Einführung
Wan 2.5 Text-zu-Video erzeugt allein aus einem geschriebenen Prompt einen 5- oder 10-sekündigen Clip mit Ton. Das einzige Pflichtfeld ist prompt mit bis zu 1.500 Zeichen; alles andere hat einen Standardwert: 16:9, 720p, fünf Sekunden, Prompt-Erweiterung aus. Nutzen Sie diesen Endpunkt, wenn es noch kein freigegebenes Standbild gibt und Schauplatz, Handlung und Kamera vollständig aus dem Text entstehen müssen. Liegt das Startbild bereits vor, behält der bildbasierte Endpunkt dessen Motiv und Seitenverhältnis bei.
Wan-2.5-Modus nach Ausgangsmaterial wählen
| Ihr Ausgangsmaterial | Modus |
|---|---|
| eine geschriebene Szene oder ein Skript | Wan 2.5 Text-zu-Video |
| ein freigegebenes Startbild | Wan 2.5 Bild-zu-Video |
Wichtige Funktionen und Highlights
Bild und Ton in einem Durchgang
Der Clip kommt mit fertig eingebettetem Ton zurück: Atmo, Effekte und Stimmen entstehen zusammen mit dem Bild. Eine Zeile wie „Audio: gulls, a splash, her breath“ lohnt sich also. Sollen Bewegung und Mundformen einer vorhandenen Aufnahme folgen, übergeben Sie audio_url – eine WAV- oder MP3-Datei mit 3 bis 30 Sekunden und höchstens 15 MB. Längere Spuren werden am Ende abgeschnitten, bei kürzeren bleibt der Rest des Clips stumm.
Fünf Formate, drei Auflösungen, zwei Längen
aspect_ratio akzeptiert 16:9, 9:16, 1:1, 4:3 und 3:4, resolution akzeptiert 480p, 720p und 1080p. Beides hängt zusammen: Bei 480p werden nur Quer-, Hoch- und Quadratformat gerendert, 4:3 und 3:4 brauchen also mindestens 720p. duration_seconds ist genau 5 oder 10; ein Wert wie 7 wird abgelehnt statt gerundet. Die Auflösung bestimmt außerdem den Sekundenpreis und die Bearbeitungsdauer.
Ausschlüsse und kontrollierte Vergleiche
negative_prompt fasst bis zu 500 Zeichen und ist der Ort für Untertitel, Logos, zusätzliche Personen oder eine immer wiederkehrende Farbe. seed (0 bis 2147483647) hält die Zufallsquelle konstant, während Sie jeweils ein Feld ändern, garantiert aber kein identisches Bild. enable_prompt_expansion ist standardmäßig aus; eingeschaltet schreibt es ein knappes Briefing vor der Generierung ausführlicher um.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Ja | Die Einstellung selbst: wer, eine Handlung, eine Kamerabewegung, dann Licht und Ton. Ein klares Verb bewegt das Ergebnis stärker als eine Reihe von Adjektiven. mindestens 1 Zeichen · höchstens 1500 Zeichen |
negative_prompt | Nein | Was draußen bleiben muss: Untertitel, Logos, zusätzliche Personen, eine Farbe, die ständig auftaucht. Nur hier greifen Ausschlüsse zuverlässig. höchstens 500 Zeichen |
aspect_ratio | Nein | 16:9, 9:16, 1:1, 4:3 oder 3:4, Standard 16:9. Auf der niedrigsten Auflösungsstufe gibt es kein 4:3 und kein 3:4. |
resolution | Nein | 480p, 720p oder 1080p, Standard 720p. Bestimmt Sekundenpreis und Bearbeitungszeit; die unterste Stufe bietet nur Quer-, Hoch- und Quadratformat. |
duration_seconds | Nein | Genau 5 oder 10. Alles andere wird abgelehnt, nicht gerundet. |
audio_url | Nein | Ein Satz oder Musik-Cue, dem der Clip folgt. Lippenformen und Bewegungstempo richten sich nach dieser Datei. mindestens 1 Zeichen |
enable_prompt_expansion | Nein | Standardmäßig aus. Standardwert: |
seed | Nein | 0 bis 2147483647. Festhalten, wenn Sie eine Änderung nach der anderen vergleichen; für Abwechslung das Feld weglassen, statt 0 zu senden. |
Preis
| Spezifikation | Preis |
|---|---|
| $0.045 / Sekunde |
| $0.09 / Sekunde |
| $0.135 / Sekunde |
Anwendungsfälle
Hochformat-Clips mit eingebautem Soundtrack
Setzen Sie aspect_ratio auf 9:16 und bleiben Sie bei fünf Sekunden – so entsteht ein Feed-Entwurf ohne separaten Audio-Durchgang. Das veröffentlichte Plattenladen-Beispiel geht weiter: zehn Sekunden in 1080p und 9:16, ein langsamer Tilt von einer Plattenkiste hinauf zum Gesicht des Mannes und der Negativ-Prompt „text on screen, logos, extra people“, damit weder Einblendungen noch Passanten auftauchen.
