Einführung
Wan 2.6 Flash Referenz-zu-Video besetzt Personen, Tiere oder Objekte aus Ihren Referenzen in einer neuen Szene, die Sie beschreiben, und zwar auf der schnelleren, günstigeren Flash-Stufe von Wan 2.6. Senden Sie bis zu fünf Referenzen, davon höchstens drei kurze Clips und der Rest Standbilder, oder nur Standbilder; Ort, Handlung, Kamera und Licht kommen vollständig aus dem Prompt. Das Ergebnis dauert eine ganze Zahl von 2 bis 10 Sekunden, in 720p oder 1080p, in einem von fünf Seitenverhältnissen, als durchgehende Einstellung oder als Multi-Shot-Schnitt. Clips sind standardmäßig stumm; schalten Sie generate_audio ein, wenn die Szene ihre eigene Tonspur braucht.
Wan-2.6-Flash-Modus nach dem Ausgangsmaterial wählen
| Womit Sie beginnen | Modus |
|---|---|
| ein freigegebenes Startbild | Wan 2.6 Flash Bild-zu-Video |
| Fotos oder kurze Clips der Personen und Objekte, die besetzt werden sollen | Wan 2.6 Flash Referenz-zu-Video |
Wichtige Funktionen und Highlights
Besetzen aus Standbildern, Clips oder beidem
reference_image_urls nimmt bis zu fünf Standbilder, reference_video_urls bis zu drei kurze Clips, zusammen höchstens fünf Referenzen. Standbilder allein genügen: Zwei Porträts reichen, um zwei Personen in dieselbe Szene zu setzen, und Standbilder werden nicht berechnet. Ein Clip liefert, was ein Foto nicht kann, etwa wie sich jemand bewegt oder wie sich ein Ort verhält, dafür werden seine Sekunden zusammen mit der Ausgabe berechnet.
Der Prompt nennt die Besetzung
Wan erkennt jede Referenz nur über die Namen character1, character2 und so weiter, in dieser Reihenfolge: zuerst die Clips, dann die Standbilder. Nennen Sie jede Referenz, bevor Sie beschreiben, was sie tut, zum Beispiel character1 tanzt mit character2, dann weiß das Modell, wer wer ist. Alles andere – die Kulisse, die Handlung, die Kamera und das Licht – wird geschrieben, sodass sich eine einmal fotografierte Person nachts auf ein Dach oder an einen regennassen Kai stellen lässt, ohne zweiten Dreh.
Ton als Schalter, Format als Parameter
generate_audio ist standardmäßig aus und liefert nur Bild; eingeschaltet, kommt der Clip mit generierten Stimmen, Effekten und Atmosphäre zum doppelten Sekundenpreis zurück. aspect_ratio wird pro Anfrage gewählt: 16:9, 9:16, 1:1, 4:3 oder 3:4 in beiden Auflösungen. 720p liefert 1280×720, 720×1280, 960×960, 1088×832 oder 832×1088; 1080p liefert 1920×1080, 1080×1920, 1440×1440, 1632×1248 oder 1248×1632. Aus den Referenzen wird nichts übernommen, eine vertikale Auslieferung braucht also kein vertikales Quellmaterial.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Ja | Die neue Szene: Benennen Sie jede Referenz als character1, character2 und so weiter, erst die Clips, dann die Standbilder, und sagen Sie, was jede tut, danach Schauplatz, Kamera… mindestens 1 Zeichen · höchstens 1500 Zeichen |
negative_prompt | Nein | Was nicht auftauchen darf: zusätzliche Personen, eingeblendete Texte, ein Requisit aus einer Referenz, das Sie nicht übernommen haben wollen. Höchstens 500 Zeichen. höchstens 500 Zeichen |
reference_video_urls | Nein | Bis zu drei kurze Clips der Motive oder Orte, die besetzt werden sollen, zusammen höchstens fünf Sekunden. mindestens 1 Einträge · höchstens 3 Einträge |
reference_image_urls | Nein | Bis zu fünf Standbilder der Personen, Tiere oder Objekte, die besetzt werden sollen, zusätzlich zu den Clips oder statt ihrer; zusammen mit den Clips nimmt eine Anfrage höchsten… mindestens 1 Einträge · höchstens 5 Einträge |
aspect_ratio | Nein | 16:9, 9:16, 1:1, 4:3 oder 3:4, Vorgabe 16:9, in beiden Auflösungen verfügbar. |
generate_audio | Nein | Standardmäßig aus, der Clip kommt also als reines Bild zurück. Standardwert: |
resolution | Nein | 720p oder 1080p, Vorgabe 720p. Sie bestimmt den Sekundensatz und wie lange der Task dauert, und beide Auflösungen akzeptieren alle fünf Seitenverhältnisse. |
duration_seconds | Nein | Eine beliebige ganze Zahl von 2 bis 10, Vorgabe 5. |
shot_type | Nein | single hält eine durchgehende Einstellung; multi lässt das Modell innerhalb derselben Szene zwischen Einstellungen schneiden, was zu einer Szene mit Rhythmus passt. |
enable_prompt_expansion | Nein | Standardmäßig aus. Standardwert: |
seed | Nein | 0 bis 2147483647. Halten Sie ihn fest, während Sie jeweils eine Referenz tauschen, damit die Zufallsziehung konstant bleibt und sich nur das Geänderte bewegt. |
Preis
Referenzclips zählen zu den berechneten Sekunden, insgesamt bis zu fünf Sekunden; Standbilder sind kostenlos. Lässt sich die Länge eines Clips vor dem Lauf nicht lesen, reservieren wir den Betrag für die maximalen 5 Sekunden und geben den nicht genutzten Teil bei der Abrechnung sofort wieder frei – berechnet werden also nur die tatsächlich genutzten Sekunden.
| Auflösung | Audio erzeugen: Nein | Audio erzeugen: Ja |
|---|---|---|
| $0.0225 / Sekunde | $0.045 / Sekunde |
| $0.03375 / Sekunde | $0.0675 / Sekunde |
Anwendungsfälle
Zwei Personen in eine Szene setzen
Ein Porträt jeder Person, dann ein Prompt dazu, wo sie sind und was zwischen ihnen passiert. Das Dach-Beispiel auf dieser Seite beginnt mit zwei Standbildern und sonst nichts, mit eingeschaltetem Ton, damit die Szene ihren eigenen Wind und ihre eigene Stadtkulisse mitbringt.
