Einführung
Wan 3.0 Text-zu-Video erzeugt aus einem geschriebenen Prompt allein einen Clip von 2 bis 30 Sekunden mit Ton. prompt ist das einzige Pflichtfeld; duration_seconds, resolution (480p, 720p oder 1080p, Standard 720p), aspect_ratio (Standard 16:9), generate_audio, enable_prompt_expansion und seed sind ausdrückliche Einstellungen, die Sie auf dem Standardwert lassen können. Da kein Bild die Einstellung verankert, erfindet das Modell jedes Gesicht, jedes Kleidungsstück und jedes Set aus dem Text. Das ergibt den größten gestalterischen Spielraum der Wan-3.0-Modi – und die geringste Kontrolle über eine bestimmte Person.
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
Ton im selben Request beschreiben
generate_audio ist standardmäßig aktiv, die zurückgegebene Datei enthält also bereits Ton, der zum Bild passt. Das Waffenkammer-Beispiel nutzt das gezielt: Der Prompt endet mit einer Zeile „Audio:“ – ein Lederhandschuh, der auf Holz klatscht, knarrende Schnürung, eine zischende Fackel –, und diese Geräusche kommen zusammen mit den Handlungen zurück, die sie auslösen. Setzen Sie das Feld nur auf false, wenn die Einstellung separat vertont wird.
Jede ganze Länge von 2 bis 30 Sekunden
duration_seconds akzeptiert jede ganze Zahl von 2 bis 30, Standard ist 5, oder -1 für die Smart-Dauer, bei der das Modell die Länge aus dem Prompt ableitet. Das Dünen-Beispiel läuft die standardmäßigen 5 Sekunden in 720p und 16:9 – genug für eine Fahrt aus der Luft von der Sturmwand hinunter bis zu ihrem Gesicht. Längere Clips driften stärker in Identität und Geometrie; legen Sie den Look deshalb zuerst bei 5 Sekunden fest.
Unzensierte Szenen allein aus dem Text
Die Familie ist unzensiert, und keine Szene braucht ein Flag oder eine Erklärung pro Request. Das Autokino-Beispiel – zwei erwachsene Frauen auf der Ladefläche eines Kombis, nur vom Projektorstrahl beleuchtet, bis zu einem langsamen Kuss – entstand bei 5 Sekunden und 720p allein aus dem Prompt. Für Einwilligung, Rechte, Alter und lokales Recht aller dargestellten Personen bleiben Sie verantwortlich.
Request-Parameter
| Parameter | Pflicht | Beschreibung |
|---|---|---|
prompt | Ja | Der Shot selbst: Motiv, eine Handlung, eine Kamerabewegung, dann Licht und Ton. Lange Adjektivlisten bewegen das Ergebnis weniger als eine klare Handlung. mindestens 1 Zeichen |
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 die automatische Dauer, bei der das Modell die Länge wählt: Das Maximum von 30 Sekunden wird vorab reserviert, abgerechnet wird die tats… |
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. Standardwert: |
seed | Nein | 0 bis 2147483647. Festhalten, um ein geändertes Feld nach dem anderen zu vergleichen; weglassen für Vielfalt. |
Preis
| Spezifikation | Preis |
|---|---|
| $0.045 / Sekunde |
| $0.09 / Sekunde |
| $0.18 / Sekunde |
Anwendungsfälle
Stimmungsvolle Szenen ohne Ausgangsbild
Gibt es kein Foto des Schauplatzes, muss der Prompt ihn bauen. Das Dünen-Beispiel beschreibt einen Dünenkamm im Sonnenuntergang, einen gewaltigen heranrollenden Sandsturm, ein smaragdgrünes Seidenkleid, das im Wind flattert, und eine Kamera, die aus der Luft bis zu ihrem Gesicht hinabgleitet – alles allein aus dem Satz. Solche Requests eignen sich für Mood-Filme und Pitch-Reels, bei denen die Umgebung wichtiger ist als ein bestimmtes Gesicht.
Ego-Perspektive
Das Point-of-View-Beispiel ist als durchgehender Take ohne Schnitt geschrieben: Die Kamera sind die Augen des Betrachters, eine einzelne Glühlampe ist das einzige Licht, und das Briefing hält fest, dass die Garderobe durchgehend genau so bleibt, wie sie beschrieben ist. Festzuhalten, was sich nicht ändert, ist so nützlich wie zu beschreiben, was sich bewegt – es verhindert, dass das Modell einen mehrdeutigen Prompt in seine eigene Richtung auflöst.
Prompt-Leitfaden und Praxistipps
Reihenfolge: Motiv, Handlung, Kamera, Licht, Ton
Schreiben Sie ein Motiv, eine Handlung, eine Kamerabewegung und danach je einen Hinweis zu Licht und Ton. Lange Adjektivlisten bewegen das Ergebnis weniger als eine klare Handlung. Der Referenzclip der Familie folgt genau dieser Reihenfolge: zwei Frauen unter einem Schirm, eine Haarsträhne hinters Ohr gestrichen und ein Kuss, eine langsame Dolly-Fahrt, Neonlicht auf nassem Boden, Regen auf dem Schirm.
Bildausschnitt festlegen, wenn ein Detail die Szene trägt
Der Waffenkammer-Prompt nennt den Ausschnitt – Medium Close-up ab der Hüfte, niedriger Dreiviertelwinkel, 85 mm –, weil eine Totale Handschuh, Schnürung und Fackellicht auf ihren Schultern verlieren würde. Wenn ein Detail zählt, schreiben Sie, wie groß es im Bild sein soll, statt darauf zu hoffen, dass das Modell eine nahe Einstellung wählt.
Prompt-Erweiterung bei präzisen Briefings aus
enable_prompt_expansion steht hier standardmäßig auf false. Eingeschaltet wird der Prompt vor der Generierung umgeschrieben – hilfreich bei einer Idee in zwei Zeilen, hinderlich bei einem detaillierten Briefing wie den obigen. Halten Sie für kontrollierte Wiederholungen seed fest und ändern Sie pro Lauf nur ein Feld; ein fester Seed macht Vergleiche fair, garantiert aber keine identischen Frames. Text allein hält kein Gesicht über mehrere Läufe hinweg – nutzen Sie für wiederkehrende Figuren reference-to-video.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "16:9",
"duration_seconds": 5
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Authentifizierung, vollständiges Schema, Polling und Fehlerbehandlung stehen in der API-Referenz.
