Wan 2.6 Reference-to-Video API: extrae personajes de clips

Wan 2.6 reference-to-video acepta de uno a tres clips cortos de las personas, animales u objetos que quieras, más un prompt que describe una escena nueva. Los clips deciden quién o qué aparece; el prompt decide dónde están, qué hacen y cómo los tratan la cámara y la luz. El resultado dura de 2 a 10 segundos en 720p o 1080p, en una de cinco relaciones de aspecto, como una toma continua o como varios planos montados. Cuesta $0.065 por segundo en 720p y $0.0975 en 1080p, y los segundos de material de referencia que envías también se cobran.

Úsalo cuando el material es el sujeto y el entorno es nuevo: una presentadora grabada una vez y colocada en varias ubicaciones, o un clip de producto reescenificado para una temporada nueva. Usa en su lugar Wan 2.6 image-to-video cuando una imagen fija aprobada debe marcar el fotograma inicial, el decorado y las proporciones. También acepta hasta dos imágenes fijas, junto con los clips o en lugar de ellos; sigue sin tener campo de referencia de audio, y es la única tarea de Wan 2.6 en el nivel Filtered.

Pruébalo primero en el Playground

1. Abre la página de reference-to-video y quédate en la pestaña Playground en la vista Form. Inicia sesión con una cuenta con saldo para ejecutar.
2. Bajo Reference videos, añade de uno a tres clips recortados con Add a file, o pega enlaces con Asset URL. El primer clip que añadas se llama character1 en el prompt, el segundo character2 y el tercero character3.
3. Escribe el Prompt como se muestra en la sección de escena de abajo: qué aporta cada clip, luego el entorno, la acción, la cámara y la luz.
4. Pon Resolution en 720p, Duration en un 5 corto, Aspect ratio en el formato que entregas y Shot structure en Single take para la primera prueba.
5. Fija un Seed y mantenlo mientras cambias un clip cada vez. Añade Negative prompt solo para algo que se repita una y otra vez.
6. Revisa la estimación de precio, que incluye los segundos de referencia, y ejecútala. Pasa a 1080p cuando el reparto sea correcto.

Qué acepta la solicitud

La tarea es alibaba/wan-2.6/reference-to-video.

No copies un campo de otra tarea de Wan 2.6: un image_url o un campo de audio en esta carga útil es un error de contrato, no un prompt débil.

Elige y recorta los clips de referencia

Cada clip debería mostrar un sujeto, grande en el encuadre, bien iluminado y, si puedes, desde más de un ángulo. Un sujeto que se mantiene pequeño o a contraluz vuelve solo de forma aproximada, y un clip de un lugar vacío no le da al modelo nada que colocar: el entorno viene del prompt. Un clip con varias personas hace poco claro quién debe aparecer; por eso recorta el clip hasta el fragmento donde tu sujeto se vea con más claridad.

Recorta antes de subir. Los segundos de referencia se cobran, y unos segundos claros se transfieren mejor que una toma larga que divaga.

Añade un segundo o tercer clip solo para un sujeto nuevo

Cada clip extra añade identidad, movimiento y fondo que el modelo tiene que resolver. Envía un segundo clip cuando la escena necesita otro sujeto (un vendedor junto al mecánico) o cuando el primer clip oculta un rasgo definitorio de un objeto, como la caja frontal de carga de una bicicleta. Dale a una segunda persona una posición y una acción propias, porque caras parecidas en sitios parecidos se difuminan entre sí. Si dos clips muestran al mismo sujeto con ropa distinta, elige uno antes de enviar; un prompt que pide ambos devuelve un compromiso.

Para ver si un clip añadido ayuda, mantén fijos el seed, la duración, la resolución, la relación de aspecto y el tipo de plano, y cambia solo los clips. El seed mantiene constante el sorteo aleatorio entre ejecuciones, así que el clip que has añadido es lo principal que se mueve; no promete una repetición idéntica fotograma a fotograma.

Escribe la escena alrededor de los clips

Llama a cada clip character1, character2 o character3, en el orden en que los enviaste: el modelo solo reconoce el reparto por esos nombres, así que si escribes «Clip 1» o «el clip del mecánico» tiene que adivinar. Di qué aporta cada uno y luego da el entorno, la acción, la cámara y la luz. No redescribas lo que el material ya muestra: eso consume los 1500 caracteres y compite con los clips. Escribe un plano con una acción clara, para que puedas saber si el reparto funcionó antes de pedir una historia.

character1 is the mechanic: keep the short silver hair and indigo apron.
character2 is the teal cargo bicycle: keep its front box and cream tires.
Place them in a quiet produce market at dawn. One continuous medium-wide shot:
character1 wheels character2 a few steps and stops beside a vegetable stall.
Slow sideways camera move, soft morning light, distant market ambience.

