Wan 3.0 API: Text-zu-Video, Bild-zu-Video oder Referenz-zu-Video

Wan 3.0 ist eine Modellfamilie mit drei Eingängen, und der Weg, über den Sie starten, entscheidet, was Sie steuern können, was Sie zahlen und wie die API mit unzensierten Inhalten umgeht. Ob Sie Wörter, ein Standbild oder einen Stapel Referenzen senden, hängt an einer einzigen Frage.

Kurz gesagt. Fragen Sie, was sich im Clip nicht ändern darf:

• Noch nichts, Sie suchen noch die Szene: Text-zu-Video. Ein Feld, prompt, genügt.
• Das erste Frame (und optional das letzte): Bild-zu-Video. Das Bild wird exakt als erstes Frame verwendet, der Prompt muss also nur die Bewegung beschreiben.
• Eine Figur, ein Raum, eine Stimme oder ein Bewegungsstil, der weitergetragen werden muss: Referenz-zu-Video. Bis zu zehn Bilder, fünf Clips und fünf Tonspuren, dazu optional ein Dokument oder eine Webseite, jeder mit einer Aufgabe im Prompt.

Alle drei liefern 2 bis 30 Sekunden mit Ton in derselben Datei, in 480p, 720p oder 1080p auf Base und Prime (die Pro-Stufen rendern 1080p, 2K oder 4K, wobei 2K und 4K aus einem 1080p-Render hochskaliert werden). Andere Videomodelle finden Sie im Katalog der unzensierten Video-APIs.

Die drei Aufgaben nebeneinander

Bei allen drei Aufgaben liegt die Dauer zwischen 2 und 30 Sekunden, oder -1 überlässt dem Modell die Länge (30 s werden vorab reserviert, abgerechnet wird die gelieferte Länge).

Senden Sie ein Feld, das die Aufgabe nicht auflistet, etwa ein image_url an Text-zu-Video, liefert der Create-Aufruf 400. Nehmen Sie das Schema von der Modellseite, statt einen benachbarten Endpunkt zu kopieren.

Was ein Clip kostet

Der Preis pro Sekunde ist für Text-, Bild- und Referenzeingabe derselbe.

Referenz-zu-Video fügt einen Haken hinzu: Die Sekunden jedes Referenzvideos werden zusätzlich zur Ausgabe berechnet, und Referenzclips plus Ausgabe müssen zusammen innerhalb von 30 Sekunden bleiben. Referenzbilder, -audio, -dokumente und -webseiten werden nicht berechnet. Ein Angebot oder eine Reservierung für eine Aufgabe mit Referenzclips geht vom Maximum von 15 Sekunden aus; berechnet werden nur die tatsächlich genutzten Sekunden.

Das ältere Wan 2.6 ist die Alternative mit fester Länge: Text- und Bild-zu-Video liefern genau 5, 10 oder 15 Sekunden in 720p ($0.09 pro Sekunde) oder 1080p ($0.135). Seine Referenz-zu-Video-Aufgabe folgt einem anderen Vertrag, sie nimmt bis zu drei Referenzclips und keine Bilder auf und trägt das Label Filtered content statt Unrestricted.

Text-zu-Video: die Einstellung schreiben, nicht die Stimmung

Nutzen Sie es, wenn die Szene noch offen ist, es kein freigegebenes Bild gibt oder Sie eine lange Aufnahme mit eigenem Ton wollen. Nichts verankert das erste Frame, also legen Sie alles, was der Betrachter sehen soll, in den Prompt: Motiv, eine Handlung, eine Kamerabewegung, dann Licht und Ton. Eine klare Handlung schlägt eine lange Adjektivliste. Schauen Sie anderswo hin, wenn die Eröffnungskomposition zu einem freigegebenen Bild passen muss: das ist Bild-zu-Video.

{
  "model": "alibaba/wan-3.0/text-to-video",
  "input": {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation rolls down the glass while the camera pushes in slowly. Cool side light, no cut. Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": true
  }
}

Dieser Request kostet 10 x $0.09 = $0.90 auf Basis von Wan 3.0. Drei Gewohnheiten helfen:

• Stimmen Sie den Look bei 5 Sekunden ab, bevor Sie 30 verlangen. Längere Clips driften stärker, eine schlechte Idee findet man also kurz günstiger.
• Teilen Sie den Prompt bei langen Aufnahmen in getaktete Beats. Ein Beispiel aus der Community schrieb einen Zwei-Sekunden-Beat pro Handlung (Teig, Soße, Belag, Ofen) plus eine Kontinuitätszeile für einen 15-Sekunden-Clip.
• Lassen Sie Prompt expansion aus, sobald das Briefing präzise ist. Sie hilft bei dünnen Prompts und arbeitet gegen detaillierte; bei Wan 3.0 Pro Text-to-video ist sie standardmäßig aktiv.

