Einführung
Wan 3.0 Pro Referenz-zu-Video hält ein Gesicht, ein Kleidungsstück, ein Set, eine Bewegung oder eine Stimme über mehrere Einstellungen hinweg mit Bild-, Video- und Audioreferenzen fest und liefert das Ergebnis in 1080p, 2K oder 4K für 2 bis 30 Sekunden. Senden Sie mindestens eines der Felder reference_image_urls (1 bis 10 geordnete Bilder), reference_video_urls, reference_audio_urls (je bis zu 5 Clips), reference_file_url (ein Dokument) oder reference_link_url (eine Webseite). Der Prompt ist optional, doch dort bekommt jede Referenz ihre Aufgabe und dort steht die Handlung.
Modus nach dem Ausgangsmaterial wählen
| Ausgangsmaterial | Modus |
|---|---|
| Aus einem schriftlichen Briefing entstehen Szene, Handlung, Kamerabewegung und gegebenenfalls Ton. | Wan 3.0 Pro Text-zu-Video |
| Ein freigegebenes Startbild bestimmt Motiv und Komposition; die Beschreibung steuert die anschließende Bewegung. | Wan 3.0 Pro Bild-zu-Video |
| Getrennte Referenzen können Identität, Ort, Bewegung oder Klang mit jeweils einer klaren Rolle leiten. | Wan 3.0 Pro Referenz-zu-Video |
Wichtige Funktionen und Highlights
Ein Master, mehrere Ausschnitte
Eine referenzgebundene Einstellung in 4K ergibt einen Master, aus dem sich ein Banner und eine Hochformat-Version schneiden lassen. Das Kleidungs-Beispiel sendet eine einzige Mantel-Plate – „Keep the coat from the reference exactly — cut, colour and stitching“ – und rendert 6 Sekunden in 4k ohne Ton, während sich das Model auf einer dunklen Bühne einmal dreht und der Saum sich hebt und wieder setzt.
Abweichungen sind in Liefergröße leichter zu sehen
Ein Gesicht, das sich zwischen Einstellungen verändert, fällt in hoher Auflösung sofort auf – das hilft bei der Abnahme: Rendern Sie jede Einstellung einer Sequenz in Liefergröße und vergleichen Sie sie nebeneinander, bevor Sie sich festlegen. Die Stufen 2k und 4k sind aus einem nativen 1080p-Rendering vergrößert; sie zeigen Unstimmigkeiten aus dem Rendering also eher, als dass sie sie verdecken.
Budgets für Referenzen
Referenzbilder und Referenz-Audio werden nicht abgerechnet; Sekunden aus Referenzvideos werden mit der Ausgabe abgerechnet. Video- und Audioreferenzen sind jeweils auf insgesamt 15 Sekunden begrenzt, jeder Clip liegt zwischen 1 und 15 Sekunden, und Referenzvideo plus duration_seconds muss innerhalb von 30 Sekunden bleiben. Diese Grenzen greifen während der Generierung, nicht beim Absenden – prüfen Sie die Cliplängen also vorher.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Nein | Optional, aber hier sagen Sie, wofür jede Referenz da ist – welches Bild die Figur ist, welcher Clip die Bewegung trägt, welches Audio die Stimme – und was in der Einstellung ta… mindestens 1 Zeichen · höchstens 20000 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. |
resolution | Nein | 1080p, 2k oder 4k, Vorgabe 1080p. |
aspect_ratio | Nein | 16:9, 4:3, 1:1, 3:4, 9:16 oder adaptive. Vorgabe ist adaptive, womit das Modell wählt; nennen Sie ein Verhältnis, wenn das Ausgabeformat feststeht. |
duration_seconds | Nein | Jede ganze Zahl von 2 bis 30, Vorgabe 5, oder -1 für die automatische Dauer: Sie reserviert das Maximum und rechnet nach der tatsächlich gelieferten Länge ab. |
generate_audio | Nein | Standardmäßig an. Der Ton entsteht zusammen mit dem Bild und kommt in derselben Datei. Standardwert: |
enable_prompt_expansion | Nein | In dieser Familie standardmäßig an. Sie füllt dünne Briefings auf und schreibt ausführliche um – ausschalten, sobald Ihr Prompt eine präzise Shot-Beschreibung ist. Standardwert: |
seed | Nein | 0 bis 2147483647. Festhalten, während Sie Auflösung oder Dauer abstimmen, sonst ändert jede Wiederholung zwei Dinge gleichzeitig. |
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 |
|---|---|
| $0.144 / Sekunde |
| $0.16 / Sekunde |
| $0.184 / Sekunde |
Anwendungsfälle
Episoden-Einstellungen mit benanntem Gesicht und Set
Das Gesicht-und-Set-Beispiel sendet zwei Plates und eine Handlungszeile: „The first image is the character — keep her face, hair and the black gown. The second image is the room.“ Sie geht bei einer langsamen seitlichen Kamerafahrt von der Tür zum Fenster, 8 Sekunden in 1080p mit Seed 640117. Verwenden Sie Plates und Seed für jede Einstellung einer Episode wieder und ändern Sie nur die Handlung.
Dieselben Menschen, anderes Licht
Das Beispiel mit drei Tageszeiten hält zwei Menschen und eine Wohnung fest, während sich das Licht ändert: Morgen am Fenster, Abenddämmerung auf der Küchenzeile, Nacht auf dem Balkon. Das ist der heikle Kontinuitätsfall, denn alles außer dem Licht muss gleich bleiben. Die Referenzen tragen Menschen und Raum, der Prompt beschreibt nur, was sich unterscheidet.
Prompt-Leitfaden und Praxistipps
Referenzen in Reihenfolge benennen
reference_image_urls ist geordnet; bezeichnen Sie die Bilder als „the first image“ und „the second image“ und liefern Sie sie in dieser Reihenfolge. Sagen Sie zu jedem, ob es eine Figur, ein Kleidungsstück oder ein Set ist. Nutzen Sie Referenzvideos für Bewegung und Kamerastil statt für Gesichter, Audio für eine Stimme, eine Sprechweise oder Raumton.
Für das finale Rendering die Prompt-Erweiterung abschalten
enable_prompt_expansion steht in dieser Familie standardmäßig auf true und schreibt detaillierte Briefings um, was die vergebenen Rollen verwischen kann. Schalten Sie sie ab, sobald Referenzbezeichnungen und Handlungszeile stehen, halten Sie seed fest und machen Sie die ersten Renderings in 1080p mit 5 Sekunden.
Nur den freigegebenen Take hochskalieren
Funktioniert die Einstellung in 1080p, senden Sie denselben Body mit resolution auf 2k oder 4k erneut. Lassen Sie aspect_ratio auf adaptive, sofern das Lieferformat nicht feststeht, und prüfen Sie am Anfang und Ende der gelieferten Datei die wiederkehrenden Details – Gesicht, Schnitt des Kleidungsstücks, Raumaufteilung.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
