Wan 2.2 Image-to-Video: ritmo, encuadre e identidad

Wan 2.2 Image-to-Video sigue la imagen que envías y solo mueve lo que el prompt le pide mover. Así que un buen prompt es corto: una acción visible, un comportamiento de cámara y una línea sobre lo que debe quedarse quieto. La mayoría de los fallos (movimiento con aspecto lento, zoom inesperado, una cara o un producto que cambia) vienen del fotograma inicial o de instrucciones apiladas, no de que falten palabras. Esta guía muestra la estructura, un clip trabajado y cómo corregir cada fallo.

Qué controlas en cada endpoint

Ninguno tiene campo de relación de aspecto: el clip adopta la forma de tu imagen, así que recorta a 16:9 o 9:16 antes de subir. Atenuado significa que el modelo base puede suavizar o rechazar solicitudes explícitas; los endpoints Spicy están etiquetados como sin restricciones, pero eso no garantiza que cada solicitud se entregue sin cambios. Usa el endpoint base para material apto para todos los públicos y los endpoints Spicy cuando el contenido necesite un modelo sin censura; el método de prompting que sigue es el mismo.

Prepara el fotograma antes del prompt

La imagen aporta el sujeto, la ropa, el decorado y la dirección de la luz, así que el prompt no debería describirlos otra vez. Debe hacer posible el movimiento:

• Muestra todo lo que se mueve. Una acción de caminar necesita las piernas en el encuadre; un alcance necesita la mano y el objeto visibles, no una mano escondida detrás de una taza.
• Deja espacio en la dirección del movimiento. Un sujeto pegado al borde derecho no puede dar un paso a la derecha sin salirse del encuadre ni forzar un movimiento de cámara.
• Quita lo que no quieras animado: personas sueltas, superposiciones, texto incrustado y marcas de agua pasan tal cual al clip.
• Corrige primero los defectos del origen. Un dedo de más o una taza flotante en la imagen fija estarán también en el vídeo.

La estructura del prompt

Escribe, en este orden: quién o qué se mueve y cómo, luego la cámara, luego lo que se queda quieto o qué hace la luz. Deja el aspecto en manos de la imagen.

Este es un ejemplo real de la página del modelo Wan 2.2. El origen es un retrato de estudio de cuerpo entero con fondo gris liso, 720p:

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.

Funciona porque cada compás es un cambio visible respecto a la pose inicial, la cámara se declara bloqueada y el final es una pose sostenida sobre la que puedes cortar. La figura tiene espacio para caminar hacia la cámara porque el origen es un fotograma de cuerpo entero con suelo delante de ella.

Un plano de producto sigue el mismo patrón, con la cámara o la luz haciendo el movimiento y una línea explícita para lo que no debe moverse:

The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move.

Aquí solo la luz hace trabajo visible: la etiqueta y la silueta se mantienen estables mientras la franja cruza el cristal, y el arco de cámara solicitado apenas se percibe. Si necesitas un giro claramente visible, pide un movimiento de cámara mayor por sí solo, sin ningún cambio de luz en la misma frase.

Pruébalo en el Playground

1. Abre Wan 2.2 image to video, quédate en la pestaña Playground en la vista Form e inicia sesión para ejecutar.
2. Añade tu fotograma inicial en Input image (JPG, PNG o WEBP, hasta 10 MB), recortado a la forma que quieras.
3. Pega un prompt en Prompt o abre el Playground con el ejemplo de cuerpo entero ya rellenado.
4. Mantén Resolution en 480p mientras haces borradores, fija un Seed y añade zoom, sudden reframing, cuts, second person en Negative prompt si la cámara se mueve. Deja Prompt expansion desactivado para una acción precisa; actívalo solo para una idea de una línea.
5. Ejecútalo y vuelve a ejecutar el clip que te quieras quedar en 720p con el mismo seed.

Después, la API

Una vez que un prompt funcione, envía la misma solicitud desde código. Los campos y los resultados están en la referencia de la API.

{
  "model": "alibaba/wan-2.2/image-to-video",
  "input": {
    "image_url": "https://example.com/your-full-body-portrait.png",
    "prompt": "She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.",
    "negative_prompt": "zoom, sudden reframing, cuts, second person",
    "resolution": "480p",
    "seed": 14327
  }
}

Haz los borradores a 480p y luego reenvía el clip que te quedas con "resolution": "720p" y el mismo seed.

Deja que lo haga un Agent. Un asistente puede hacer la misma llamada desde la CLI (npx @spicyapi/cli tasks create --model alibaba/wan-2.2/image-to-video --input-file input.json --wait, con el objeto input de esta solicitud en input.json), el servidor MCP (npx --yes --package=@spicyapi/mcp spicyapi-mcp) o el Agent Skill (npx skills add spicyapi-ai/spicy-skill). La CLI y MCP muestran el precio y te piden confirmación antes de crear una tarea.

