlussbild.

Formulierungen bei Seedance 2.5 Spicy. Seine eigene Schicht lehnt einen engen Bereich von Formulierungen ab, am zuverlässigsten beim Küssen, während Flüstern am Ohr oder sich berührende Stirnen akzeptiert werden. Legen Sie diesen Moment im Standbild an statt im Satz.

Ein fester seed (Wan, Seedance, H3 Spicy) hilft beim Vergleich Ihrer Änderungen innerhalb einer Familie. Er garantiert keine identischen Frames; dieselbe Zahl bei zwei Familien bedeutet auch nicht dieselbe Testbedingung. Jeder Endpunkt lehnt nicht aufgeführte Felder ab. Bauen Sie daher jede Anfrage anhand der Spalte dieser Familie in der Tabelle auf.

Inhaltlicher Umfang

Alle vier deckten unsere fünfstufige Skala ab, von L1 Suggestiv über L4 Intensiv bis zu beiden L5-Extrem-Kategorien, mit seltenen Ausnahmen: Seedance 2.5 Spicy hielt angeforderte Inhalte einmal außerhalb des Bildes, H3 Spicy deutete eine Szene einmal nur an, und Vidu Q3 Spicy schwächte einen Clip einmal ab. Der inhaltliche Umfang unterscheidet sie nicht. Ergebnisse je Modell: Wan 2.7 Spicy, Seedance 2.5 Spicy, MiniMax H3 Spicy, Vidu Q3 Spicy.

Diese Modelle zeigen manchmal mehr, als der Prompt verlangt hat. Die Rangliste mit acht Modellen beobachtete das bei mehreren Spicy-Versionen. Prüfen Sie deshalb jeden Clip vor der Auslieferung. Ein abgeschwächter Clip wird wie jeder andere berechnet. „Unzensiert“ bedeutet hier, dass kein Inhaltsfilter hinzugefügt wird, nicht, dass Rechte und Einwilligungen beim Quellbild unwichtig werden: Verwenden Sie erwachsene Personen, einwilligende Motive und Bilder mit geklärten Nutzungsrechten.

Dasselbe Porträt auf vier Familien

Wir verwendeten ein Porträt in einem Café und verlangten eine langsame Annäherung der Kamera, eine leichte Kopfdrehung und ein kleines Lächeln bei unverändertem Hintergrund. Jede Familie erzeugte einen fünfsekündigen Take in ihrer niedrigsten Auflösung; bei Wan war die Prompt-Erweiterung aktiviert.

Beginnen Sie für ein bekleidetes Porträt wie dieses mit Wan oder Seedance. Formulieren Sie die Anforderungen an Kleidung und Bewegung bei einer ähnlichen Einstellung ausdrücklich.

Ein erster Test für etwa $2.20

Wählen Sie ein Standbild, das Sie verwenden dürfen. Bereiten Sie es so vor, wie Sie es tatsächlich ausliefern möchten: bereits auf das Zielformat zugeschnitten und mit Abstand zwischen Motiv und Bildrändern. Ein unscharfes Bild ergibt einen unscharfen Clip. Entfernen Sie auch angedeutete Bewegung: Bewegungsunschärfe, Staub, eine Pose mitten im Schritt oder gerichtete Streifen lenken den Clip zu Bewegungen, denen Ihr Prompt möglicherweise widerspricht.

Schreiben Sie einen Prompt mit einer Motivaktion, einer Kameraanweisung und einem Ende, zum Beispiel: "She turns her head toward the window, the curtain lifts once, slow push-in, then hold." Beschreiben Sie nur, was sich ändert. Wan benötigt einen Prompt; verwenden Sie deshalb denselben für alle vier, mit diesen Einstellungen:

Die vier Durchläufe auf der niedrigsten Stufe kosten $0.19 + $0.3325 + $0.6175 + $1.08 = $2.22. Bei jeweils ungefähr 720p (H3 Spicy bei 768p) beträgt die Summe $3.91.

Jeden Clip bewerten

Prüfen Sie den ersten, mittleren und letzten Frame in Veröffentlichungsgröße. Bewerten Sie jeden von 0 bis 5:

Prüfen Sie außerdem, ob der Clip bei Ihrem Bild blieb und nicht mehr zeigte als verlangt. Entscheiden Sie je Durchlauf: behalten, verwerfen oder mit einer konkret benannten Änderung erneut testen.

Was bei einem fehlgeschlagenen Clip ändern?

Wenn ein Clip gut ist, wechseln Sie mit demselben Bild und Prompt jeweils eine Auflösungsstufe höher. Bei H3 Spicy vergrößert 1080p lediglich 768p.

Erst den Playground testen, dann die API anbinden

1. Öffnen Sie H3 Spicy Bild-zu-Video, bleiben Sie auf der Registerkarte Playground und fügen Sie das freigegebene Standbild unter Input image hinzu.
2. Geben Sie unter Prompt ein Bewegungsbriefing ein, setzen Sie Duration auf 5 und Resolution auf 480p, und drücken Sie Run model. Verwenden Sie zum Vergleich dasselbe Briefing und dieselbe Dauer auf den anderen drei Modellseiten.
3. Wählen Sie das Ergebnis, das die Anforderungen Ihrer Einstellung bewahrt, und binden Sie dieses Modell dann in Ihre App ein.