Usa negative_prompt para algo que se repite entre ejecuciones, como una persona extra, subtítulos en pantalla o un accesorio del clip, en lugar de listar todas las exclusiones por adelantado. Cambia una cosa entre intento e intento. Si el taller se filtra en el mercado, aclara el destino y recorta el clip; cambiar a la vez el vestuario, la cámara y la duración no te dirá qué ajuste funcionó.

Toma única o varios planos

single mantiene una toma continua y es la primera prueba correcta porque ves si el sujeto cambia durante el movimiento. multi deja que el modelo corte entre planos dentro de la escena; compensa a partir de unos 6 segundos, ya que un clip de 2 a 3 segundos rara vez tiene sitio para un corte. Dirige los cortes con una lista numerada de planos en el prompt, por ejemplo una llegada en plano medio general seguida de un plano cercano de la bicicleta deteniéndose, y comprueba que el sujeto se ve igual después del corte.

Formato, tamaño y duración

La relación de aspecto es una elección de la solicitud, no algo que se tome de los clips, así que un mismo conjunto de referencias se puede entregar en varios formatos y una entrega vertical no necesita material de origen vertical. Escribe la escena para el encuadre que elijas: un panorama de mercado a todo ancho no cabe en una entrega 9:16. Prueba la relación de aspecto final en lugar de recortar después un resultado ancho, porque un recorte puede ocultar la parte que salió mal.

La duración es el principal factor de precio y también el punto donde el parecido se degrada. Reproduce el clip entero, no el primer segundo, y mira con atención el último segundo antes de comprometerte con una duración larga. La resolución fija la tarifa y el tiempo de render; no arregla un sujeto equivocado, así que ajusta el reparto en 720p y pasa a 1080p para el final.

Y luego ejecútalo desde código

Instala el SDK de Python (pip install spicyapi), define SPICY_API_KEY en el entorno de tu servidor, sustituye los enlaces de ejemplo por clips que puedas usar y ejecuta:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="alibaba/wan-2.6/reference-to-video",
    input_data={
        "prompt": "character1 is the mechanic and character2 is the teal cargo bike. At a quiet "
                  "produce market at dawn, character1 wheels character2 forward and stops beside "
                  "a vegetable stall. One medium-wide continuous shot, slow sideways camera move, "
                  "distant market ambience.",
        "reference_video_urls": [
            "https://example.com/mechanic.mp4",
            "https://example.com/cargo-bike.mp4",
        ],
        "duration_seconds": 5,
        "resolution": "720p",
        "aspect_ratio": "16:9",
        "shot_type": "single",
        "seed": 26017,
    },
    idempotency_key=str(uuid.uuid4()),
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
print(output_assets(final)[0]["url"])  # copy the clip to your own storage now

Las cotizaciones, las esperas, los reintentos, los callbacks y los códigos de error están cubiertos en la guía de tareas y en la referencia del SDK de Python; los resultados caducan, consulta retención y entrega. La tarea no tiene entrada ni ajuste de audio, pero el clip vuelve con sonido generado: describe en el prompt lo que quieres oír (por ejemplo, el ambiente) y sustitúyelo en tu montaje si necesitas un audio concreto.

O deja que un agente lo ejecute

Cuando un asistente debe ejecutar las generaciones, las tres herramientas oficiales muestran el precio y te preguntan antes de una llamada de pago.

• CLI. Pon el mismo objeto input en input.json y ejecuta spicyapi tasks create --model alibaba/wan-2.6/reference-to-video --input-file input.json --wait. Para un clip que está en tu ordenador, spicyapi files upload ./mechanic.mp4 devuelve una dirección spicy:// para usar en reference_video_urls. Consulta la documentación de la CLI.
• Servidor MCP. Añade el servidor MCP a tu asistente y luego pregunta: "Cast the person in /path/to/mechanic.mp4 into a dawn produce market on Wan 2.6 reference-to-video, 5 seconds, 720p.". Sube el archivo con spicyapi_upload_file y luego llama a spicyapi_task_create, que se detiene para tu confirmación de precio.
• Skill. npx skills add spicyapi-ai/spicy-skill instala el Agent Skill, que hace que un asistente de código lea el esquema del modelo en vivo en lugar de adivinar campos.

