Einführung
Wan 2.6 Spicy Bild-zu-Video ist der einzige Endpunkt der Modellfamilie Wan 2.6 Spicy. Ein autorisiertes Startbild wird zu genau 5, 10 oder 15 Sekunden in 720p oder 1080p, mit Ton zurückgeliefert. Das Bild trägt Garderobe, Körper, Set, Licht und Bildformat; der Prompt trägt die Bewegung. Nichts in der Anfrage kennzeichnet einen Clip, und eine Erklärung pro Anfrage ist nicht nötig.
Pflicht ist nur image_url. Prompt, Negativ-Prompt, Tonspur, Einstellungstyp, Prompt-Erweiterung und Seed sind alle optional.
Wichtige Funktionen und Highlights
Drei feste Längen
duration_seconds ist eine Auswahl aus 5, 10 und 15, kein Bereich. Wer 7 sendet, erhält einen Validierungsfehler statt eines gerundeten Clips – Sie wissen also immer, wie viele Sekunden Sie bezahlen, und können den Schnitt um drei Längen herum planen. Wasser, Haare und Hände halten bei fünf Sekunden gut und driften bei fünfzehn stärker, was vor der Wahl der längsten Option bedacht sein will.
Ihre eigene Spur über audio_url
Clips kommen immer mit Ton zurück; einen Schalter zum Abschalten gibt es nicht. Wenn eine gesprochene Zeile oder ein Musik-Cue auf einem bestimmten Bild landen soll, senden Sie sie über audio_url, und der Clip folgt ihr bei Lippensynchronität und Tempo. Die Datei muss WAV oder MP3 sein, 3 bis 30 Sekunden lang und höchstens 15 MB groß.
Ein eigenes Feld für Ausschlüsse
negative_prompt hält mit bis zu 500 Zeichen eine zweite Person, ein Requisit, Text im Bild oder ein Wasserzeichen fern, das das Bild immer wieder reproduziert. Der Prompt mit bis zu 1.500 Zeichen bleibt frei für die Bewegung. Wer Outfit oder Set im Prompt erneut beschreibt, lädt das Modell ein, neu zu zeichnen, was das Bild bereits festgelegt hat.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
image_url | Ja | Das Startbild. Garderobe, Körper, Set, Lichtrichtung und das Seitenverhältnis des Clips kommen alle von hier – beschneiden Sie es also zuerst auf die Ausspielform. |
prompt | Nein | Optional. Beschreiben Sie, was nach dem Frame passiert – eine Handlung, ein Kameraverhalten, eine Notiz zum Ton. höchstens 1500 Zeichen |
negative_prompt | Nein | Was nicht erscheinen darf: eine zweite Person, eine Requisite, Text im Bild, ein Wasserzeichen, das die Platte immer wieder reproduziert. Der einzige Ort, um etwas auszuschließen. höchstens 500 Zeichen |
duration_seconds | Nein | Genau 5, 10 oder 15. Alles andere wird abgelehnt statt gerundet – die Länge, für die Sie zahlen, ist also nie eine Überraschung. |
resolution | Nein | 720p oder 1080p, Vorgabe 720p. Es bewegt sowohl den Preis als auch die Zeit, bis der Task zurückkommt. |
audio_url | Nein | Eine Tonspur, der der Clip folgt und die Lippensynchronität und Tempo führt. |
seed | Nein | 0 bis 2147483647. Festhalten, während Sie Auflösungen oder Längen aus derselben Platte vergleichen. |
shot_type | Nein | Einzeln bleibt der ganze Clip eine durchgehende Einstellung. Mehrfach lässt das Modell schneiden – gut für eine kurze Szene, aber die Kontinuität bricht. |
enable_prompt_expansion | Nein | Standardmäßig aus, der Prompt geht also so hinaus, wie Sie ihn schreiben. Schalten Sie die Erweiterung ein, um ein dünnes Briefing aufzufüllen. Standardwert: |
Preis
| Spezifikation | Preis |
|---|---|
| $0.095 / Sekunde |
| $0.1425 / Sekunde |
Anwendungsfälle
Wasser und Licht
Das veröffentlichte Poolbeispiel beginnt mit einem Standbild einer Schwimmerin, die zur blauen Stunde aus einem Dachpool auftaucht. Weil das Bild Outfit, Wasser und die Stadt hinter ihr enthält, sagt der Prompt nur, dass sie sich weiter erhebt, das Haar nach hinten streicht und der Kamera die Augen öffnet. Es läuft fünf Sekunden in 720p.
