Einführung
Wan 3.0 Prime Referenz-zu-Video baut mit dem Prime-Rendering eine Einstellung von 2 bis 30 Sekunden aus bis zu zehn Bild-, fünf Video- und fünf Audioreferenzen, mit denselben Feldern wie Wan 3.0 Referenz-zu-Video. Mindestens ein Referenz-Array, eine Referenzdatei oder ein Weblink muss vorhanden sein, der Prompt ist optional; wenn Sie einen schreiben, sollte er sagen, was jede Referenz steuert. Die Auflösung ist 480p, 720p oder 1080p, Standard 720p, und aspect_ratio steht standardmäßig auf 16:9.
Modus nach dem Ausgangsmaterial wählen
| Ausgangsmaterial | Modus |
|---|---|
| Aus einem schriftlichen Briefing entstehen Szene, Handlung, Kamerabewegung und gegebenenfalls Ton. | Wan 3.0 Prime Text-zu-Video |
| Ein freigegebenes Startbild bestimmt Motiv und Komposition; die Beschreibung steuert die anschließende Bewegung. | Wan 3.0 Prime Bild-zu-Video |
| Getrennte Referenzen können Identität, Ort, Bewegung oder Klang mit jeweils einer klaren Rolle leiten. | Wan 3.0 Prime Referenz-zu-Video |
Wichtige Funktionen und Highlights
Eine Identitäts-Plate, eine ganze Szene aus Text
Eine einzige Plate kann die Person tragen, während der Prompt alles andere erfindet. Das Dünen-Beispiel nutzt ein Identitätsbild, flach vor neutralem Studiohintergrund aufgenommen; das mondbeschienene Dünenfeld, der Wind und ein meterlanger Schal, der über ihr flattert, sind alle geschrieben. Der Schal muss am Ende des Takes noch am selben Arm hängen – ein guter Prüfpunkt.
Kameraverhalten aus einem Clip übernehmen
Referenzvideo ist für Bewegung und Kamerastil gedacht, nicht für Gesichter. Das Bewegungsstil-Beispiel übernimmt aus einem Referenzclip eine langsame Kreisfahrt aus der Hand und wendet sie auf die Frau aus einem Referenzbild an, die in einem leeren Studio steht, 6 Sekunden in 720p. Referenzclips müssen MP4 oder MOV sein, mindestens 16 fps haben, je 1 bis 15 Sekunden und insgesamt 15 Sekunden lang sein.
Stimmkontinuität durch Audioreferenzen
Bis zu fünf WAV- oder MP3-Audioreferenzen mit insgesamt 15 Sekunden können eine Stimme über mehrere Takes halten. Eine Moderatorin, die durchgehend gleich aussieht, aber in jeder Einstellung anders klingt, ist trotzdem nicht kontinuierlich – wenn eine Person in mehreren Einstellungen spricht, senden Sie jedes Mal dieselbe Audioreferenz. Referenz-Audio und Referenzbilder werden nicht abgerechnet.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Nein | Optional. Wenn Sie einen schreiben, nennen Sie zuerst, was jede Referenz steuert, dann den Shot: Motiv, eine Handlung, eine Kamerabewegung, Licht und Ton. mindestens 1 Zeichen |
reference_image_urls | Nein | 1 bis 10 Bilder als Plates für Identität, Garderobe und Set. Benennen Sie jedes im Prompt – Figur, Kleidungsstück, Set –, sonst werden sie gemittelt. mindestens 1 Einträge · höchstens 10 Einträge |
reference_video_urls | Nein | Bis zu 5 Clips, je 1 bis 15 Sekunden und insgesamt 15 Sekunden. Nutzen Sie sie für Bewegung und Kamerastil, nicht für ein Gesicht. mindestens 1 Einträge · höchstens 5 Einträge |
reference_audio_urls | Nein | Bis zu 5 Clips, je 1 bis 15 Sekunden und insgesamt 15 Sekunden – eine Stimme, eine gesprochene Zeile oder ein Raumklang, zu dem die Einstellung passen muss. mindestens 1 Einträge · höchstens 5 Einträge |
reference_file_url | Nein | Ein Dokument, das das Modell liest, bevor es die Einstellung inszeniert: ein Charakterblatt, ein Skript, eine Shotliste oder ein Produkt-Briefing. |