Bild-zu-Video: das Frame ist die Obergrenze

Nutzen Sie es, wenn das erste Frame nicht verhandelbar ist: ein Produkt-Packshot mit festem Crop, ein freigegebenes Charakter-Board, ein Keyframe aus einem vorherigen Clip. Das Bild setzt Kleidung, Set und Licht, der Prompt trägt also nur die Bewegung. Schauen Sie anderswo hin, wenn die Szene noch offen ist (Text-zu-Video) oder eine Figur über mehrere Einstellungen hinweg wiederkehren muss (Referenz-zu-Video). Lassen Sie aspect_ratio weg, übernimmt der Clip das Format des Bildes; ein abweichender Wert beschneidet es.

last_image_url lässt den Clip exakt auf einem zweiten Bild enden. Übergeben Sie dieselbe Datei als erstes und letztes Frame, erhalten Sie eine Schleife ohne Stitching, wie in diesem Produktflaschen-Beispiel: eine Vierteldrehung, sodass der Glanz über das Glas wandert, dann zurück zum Ausgangswinkel.

Dasselbe Bild wie image_url und last_image_url, Ton aus; 5 s in 1080p kosten $0.90.

{
  "model": "alibaba/wan-3.0/image-to-video",
  "input": {
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "last_image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "prompt": "The bottle rotates a quarter turn so the highlight travels across the glass, then returns to its starting angle. Locked camera, single soft key from the left, no music.",
    "duration_seconds": 5,
    "resolution": "1080p",
    "generate_audio": false,
    "seed": 20260907
  }
}

Beschreiben Sie das Frame, das Sie geliefert haben, dann die Bewegung; niemals einen anderen Raum. Wenn ein Prompt eine dem Standbild unähnliche Szene benennt, kann Wan 3.0 mit dem Standbild beginnen und dann in die neue Szene schneiden. last_image_url allein wird abgelehnt; es braucht image_url.

Referenz-zu-Video: geben Sie jeder Referenz eine Aufgabe

Nutzen Sie es, wenn etwas wiederkehren muss: dieselbe Figur in mehreren Einstellungen, ein bestimmter Raum, eine Stimme, eine Bewegung oder ein Kamerastil. Wan 3.0 liest Referenzen in der Reihenfolge, in der Sie sie angeben, und der Prompt sagt, welche welche ist; sonst mittelt das Modell sie zu einem Subjekt, das keinem gleicht. Schauen Sie anderswo hin, wenn ein freigegebenes Standbild schon alles sagt: zusätzliche Referenzen konkurrieren und bedeuten nicht automatisch mehr Kontrolle. Das Beispiel unten behält eine Figur aus dem ersten Bild und einen Raum aus dem zweiten.

Dekorative Illustration, keine Modellausgabe und kein Diagramm des folgenden Beispiels.

{
  "model": "alibaba/wan-3.0/reference-to-video",
  "input": {
    "reference_image_urls": [
      "https://cdn.spicyapi.ai/models/examples/inputs/a4d8d93ce949c527.png",
      "https://cdn.spicyapi.ai/models/examples/inputs/27753da99f960815.png"
    ],
    "prompt": "The first image is the character: keep her face, hair and the black slip dress exactly. The second image is the room. She crosses from the doorway to the window and leans against the frame, looking out. Slow lateral track, one practical lamp, night ambience.",
    "duration_seconds": 8,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "seed": 771120
  }
}

Zwei Referenzbilder, kein Referenzvideo: Der 8-s-Clip kostet 8 x $0.09 = $0.72.

Was Sie ihm geben können:

• Bilder (bis zu 10) für Identität, Kleidung und Set-Platten. Ein Foto einer echten Person wird oft von der Gesichtserkennung abgelehnt ("The input content is suspected to include real human faces"). Verwenden Sie illustrierte, 3D-gerenderte oder generierte Figuren. Abgelehnte Aufgaben werden nicht berechnet.
• Video (bis zu 5 Clips, je 1 bis 15 s, insgesamt 15 s) für Bewegung und Kamerastil statt für ein Gesicht. Prüfen Sie die Clip-Längen vor dem Absenden; Limits werden während der Generierung durchgesetzt, nicht bei der Annahme.
• Audio (bis zu 5 Clips, insgesamt 15 s) für eine Stimme oder den Raumklang.
• Ein Dokument oder eine öffentliche Webseite (nicht beides), die das Modell für Figuren, Kleidung, Setting und Handlung liest: eine PDF-, DOCX-, TXT- oder Markdown-Datei bis 100 MB und 50 Seiten, oder eine Seite, die ohne Login öffnet. Eines davon anzuhängen schaltet Thinking (nicht auf den Pro-Stufen) und Prompt expansion ein, sofern Sie sie nicht selbst setzen. Ein Creator-Tutorial zeigt die Idee; ein fehlgeschlagener Seitenabruf wird nicht berechnet.