Szenen zu zweit
Ein Frame mit zwei Personen wird wie jede andere Fortsetzung behandelt: Der Clip setzt fort, was der Startframe zeigt, und danach wird nichts geprüft. Das Greenroom-Beispiel behält dieselbe Einstellung über den ganzen Clip bei, während sich eine Person hinter der anderen bewegt, gerendert in 1080p über fünf Sekunden.
Companion-Figuren mit Ihrer eigenen Sprachspur
Verwenden Sie ein Figurenbild als Startbild und laden Sie über audio_url eine aufgenommene Zeile hoch. Lippenbewegung und Tempo folgen Ihrer Aufnahme, sodass dasselbe Gesicht ein Skript sprechen kann, statt allgemeine Bewegungen zu machen.
Fünfzehn-Sekunden-Spots in einem Aufruf
Fünfzehn Sekunden decken ein komplettes Pre-Roll oder eine Story-Karte ohne Schnitt ab. Ein Startbild, eine Handlungszeile, eine Anfrage – und weil die Länge einer von drei festen Werten ist, steht sie vor dem Absenden fest.
Prompt-Leitfaden und Praxistipps
Das Bild auf das Auslieferungsformat zuschneiden
Das Standbild bestimmt Person, Kostüm, Ort, Licht und die Proportionen des Clips. Ein Feld für das Seitenverhältnis gibt es nicht, schneiden Sie es also vor dem Senden auf 16:9, 9:16 oder quadratisch zu; späteres Umkadrieren kostet ein neues Rendering. Senden Sie JPEG, PNG ohne Transparenz, BMP oder WEBP mit 240 bis 8.000 Pixeln pro Seite und höchstens 20 MB.
Einen Clip aus kleinen Bewegungen bauen
Das Lamellenlicht-Beispiel besteht aus zwei winzigen Bewegungen, einem Fuß, der sich anspannt, und einem Knie, das sich streckt, während die Seide darunter sich verschiebt. Das Licht erledigt den Rest, wenn Lamellenstreifen wandern, während sich die Jalousie regt; die Kamera ist ein verwackeltes Handkamera-Schwanken aus der Ich-Perspektive statt einer Fahrt. Solche kleinen, konkreten Handlungen geben dem Bild etwas zu tun, ohne es zur Veränderung aufzufordern.
Eine Grenze in den Prompt schreiben, wenn die Kamera steht
Im zehnsekündigen Greenroom-Beispiel liegt alles Interessante auf einer waagerechten Linie, und der Prompt legt ausdrücklich fest, was nicht aus dem Bild verschwinden darf. Wenn sich die Kamera nicht bewegt, hält die Vorgabe im Prompt verlässlicher als der Versuch, sie über den Bildausschnitt zu lösen, denn sie muss über den ganzen Clip gelten.
Das mitgelieferte Beispiel anpassen
Beginnen Sie mit dem veröffentlichten Beispiel mit duration_seconds: 5, image_url: a publicly accessible URL, resolution: 720p. Ersetzen Sie Motiv und Bewegung und lassen Sie den Eingabevertrag dieses Modus unverändert.
She rises further out of the water, sheets of it running off her shoulders and swimsuit, slicks her wet hair straight back with both hands and opens her eyes toward camera, droplets scattering. Blue-hour city towers glow behind, slow-motion water detail, ambient pool lap and distant traffic.
Die exakte Anfrage hinter dem Clip dieses Endpunkts, erzeugt aus dem daneben gezeigten Startbild.
In 720p festlegen, dann das Ergebnis in 1080p rendern
Die Auflösung verändert sowohl den Preis als auch die Laufzeit der Aufgabe. Legen Sie die Bewegung in 720p fest und rendern Sie die gewählte Fassung dann in 1080p neu, mit demselben Bild und demselben seed (0 bis 2147483647). Halten Sie beides auch fest, wenn Sie fünf gegen fünfzehn Sekunden vergleichen; sonst vergleichen Sie zwei verschiedene Clips statt zweier Einstellungen. Der Seed stabilisiert die Ziehung, ein identischer Clip ist aber nicht garantiert.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6-spicy/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"resolution": "720p",
"shot_type": "single"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