reference_link_url | Nein | Eine öffentliche Webseite, die das Modell als Referenz liest, etwa ein Artikel, eine Produktseite oder ein Charakterprofil. Sie muss sich ohne Login öffnen lassen. |
aspect_ratio | Nein | 16:9, 9:16, 1:1, 4:3, 3:4 oder adaptive, womit das Modell wählt. Vorgabe ist 16:9. |
enable_thinking | Nein | Lässt das Modell den Auftrag und das Referenzmaterial vor der Generierung durchdenken. Standardwert: |
resolution | Nein | 480p, 720p oder 1080p. Vorgabe 720p. |
duration_seconds | Nein | Jede ganze Zahl von 2 bis 30 oder -1 für Smart-Dauer. Vorgabe 5. |
generate_audio | Nein | Standardmäßig an. Der Clip kommt mit bereits am Bild verankertem Ton zurück. Standardwert: |
enable_prompt_expansion | Nein | Standardmäßig aus. Eingeschaltet wird der Prompt vor der Generierung umgeschrieben, was dünnen Briefings hilft und bei ausführlichen gegen Sie arbeitet. |
seed | Nein | 0 bis 2147483647. Festhalten, um ein geändertes Feld nach dem anderen zu vergleichen; weglassen für Vielfalt. |
Preis
Referenzvideos zählen zu den berechneten Sekunden, Referenzbilder und Audio nicht. Da wir deine Clips vor dem Lauf nicht messen können, reservieren wir zunächst den Betrag für die maximalen 15 Sekunden und geben den nicht genutzten Teil bei der Abrechnung sofort wieder frei — berechnet werden nur die tatsächlich genutzten Sekunden.
| Spezifikation | Preis |
|---|---|
| $0.0612 / Sekunde |
| $0.126 / Sekunde |
| $0.252 / Sekunde |
Anwendungsfälle
Eine wiederkehrende Moderatorin
Verwenden Sie in jedem Request einer Serie dieselben Bild-Plates für Gesicht und Set und dieselbe Audioreferenz für die Stimme. Das Moderatorinnen-Beispiel hält „the same presenter, the same studio“ fest und beschreibt nur die Bewegung – eine Fahrt, die auf einem bestimmten Ausschnitt endet –, weil die Referenzen die Identität bereits tragen.
Inserts im passenden Stil
Soll sich eine neue Einstellung so bewegen wie eine vorhandene, liefern Sie diesen Clip als Bewegungsreferenz und ein Bild für das Motiv. Sagen Sie im Prompt, was was ist, wie im Bewegungsstil-Beispiel: „Take the camera behaviour from the reference clip — a slow handheld orbit — and apply it to the woman in the reference image.“
Prompt-Leitfaden und Praxistipps
Referenzvideo gegen die Ausgabelänge budgetieren
Sekunden aus Referenzvideos werden mit der Ausgabe abgerechnet, und Referenzvideo plus duration_seconds darf 30 Sekunden nicht überschreiten. Ein 6-Sekunden-Stilclip lässt also bis zu 24 Sekunden Ausgabe zu. Die Referenzgrenzen greifen während der Generierung, nicht beim Absenden – kürzen Sie Clips also vor dem Senden.
Das Gesicht auf ein Bild legen, nicht auf ein Video
Ein Referenzvideo legt den Bewegungsstil gut fest, eignet sich aber schlecht, um ein Gesicht zu fixieren. Legen Sie die Identität auf eine Bild-Plate, benennen Sie sie im Prompt und nutzen Sie Video nur dafür, wie sich Kamera oder Körper bewegen.
Das Referenz-Set zwischen Takes stabil halten
Ändern Sie pro Versuch eine Referenz oder eine Promptzeile und halten Sie seed fest, damit sich ein Unterschied auf seine Ursache zurückführen lässt. Legen Sie den Look bei 5 Sekunden und 720p fest, bevor Sie verlängern, und prüfen Sie in jedem Rendering am Anfang und Ende Gesicht, Kostüm und Stimme gegen ihre Referenzen.
API-Schnellstart
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-prime/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