Wenn das erste Frame exakt sein muss, nehmen Sie Bild-zu-Video. Referenz-zu-Video kann angewiesen werden, mit einem Bild zu starten (siehe Alibabas Wan 3.0 Prompt Guide), aber nur Bild-zu-Video garantiert das.

Was sich für unzensierte Arbeit ändert

Unzensiert ist bei Wan kein einzelner Schalter; die Aufgabe, die Sie wählen, ändert das Ergebnis. Auf Basis unserer Tests vom September 2026 (vollständige Übersicht im Wan-Uncensored-Test):

• Basis-Wan 3.0 lieferte im Test jede Intensitätsstufe, von mild bis stark, über Text-, Bild- und Referenzeingabe, ging aber auch weiter als gefordert: ein Prompt mit Zurückhaltungsthema kam regelmäßig als andere Szene mit zwei Erwachsenen zurück, manchmal mit einer zusätzlichen Person.
• Wan 3.0 Prime Bild-zu-Video entschärfte eine Szene mit zwei Erwachsenen, während Prime Text und Referenz sie lieferten. Wenn Ihre Arbeit mit einem Standbild beginnt, probieren Sie zuerst Basis-Wan 3.0.
• Wan 3.0 Spicy und Prime Spicy gibt es nur als Bild-zu-Video (ab $0.057 pro Sekunde in 480p). Sie kippen ungefragt ins Erwachsene und ändern oder entfernen oft Kleidung. Wenn das Outfit anbleiben muss, nehmen Sie Basis-Wan 3.0.
• Wan 2.6 Referenz-zu-Video verweigerte unser Referenzmaterial.

Das Verhalten unterscheidet sich je nach Endpunkt, also testen Sie Ihren eigenen Prompt auf dem gewählten. Für eine Geschichte über 30 Sekunden hinaus siehe Clips verketten.

Erst im Playground ausprobieren

Jede Aufgabe hat eine eigene Seite mit einem Playground-Tab (bleiben Sie in der Form-Ansicht; melden Sie sich mit einem Konto mit Guthaben an, um zu starten). Fahren Sie dort einen kurzen, günstigen Clip, bevor Sie Code schreiben.

1. Öffnen Sie die Seite Ihrer Aufgabe: Text zu Video, Bild zu Video oder Referenz zu Video.
2. Füllen Sie die Eingaben, die die Aufgabe braucht. Text zu Video: Prompt. Bild zu Video: Input image, plus Closing frame, wenn der Clip auf einem zweiten Bild enden muss; Prompt ist optional. Referenz zu Video: Reference images, Reference videos und Reference audio (mindestens eine der Referenzeingaben); sagen Sie im Prompt, welche davon was steuert.
3. Setzen Sie Resolution auf 480p und Duration auf 5. Beide sind als preisrelevant markiert, und die Schätzung auf der Seite aktualisiert sich, wenn Sie sie ändern.
4. Lassen Sie Generate audio an, außer Sie bewerten den Clip selbst, und lassen Sie Prompt expansion aus, sobald der Prompt präzise ist. Setzen Sie einen Seed, wenn Sie zwei Änderungen vergleichen wollen.
5. Drücken Sie Run model, sehen Sie sich den Clip unter Output an und erhöhen Sie dann Auflösung und Länge, sobald der Look stimmt.

Die JSON-Ansicht neben Form zeigt den Request-Body, und die Code-Tabs daneben zeigen denselben Aufruf, ein Clip, der hier funktioniert, lässt sich also in Ihren Code kopieren.

