Einführung
Wan 3.0 Referenz-zu-Video baut aus gelieferten Referenzen eine neue Einstellung von 2 bis 30 Sekunden: bis zu zehn Bilder, fünf Videoclips und fünf Audioclips in einem Request. Mindestens eines der Felder reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url oder reference_link_url muss vorhanden sein; der Prompt ist optional. Nutzen Sie den Endpunkt, wenn ein Gesicht, ein Kleidungsstück, ein Ort oder eine Stimme über getrennt gerenderte Einstellungen hinweg gleich bleiben muss – das kann text-to-video nicht, weil es bei jedem Lauf ein neues Gesicht erfindet. Ausgegeben wird in 480p, 720p oder 1080p, Standard 720p.
Modus nach dem Ausgangsmaterial wählen
| Ausgangsmaterial | Modus |
|---|---|
| Aus einem schriftlichen Briefing entstehen Szene, Handlung, Kamerabewegung und gegebenenfalls Ton. | Wan 3.0 Text-zu-Video |
| Ein freigegebenes Startbild bestimmt Motiv und Komposition; die Beschreibung steuert die anschließende Bewegung. | Wan 3.0 Bild-zu-Video |
| Getrennte Referenzen können Identität, Ort, Bewegung oder Klang mit jeweils einer klaren Rolle leiten. | Wan 3.0 Referenz-zu-Video |
Wichtige Funktionen und Highlights
Bilder für Identität, Garderobe und Sets
reference_image_urls nimmt 1 bis 10 Bilder auf – Figuren-, Kostüm- und Set-Plates – als JPEG, PNG ohne Transparenz, BMP oder WEBP mit 240 bis 8000 Pixeln pro Seite und bis zu 20 MB je Bild. Referenzbilder werden nicht abgerechnet. Benennen Sie jedes Bild im Prompt, sonst mittelt das Modell sie zu einem Motiv, das keinem von ihnen ähnelt.
Video für Bewegung, Audio für Stimme
Referenzvideos liefern Bewegung und Kamerastil, kein Gesicht: bis zu fünf MP4- oder MOV-Clips mit je 1 bis 15 Sekunden, insgesamt 15 Sekunden, mindestens 16 fps. Referenz-Audio liefert eine Stimme, eine Sprechweise oder Raumton: bis zu fünf WAV- oder MP3-Clips, ebenfalls insgesamt 15 Sekunden. Diese Grenzen werden während der Generierung geprüft, nicht bei der Annahme des Tasks – messen Sie Ihre Clips also vor dem Absenden.
Ein 30-Sekunden-Budget, geteilt mit der Ausgabe
Sekunden aus Referenzvideos werden zusammen mit der Ausgabe abgerechnet, und Referenzvideolänge plus duration_seconds darf 30 Sekunden nicht überschreiten. Eine 12-Sekunden-Bewegungsreferenz lässt also höchstens 18 Sekunden Ausgabe zu. Referenzbilder und Referenz-Audio zählen nicht zu diesem Budget.
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 |
|---|---|
| $0.045 / Sekunde |
| $0.09 / Sekunde |
| $0.18 / Sekunde |
Anwendungsfälle
Dieselbe Darstellerin im selben Raum neu rendern
Das Beispiel mit Figur und Raum sendet zwei Bilder und benennt sie im Prompt: „Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room.“ Danach geht sie bei einer langsamen seitlichen Kamerafahrt zum Fenster, 8 Sekunden in 720p mit Seed 771120. Beide Plates und den Seed festzuhalten und nur die Handlungszeile zu ändern, ist die Request-Form für episodische Arbeit.
Eine Sprecherin mit passender Stimme
Das Monolog-Beispiel kombiniert ein Bild für Gesicht und Garderobe der Sprecherin mit einer Audio-Referenz für ihre Stimme. Der Prompt hält diese Rollen auseinander und beschreibt dann eine feste halbnahe Einstellung an einem Küchentisch im Morgenlicht, 10 Sekunden in 720p. Moderatoren, Erzähler und wiederkehrende Figuren, die in jedem Take gleich klingen müssen, folgen diesem Muster.
Prompt-Leitfaden und Praxistipps
Erst die Referenzen zuordnen, dann die Einstellung beschreiben
Beginnen Sie den Prompt mit einem Satz pro Referenz – welches Bild die Figur ist, welches das Set, wofür Video oder Audio dienen – und schreiben Sie dann die Szene: Motiv, eine Handlung, eine Kamerabewegung, Licht und Ton. Liefern Sie die Bilder in der Reihenfolge, in der Sie sie erwähnen, denn „Image 1“ und „Image 2“ sind die Art, wie der Prompt auf sie verweist.
Konflikte ausdrücklich auflösen
Enthält ein Bewegungsclip eine Person oder einen Hintergrund, den Sie nicht wollen, fordern Sie nur seinen Kameraweg oder sein Timing an. Geben Sie nicht zwei Referenzen dieselbe Aufgabe in der Erwartung, dass das Modell zwischen ihnen wählt; legen Sie im Briefing fest, welche die Identität und welche den Schauplatz bestimmt.
Pro Wiederholung nur eine Sache ändern
Halten Sie seed und das Referenz-Set konstant und ändern Sie pro Versuch eine Zeile – die Handlung, die Kamerabewegung oder eine einzelne Referenz –, damit sich jeder Unterschied im Ergebnis dieser Änderung zuordnen lässt. Erkunden Sie bei 5 Sekunden und 720p, bevor Sie länger oder größer rendern, und prüfen Sie in jedem Take Gesicht, Garderobe, Schauplatz 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