Ein Motiv an einen neuen Ort versetzen
Ein kurzer Clip oder ein Standbild der Person, dann das neue Set, das Licht und die Kamerabewegung. Das Aussehen kommt aus der Referenz, der Ort wird geschrieben – so liefert ein Dreh Material für Orte, die an diesem Tag nie verfügbar waren.
Einen Ort mit einer Person verbinden
Ein Clip eines Ortes und ein Standbild einer Person besetzen sie gemeinsam: Das Kai-Beispiel auf dieser Seite nutzt einen fünfsekündigen Hafenclip als character1 und ein Porträt als character2, und die Frau geht durch einen Ort, an dem sie nie gefilmt wurde.
Besetzungsideen schnell entwerfen
Flash stellt Tempo und Kosten vor das letzte Quäntchen Textur, was sich eignet, um mehrere Besetzungen, Schauplätze und Kamerabewegungen in 720p zu testen, bevor Sie sich auf einen finalen Take festlegen.
Prompt-Leitfaden und Praxistipps
Jede Referenz vor der Handlung benennen
Beginnen Sie mit der Besetzung – character1, eine erwachsene Frau in einem grünen Slip Dress; character2, ein erwachsener Mann in einem weißen Hemd –, dann Schauplatz, Handlung, Kamera und Licht, innerhalb von 1.500 Zeichen. Wer beschreibt, was die Referenzen ohnehin zeigen, verbraucht dieses Budget und konkurriert mitunter mit ihnen. Nutzen Sie negative_prompt für alles, was immer wieder auftaucht und nicht soll: zusätzliche Personen, Untertitel im Bild oder ein Requisit, das einem Motiv in die neue Szene folgt.
Referenzen wählen, die das Modell lesen kann
Standbilder und Clips, in denen das Motiv groß im Bild und gut ausgeleuchtet ist, übertragen sich am besten; ein Motiv, das klein oder im Gegenlicht bleibt, kommt meist nur ungefähr zurück. Standbilder tragen Farbe und Look gut, Form und Bewegung kommen aus einem Clip treuer an. Senden Sie Bilder als JPEG, PNG ohne Transparenz, BMP oder WEBP mit 240 bis 8.000 Pixeln je Seite und höchstens 20 MB, Clips als MP4 oder MOV.
Die Sekunden vor dem Absenden kalkulieren
Abrechenbare Sekunden sind die Ausgabedauer plus die Referenzclips, jeweils auf ganze Sekunden aufgerundet und mindestens eine Sekunde pro Clip, wobei die Clips mit höchstens fünf Sekunden insgesamt zählen; Standbilder kosten nichts. Ein 5-Sekunden-Render aus zwei Standbildern wird mit 5 Sekunden abgerechnet, mit einem 3-Sekunden-Clip mit 8. Der Satz richtet sich nach der Auflösung und verdoppelt sich bei eingeschaltetem generate_audio. Die hochgeladenen Clips können bis zu fünf Sekunden hinzufügen, und die Live-Schätzung vor dem Absenden zeigt den Betrag; lässt sich die Länge eines Clips vorab nicht lesen, geht die Schätzung von fünf Sekunden aus, und die endgültige Abrechnung nutzt die gemessene Länge.
Das mitgelieferte Beispiel anpassen
Starten Sie mit dem Dach-Beispiel: zwei Standbilder in reference_image_urls, aspect_ratio 16:9, duration_seconds 5, resolution 720p und generate_audio eingeschaltet. Ersetzen Sie Besetzung und Inszenierung und lassen Sie diesen Eingabevertrag unverändert.
character1, an adult woman in a dark green silk slip dress, and character2, an adult man in an open-collar white linen shirt, slow-dance on a city rooftop at night, foreheads almost touching. Her hand slides up the back of his neck as he pulls her closer by the waist; she laughs quietly against his cheek. String lights sway in the wind, the city glows behind them. Slow handheld orbit around the pair, warm practical light, shallow depth of field, film grain. Sound: soft wind, distant traffic, her low laugh, a saxophone drifting up from a bar below.
Das Ergebnis prüfen, bevor Sie iterieren
Spielen Sie den ganzen Clip ab statt nur die erste Sekunde: Die Ähnlichkeit driftet bei längeren Laufzeiten gegen Ende eher ab. multi lohnt sich meist ab etwa 6 Sekunden, und mit seiner Wahl wird enable_prompt_expansion für diese Anfrage eingeschaltet. Halten Sie den seed fest und tauschen Sie beim Vergleichen jeweils nur eine Referenz; so bleibt die Zufallsziehung konstant, ohne dass eine bildgleiche Wiederholung versprochen wäre. Generierte Clips werden nach 14 Tagen gelöscht, kopieren Sie also alles, was Sie behalten möchten.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"generate_audio": false,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