Dann aus dem Code starten

Installieren Sie das Python SDK (pip install spicyapi), setzen Sie SPICY_API_KEY in Ihrer Umgebung und führen Sie dies aus. Es nutzt den Text-zu-Video-Body von oben; tauschen Sie die Modell-ID und input für eine der beiden anderen Aufgaben. Es zeigt den Preis und wartet auf Ihr Ja, bevor die Aufgabe angelegt wird:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment
MODEL = "alibaba/wan-3.0/text-to-video"
body = {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation "
              "rolls down the glass while the camera pushes in slowly. Cool side light, no cut. "
              "Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": True,
}

quote = client.quote_task(model=MODEL, input_data=body)
print("Estimated", quote["estimatedCost"], "maximum", quote["maxCharge"])
if input("Create the task? [y/N] ").strip().lower() != "y":
    raise SystemExit

task = client.create_task(
    model=MODEL,
    input_data=body,
    idempotency_key=str(uuid.uuid4()),
    quote_id=quote["quoteId"],
    expected_cost=quote["estimatedCost"],
)
print("Task", task["taskId"], flush=True)  # save it: after a timeout, look this task up instead of creating another
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise SystemExit(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(
    not asset.get("url") or asset.get("pending") or asset.get("unavailable")
    for asset in assets
):
    raise RuntimeError(f"{task['taskId']} has no complete downloadable output; look up this task before retrying")
print(assets[0]["url"])  # copy the clip to your own storage now

Für Bild-, Clip- oder Audioeingaben verwenden Sie einen öffentlichen HTTPS-Link oder eine hochgeladene Datei (Media Guide). Alles über diesen Aufruf hinaus steht im Tasks Guide und in der Python SDK Reference; ein Service kann Webhooks nutzen. Clips werden etwa 14 Tage aufbewahrt, also kopieren Sie die, die Sie wollen (Aufbewahrung und Auslieferung).

Oder lassen Sie einen Agenten laufen

Wenn ein Assistent die Clips ausführen soll, zeigen alle drei offiziellen Tools den Preis und fragen vor einem kostenpflichtigen Aufruf nach.

• CLI. Legen Sie dasselbe input-Objekt in input.json und führen Sie dann Folgendes aus:

``bash spicyapi tasks create --model alibaba/wan-3.0/text-to-video --input-file input.json --wait ``

Für ein lokales Standbild liefert spicyapi files upload still.png die spicy://-Adresse für image_url. Siehe die CLI Docs; npx @spicyapi/cli funktioniert ohne Installation.

• MCP-Server. Fügen Sie Ihrem Assistenten den MCP-Server hinzu und fragen Sie dann: "Make a 10-second 9:16 clip at 720p with Wan 3.0 text-to-video from this prompt." Er ruft spicyapi_task_create auf, das für Ihre Preisbestätigung stoppt, dann spicyapi_task_wait. Für eine Datei auf Ihrem Rechner nutzt es spicyapi_upload_file.
• Skill. npx skills add spicyapi-ai/spicy-skill installiert den Agent Skill, der einen Coding-Assistenten das aktuelle Modellschema lesen lässt, statt Felder zu raten.

Wenn das Ergebnis falsch ist, ändern Sie eine Sache

Wenn Sie zwei Versuche vergleichen, ändern Sie ein Feld und lassen seed, Prompt, Dauer und Auflösung gleich. Timeouts, Guthaben und andere allgemeine Fehler stehen im Fehlerverzeichnis.

Mit welcher Stufe starten

Starten Sie auf Basis-Wan 3.0 mit 480p und erhöhen Sie die Auflösung, sobald der Look stimmt. Prime ist schneller für 36 Prozent mehr pro Sekunde bei 480p oder 40 Prozent mehr bei 720p und 1080p; für 1080p bis 4K nehmen Sie Pro. Für feste 5, 10 oder 15 Sekunden nutzen Sie Wan 2.6 mit Text- oder Bildeingabe.

FAQ

Ist Bild-zu-Video besser als Referenz-zu-Video, wenn es darum geht, ein Gesicht zu behalten?

Wenn das Gesicht im ersten Frame liegt, nehmen Sie Bild-zu-Video: es verwendet das Bild exakt als erstes Frame. Referenz-zu-Video ist für ein Gesicht gedacht, das über Einstellungen hinweg weitergetragen werden muss, und seine Referenzen steuern, statt festzulegen.

Ist Bild-zu-Video besser als Text-zu-Video?

Keines ist allgemein besser. Bild-zu-Video gewinnt, wenn das erste Frame ein bestimmtes freigegebenes Bild sein muss; Text-zu-Video gewinnt, wenn Sie eine Szene noch aus Worten erkunden, und braucht keine Quelldatei.

Ändert der Aufgabentyp den Preis?

Nein. Der Preis pro Sekunde hängt nur von Stufe und Auflösung ab; Referenz-zu-Video addiert die berechneten Sekunden jedes Referenzclips.

Kurz: Wörter, um eine Szene zu erkunden, ein Standbild, um das erste Frame festzulegen, Referenzen für alles, was über Einstellungen hinweg wiederkehren muss.