Corrige el movimiento con aspecto lento

Los clips lentos suelen deberse a una de cuatro causas, y cada una tiene una corrección distinta:

• Palabras de ambiente. «Calm», «dreamy» y «cinematic» implican cámara lenta. Quítalas y describe un gesto a velocidad normal con un estado final completado.
• Demasiada acción para el clip. Levantarse, cruzar una habitación y servir una bebida no cabe en cinco segundos. Recorta a un gesto o divídelo en varios clips, cada uno empezando desde su propio fotograma.
• Acción demasiado pequeña. Un movimiento diminuto se lee como estático. Nombra la parte que se mueve y dónde acaba.
• Sin final. Si la mano sigue desplazándose en el último fotograma, acorta el recorrido o añade una pose final sostenida.

En los endpoints Spicy, la opción de 8 segundos ayuda a una acción que de verdad necesita más tiempo.

Corrige el zoom y los cortes no deseados

Nombra el movimiento de cámara que quieres, porque «dynamic camera» permite cualquiera de ellos: un zoom cambia la escala, un dolly cambia la posición de cámara, un pan gira la vista y una órbita rodea al sujeto. Para fijar la cámara, dilo de forma positiva («locked camera, fixed medium distance») y añade un negative prompt corto como zoom, reframing, cuts en el endpoint base. Spicy y Spicy LoRA no tienen campo negativo, así que confía solo en la instrucción positiva.

Antes de culpar a la cámara, comprueba el fondo. Si los puntos de referencia se quedan quietos mientras el sujeto crece, el sujeto se inclinó hacia el objetivo; pide menos movimiento hacia delante. Si cambia la escala de todo el encuadre, es la cámara, así que cambia solo la frase de cámara y mantén todo lo demás igual. Un retrato con poca profundidad de campo y fondo borroso hace esto difícil de juzgar, así que empieza con un origen que tenga rasgos de fondo reconocibles.

Corrige la deriva de identidad

Compara los fotogramas primero, central y último, y fíjate en los giros y las oclusiones donde el modelo debe inventar detalle oculto. Tres correcciones cubren la mayoría de los casos:

• Reduce el movimiento simultáneo. Un gesto pequeño con la cabeza quieta y la cámara fija conserva mejor la identidad que un giro completo con órbita. Vuelve a añadir movimiento pieza a pieza.
• Ajusta el prompt a la imagen. Si el fotograma muestra una chaqueta oscura y el prompt dice camisa azul, estás pidiendo un cambio.
• Elige una mejor fuente. Si importa el lateral o la parte de atrás, como la cara oculta de una etiqueta de producto, envía un fotograma que lo muestre; el modelo no puede leer lo que no ve.

Las sombras densas pueden parecer un cambio de identidad, así que compara también forma y patrón, no solo color.

Corrige una cosa cada vez

Ejecuta la misma imagen, la misma resolución y el mismo seed, y cambia una frase por intento: primero la acción, luego el ritmo, luego la cámara. Reproduce el clip entero a velocidad normal, porque las imágenes fijas no pueden mostrar si un gesto fue rápido ni si el objeto se mantuvo intacto. Vigila el inicio, el movimiento más grande y el último segundo. Si tres cambios de redacción no arreglan nada, cambia el fotograma; un fotograma nuevo también significa reescribir la acción para que encaje con su nuevo estado inicial.

Cuándo cambiar de endpoint

• Fotograma final u 8 segundos: usa Wan 2.2 Spicy. Apunta last_image_url a tu imagen fija inicial para un bucle sin costura, o a una composición distinta para que el plano termine en un punto concreto; envíalo con "duration_seconds": 8 con la misma forma de solicitud que arriba.
• Tu propio adaptador de estilo o movimiento: usa Wan 2.2 LoRA o Wan 2.2 Spicy LoRA cuando el contenido necesite un modelo sin censura, con hasta tres LoRAs en cada lista. Pon los estilos de cámara o movimiento en high_noise_loras y la textura o el grano en low_noise_loras. No nombres el estilo también en el prompt, ya que eso tiende a duplicar el efecto. Barre la intensidad a 480p con un seed fijo. Para una escena más larga, la familia LoRA también tiene una tarea de ampliación de vídeo.
• Una acción simple de cinco segundos: el endpoint base es suficiente.

Presupuesta los borradores

El precio base es por solicitud, así que no lo multipliques por la duración. Volver a renderizar el clip que te quedas a 720p duplica el precio base y las tarifas por segundo. Comprueba ritmo y cámara a 480p, pero usa 720p cuando el defecto que juzgas sea un detalle pequeño como una etiqueta o un dedo.

Qué hacer después

Cuando el plano necesite un fotograma final, una toma más larga o adaptadores, cambia de endpoint en lugar de añadir palabras. Para las diferencias de política entre versiones, consulta el artículo sobre las versiones de Wan y, para las ranuras de adaptador, la guía de LoRA de alto y bajo ruido.