Setzen Sie in Ihrer Umgebung SPICY_API_KEY und als SPICY_IMAGE_URI die öffentliche HTTPS-URL Ihres Startbildes oder eine spicy://-URI aus spicyapi files upload <path> für eine lokale Datei (Mediendokumentation). Dieses Python-3-Beispiel sendet nach Ihrer Preisbestätigung eine neue Einstellung ab.

import json
import os
import urllib.request
import uuid

base = "https://api.spicyapi.ai/api/v1"
headers = {"Authorization": "Bearer " + os.environ["SPICY_API_KEY"],
           "Content-Type": "application/json", "User-Agent": "SpicyAPI-Blog/1.0"}
settings = {
    "image_url": os.environ["SPICY_IMAGE_URI"],
    "prompt": "A slow camera push toward the subject. Keep the setting and clothing unchanged. One continuous shot.",
    "duration_seconds": 5,
    "resolution": "480p",
}
payload = {"model": "minimax/h3-spicy/image-to-video", "input": settings}

def post(path, body):
    request = urllib.request.Request(base + path, json.dumps(body).encode(), headers)
    with urllib.request.urlopen(request, timeout=60) as response:
        result = json.load(response)
    if result.get("code") != 200:
        raise RuntimeError(result)
    return result["data"]

quote = post("/jobs/quote", payload)
if input(f"Maximum charge ${quote['maxCharge']}. Type yes to generate: ") != "yes":
    raise SystemExit("Stopped before generation")
headers["Idempotency-Key"] = str(uuid.uuid4())
print("Request key:", headers["Idempotency-Key"], flush=True)
task = post("/jobs/createTask", {**payload, "quoteId": quote["quoteId"],
                              "expectedCost": quote["estimatedCost"]})
print("Task ID:", task["taskId"])

Bewahren Sie den ausgegebenen Anfrage-Schlüssel zur Wiederherstellung genau dieser Anfrage auf; eine neue Einstellung erhält einen neuen Schlüssel. Der Ergebnislink hält etwa 20 Minuten, generierte Dateien werden höchstens etwa 14 Tage aufbewahrt. Kopieren Sie das Video daher in Ihren eigenen Speicher (Aufbewahrungsleitfaden). Die Task-API-Dokumentation erklärt Ergebnisauslieferung und Wiederherstellung.

Für wiederholte Einstellungen lassen Sie einen Agent eine freigegebene Eingabedatei verwenden: CLI spicyapi tasks create --model minimax/h3-spicy/image-to-video --input-file input.json --wait; MCP bitten Sie ihn, spicyapi_task_create mit diesem Modell und dieser Eingabe aufzurufen; Skill bitten Sie ihn: “Use the spicyapi Skill to generate this approved shot and return the result.” CLI und MCP zeigen den Preis vor der Erstellung. Siehe die Agent-Integrationsdokumentation.

Womit beginnen?

Eigene Audiospur: Wan. Schlussbild: H3 Spicy oder Seedance, wenn die Einstellung länger als 15 Sekunden sein muss. Über 16 Sekunden: Seedance. Einsekündige Loops oder ein Bewegungsregler: Vidu. Für zurückhaltende Bewegung mit gleichbleibender Kleidung beginnen Sie mit Wan oder Seedance. Erfüllen beide Ihr Briefing, vergleichen Sie sie in der Auslieferungsauflösung. Ohne feste Anforderung führen Sie den $2.22-Test mit einem Bild durch. Wenn zwei Familien das Briefing erfüllen, beginnen Sie mit der günstigeren in Ihrer Zielauflösung.

Häufige Fragen

Welcher ist der beste unzensierte KI-Bild-zu-Video-Generator?

Für zurückhaltende Porträtbewegung beginnen Sie mit Wan oder Seedance. H3 Spicy ist günstiger, änderte aber in unserem Porträt-Take die Kleidung. Vidu eignet sich für sehr kurze Loops, wenn seine Bewegungsinterpretation zum Briefing passt.

Brauche ich für ein Standbild mit Voiceover ein Videomodell?

Nein. Bleibt das Bild während der Tonwiedergabe unverändert, kombinieren Sie Bild und Ton in einem Videoeditor oder FFmpeg. Diese vier APIs erzeugen Bewegung; für diesen Schritt zu zahlen bringt einem statischen Voiceover-Video keinen Mehrwert.

Kann ich eine öffentliche Bild-URL senden?

Ja, wenn der HTTPS-Link direkt die Bilddatei liefert. Eine Freigabeseite eines Cloud-Laufwerks oder sozialen Netzwerks scheitert mit invalid_asset; lokale Dateien laden Sie zuerst mit spicyapi files upload <path> hoch.

Kann ich denselben Anfragekörper an jede Familie senden?

Nein. Wan verlangt einen Prompt, die anderen nicht. audio_url gibt es nur bei Wan, movement_amplitude nur bei Vidu und last_image_url nur bei Seedance und H3 Spicy.

Bezahle ich für einen abgeschwächt zurückgegebenen Clip?

Ja, er wird wie jeder andere berechnet. Prüfen Sie deshalb die Ausgabe und nicht nur den Taskstatus. Bei einer vom Dienst bestätigten Ablehnung oder fehlgeschlagenen Aufgabe wird die Reservierung ohne Generierungskosten freigegeben. Prüfen Sie settled und cost, um die endgültige Abrechnung zu bestätigen; ein abgeschlossener, aber abgeschwächter Clip ist ein anderer Fall.