Ton an einer sichtbaren Handlung prüfen
Das Saxofon-Beispiel verlangt zehn Sekunden in 1080p und 16:9, wobei der Klang des Instruments zur Griffweise passen soll. Wenn Sie den Ton an etwas Sichtbares koppeln – Klappen, ein Platschen, das Knistern eines Plattenspielers –, haben Sie beim Abspielen einen konkreten Prüfpunkt statt nur eines Stimmungseindrucks.
Ein gesprochener Satz im eigenen Timing
Nehmen Sie den Satz auf, übergeben Sie ihn als audio_url und beschreiben Sie, wer wo spricht. Bewegung und Mundformen folgen dem Timing der Datei, sodass sich die Abnahme auf die Darbietung konzentrieren kann. Muss ein bestimmtes Gesicht oder Produkt zu sehen sein, hält Text allein dieses Aussehen nicht über mehrere Durchläufe; beginnen Sie dann mit einem Standbild am Bild-zu-Video-Endpunkt.
Prompt-Leitfaden und Praxistipps
Die Einstellung in fester Reihenfolge schreiben
Motiv, eine Handlung, eine Kamerabewegung, Licht und zum Schluss eine Zeile zum Ton. Ein klares Verb verändert das Ergebnis stärker als eine Reihe von Adjektiven. Ausschlüsse gehören nicht in den Prompt, sondern in negative_prompt. Ist Ihr Prompt bereits eine präzise Einstellungsbeschreibung, lassen Sie enable_prompt_expansion aus, damit Ihr Wortlaut unverändert verwendet wird.
Das enthaltene Beispiel anpassen
Das veröffentlichte Hafen-Beispiel läuft mit aspect_ratio 16:9, duration_seconds 5 und resolution 720p. Behalten Sie diesen Aufbau bei, wenn Sie Motiv und Ort austauschen.
Early morning at a stone harbour wall. An adult woman in a navy one-piece swimsuit and a white swim cap stands at the edge, shakes out her arms, then dives cleanly into flat green water and surfaces laughing, pushing her goggles up. Gulls lift off the wall behind her. Low handheld camera at water level, soft pink dawn light, mist on the water. Audio: gulls, a splash, her breath and a short laugh, distant boat engine.
Eine Handlung und eine Kameraposition; der Ton ist ausgeschrieben, damit Platschen und Lachen auf den richtigen Frames landen.
Bei fünf Sekunden und 720p feinjustieren
Fixieren Sie seed und vergleichen Sie jeweils eine Änderung: das Verb, die Kamerabewegung, die Tonzeile. Sitzt die Einstellung, rendern Sie sie in 10 Sekunden oder in 1080p neu. Wird eine 4:3- oder 3:4-Anfrage abgelehnt, prüfen Sie zuerst die Auflösung – diese Formate gibt es bei 480p nicht.
Den ganzen Clip mit Ton abnehmen
Spielen Sie den Clip vollständig mit Ton ab: Ist die Handlung in normaler Geschwindigkeit lesbar, sitzen die Effekte auf ihrer sichtbaren Quelle, halten Hände und Haare? Längere Clips driften stärker bei Händen, Haaren und feinen Details; vergleichen Sie vor der Auslieferung eine 10-Sekunden-Fassung mit der 5-Sekunden-Version.
API-Schnellstart
# 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.5/text-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
