Wan 2.5 API

Wan 2.5 Bild-zu-Video macht aus dem Standbild, das Sie in image_url senden, einen 5- oder 10-sekündigen Clip mit Ton. Das Bild legt Motiv, Garderobe, Set, Lichtrichtung und das Seitenverhältnis des Clips fest; der optionale prompt mit bis zu 1.500 Zeichen beschreibt, was danach passiert. Ein Feld für das Seitenverhältnis gibt es an diesem Endpunkt nicht – schneiden Sie das Bild vor dem Senden auf das Auslieferungsformat zu. Haben Sie nur eine geschriebene Idee und kein Standbild, verwenden Sie den textbasierten Endpunkt.

Wan-2.5-Modus nach Ausgangsmaterial wählen

Das Startbild bestimmt den Look

image_url akzeptiert JPEG, PNG, BMP oder WebP bis 20 MB, jede Seite zwischen 240 und 8.000 Pixeln. Was in dieser Datei bereits zu sehen ist – ein Etikett, eine Silhouette, ein Kostüm –, müssen Sie nicht noch einmal beschreiben. Der Prompt kann seine Wörter ganz auf Bewegung, Kamera und Ton verwenden.

Ton aus dem Bild heraus oder im Takt Ihrer Spur

Jeder Clip kommt mit Ton zurück, der zusammen mit dem Bild entsteht. Soll eine aufgenommene Zeile oder ein Musik-Cue das Timing vorgeben, ergänzen Sie audio_url – WAV oder MP3, 3 bis 30 Sekunden, höchstens 15 MB. Das Gesicht stammt aus dem Bild, das Mundtiming aus dem Audio. Längere Spuren werden am Ende gekürzt, kürzere lassen den Rest stumm.

Zwei Längen und drei Auflösungen

duration_seconds ist genau 5 oder 10, resolution ist 480p, 720p (Standard) oder 1080p. Höhere Stufen kosten mehr pro Sekunde und brauchen länger. Kurze Clips halten Hände und Haare besser; legen Sie die Bewegung deshalb bei fünf Sekunden fest, bevor Sie auf zehn gehen.

Produktbewegung aus einem einzigen Packshot

Das veröffentlichte Serumflaschen-Beispiel sendet ein Produktfoto und verlangt nur einen langsamen Kamerabogen um eine Vierteldrehung, während ein Streifen Fensterlicht über das Glas gleitet; die Flasche selbst bewegt sich nicht. Weil das Bild Etikett und Silhouette bereits festlegt, trägt der Prompt nur Licht und Bewegung – gerendert in 720p für fünf Sekunden.

Ein Porträt, das eine aufgenommene Zeile spricht

Senden Sie ein freigegebenes Porträt als image_url und die Sprachaufnahme als audio_url. Das Aussehen der Person kommt aus dem Bild, das Mundtiming aus der Datei – bei der Abnahme geht es also um die Darbietung, nicht um Lippensynchronität.

Eine längere Studio-Einstellung mit geschützten Details

Das Slipdress-Beispiel läuft zehn Sekunden in 1080p aus einem Studioporträt: eine Gewichtsverlagerung, eine Drehung zur Kamera und zwei langsame Schritte bei fixierter Kamera. Sein Negativ-Prompt „extra people, text, jewellery changes“ verhindert, dass sich über die längere Dauer Schmuck verändert oder weitere Personen erscheinen.

Regen, Wasser und andere Geräusche mit sichtbarer Quelle

Im Regenschirm-Beispiel stehen zwei Personen fast still, während Regen auf den Schirm über ihnen trommelt: Die Bewegung gehört dem Wasser, und der Ton hat eine sichtbare Quelle. Bei einem so durchgehenden Ereignis reichen meist fünf Sekunden.

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "alibaba/wan-2.5/image-to-video",
  "input": {
    "duration_seconds": 5,
    "image_url": "https://example.com/reference.png",
    "resolution": "720p"
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.