Presupuesta los segundos de referencia

Los segundos facturables son la duración de la salida más la duración de los clips de referencia, cada clip redondeado al alza a un segundo entero, y como máximo se cuentan cinco segundos de referencia en total. Una renderización de 5 segundos con un clip de 3 segundos factura 8 segundos; la misma renderización con tres clips que suman nueve segundos factura 10. La estimación en vivo antes de enviar muestra el importe. Si la duración de un clip no se puede leer por adelantado, la reserva asume cinco segundos de referencia y el cargo final usa la duración medida.

Los precios son las tarifas del catálogo en vivo en el momento de escribir. Una referencia más corta y limpia es el ahorro más barato: quita segundos facturados y da al modelo un sujeto más claro, y un reintento cuesta una ejecución completa.

Revisa el resultado y corrígelo

Juzga a la persona y al objeto por separado, porque uno puede salir bien mientras el otro falla. Para la persona: la cara y la ropa se mantienen iguales a través de los giros y después de cualquier corte, y ninguna persona extra sustituye al sujeto. Para el objeto: sobrevive la forma, no solo el color (la caja de carga, el número de ruedas), porque una bicicleta turquesa corriente también es turquesa. Busca además elementos de decorado arrastrados desde el clip, como la puerta del taller o un estante de herramientas.

Si dos o tres revisiones no asientan el sujeto, cambia de tarea en lugar de forzarlo: una imagen fija compuesta con image-to-video, o uno de los modelos de abajo. Para un plano que vas a repetir, guarda juntos los clips, la solicitud completa y la salida sin editar.

Nivel de contenido y consentimiento

Wan 2.6 image-to-video y text-to-video son Uncensored, pero reference-to-video es Filtered. Según nuestras pruebas de septiembre de 2026, se rechazó un clip de referencia explícito, así que el reparto orientado a adultos pertenece a otra tarea; consulta qué versiones de Wan son uncensored. El reparto por referencia lleva una cara reconocible a una escena que nunca ocurrió, así que usa personajes ficticios o material de personas reales que hayan consentido, y etiqueta los resultados generados como generados allí donde una audiencia podría confundirlos con una grabación.

El nivel más rápido: Wan 2.6 Flash reference-to-video

Desde el 14 de octubre, Wan 2.6 Flash reference-to-video ofrece el mismo reparto en el nivel Flash de Wan 2.6, más rápido y más barato, con tres diferencias que cambian lo que envías:

• Más imágenes fijas. reference_image_urls acepta hasta cinco imágenes en lugar de dos, junto con hasta tres clips en reference_video_urls, cinco referencias en total. Las imágenes no se cobran en ninguna de las dos tareas; los clips suman sus segundos como se explica arriba, hasta cinco en total.
• El sonido es un interruptor. generate_audio viene desactivado por defecto y devuelve solo imagen, a $0.0225 por segundo en 720p o $0.03375 en 1080p. Si lo activas, añade voces, efectos y ambiente generados, a $0.045 o $0.0675. La tarea de esta página siempre devuelve sonido, a $0.065 por segundo en 720p.
• Es Uncensored. En nuestras pruebas del 14 de octubre, las solicitudes con referencias para adultos se devolvieron tal como se pidieron, sin ningún rechazo.

Nombra las referencias en el prompt como character1, character2 y así sucesivamente, primero los clips y después las imágenes fijas; la llamada es alibaba/wan-2.6-flash/reference-to-video. Flash cambia algo de detalle fino por rapidez, así que va bien para borradores de reparto, volumen y escenas orientadas a adultos. Quédate en esta tarea cuando una sola toma deba conservar la textura más fina del nivel completo de Wan 2.6.

Cuándo encaja mejor otro modelo

Quédate en Wan 2.6 reference-to-video cuando tus referencias sean de hasta tres clips y dos imágenes fijas y quieras el reparto Wan en 720p más barato ($0.065 por segundo frente a $0.09 en Wan 3.0) con cortes opcionales de varios planos. Recorta los clips, nombra cada uno en el prompt, prueba en 720p con una toma única y abre la tarea reference-to-video para comprobar el precio en vivo de tus clips antes de ejecutarla.