Wan 3.0 API: texto a vídeo, imagen a vídeo o referencia a vídeo

Wan 3.0 es una familia de modelos con tres entradas, y la forma de empezar decide qué puede controlar, qué paga y, en esta API, cómo trata el contenido sin censura. Si envía palabras, una imagen fija o un montón de referencias depende de una sola pregunta.

En resumen. Pregunte qué no debe cambiar en el clip:

• Todavía nada, aún está buscando la escena: texto a vídeo. Basta un campo, prompt.
• El primer fotograma (y opcionalmente el último): imagen a vídeo. La imagen se usa exactamente como fotograma uno, así que el prompt solo tiene que describir el movimiento.
• Un personaje, una habitación, una voz o un estilo de movimiento que deba conservarse: referencia a vídeo. Hasta diez imágenes, cinco clips y cinco pistas de audio, más un documento o una página web opcional, cada uno con una función en el prompt.

Las tres devuelven de 2 a 30 segundos con sonido en el mismo archivo, a 480p, 720p o 1080p en base y Prime (los niveles Pro renderizan 1080p, 2K o 4K, con 2K y 4K ampliados desde un render 1080p). Los demás modelos de vídeo están en el catálogo de API de vídeo sin censura.

Las tres tareas en paralelo

En las tres tareas la duración va de 2 a 30 segundos, o -1 para que el modelo elija la duración (los 30 s se reservan por adelantado y el cargo se liquida según la duración entregada).

Si envía un campo que la tarea no lista, como un image_url a texto a vídeo, la llamada de creación devuelve un 400. Tome el esquema de la página del modelo en lugar de copiar un endpoint hermano.

Cuánto cuesta un clip

El precio por segundo es el mismo para entrada de texto, imagen y referencia.

Referencia a vídeo añade un detalle: los segundos de cualquier vídeo de referencia se facturan aparte de la salida, y los clips de referencia más la salida deben permanecer dentro de 30 segundos. Las imágenes, el audio, los documentos y las páginas web de referencia no se facturan. Una cotización o reserva para una tarea con clips de referencia supone el máximo de 15 segundos; solo se cobra por los segundos realmente usados.

El Wan 2.6 más antiguo es la alternativa de duración fija: texto a vídeo e imagen a vídeo devuelven exactamente 5, 10 o 15 segundos a 720p ($0.09 por segundo) o 1080p ($0.135). Su tarea de referencia a vídeo es otro contrato: admite hasta tres clips de referencia y ninguna imagen, y lleva la etiqueta Filtered content en lugar de Unrestricted.

Texto a vídeo: escriba el plano, no el ambiente

Úselo cuando la escena sigue abierta, no existe imagen aprobada o quiere un plano largo con su propio audio. Nada ancla el fotograma inicial, así que ponga en el prompt todo lo que el espectador debe ver: sujeto, una acción, un movimiento de cámara y después luz y sonido. Una acción clara vale más que una lista larga de adjetivos. Busque en otra parte cuando la composición de apertura deba coincidir con una imagen aprobada: eso es imagen a vídeo.

{
  "model": "alibaba/wan-3.0/text-to-video",
  "input": {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation rolls down the glass while the camera pushes in slowly. Cool side light, no cut. Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": true
  }
}

Esa petición cuesta 10 x $0.09 = $0.90 en Wan 3.0 base. Tres hábitos ayudan:

• Fije el aspecto a los 5 segundos antes de pedir 30. Los clips largos derivan más, así que una mala idea sale más barata de encontrar corta.
• Para planos largos, divida el prompt en beats con tiempo. Un ejemplo de la comunidad escribió un beat de dos segundos por acción (masa, salsa, ingredientes, horno) más una línea de continuidad para un clip de 15 segundos.
• Deje la expansión de prompt apagada cuando el brief sea preciso. Ayuda con los prompts pobres y lucha contra los detallados; está activada por defecto en texto a vídeo de Wan 3.0 Pro.

Imagen a vídeo: el fotograma es el techo

Úselo cuando el fotograma uno no es negociable: un packshot de producto con recorte fijo, un tablero de personaje aprobado, un fotograma clave de un clip anterior. La imagen marca vestuario, decorado y luz, así que el prompt solo lleva el movimiento. Busque en otra parte cuando la escena siga abierta (texto a vídeo) o cuando un personaje deba repetirse en varios planos (referencia a vídeo). Si omite aspect_ratio, el clip hereda la forma de la imagen; un valor contradictorio la recorta.

last_image_url hace que el clip termine exactamente en una segunda imagen. Pasar el mismo archivo como primer y último fotograma da un bucle sin costuras, como en este ejemplo de botella de producto: un cuarto de vuelta para que el reflejo cruce el cristal y luego de vuelta al inicio.

La misma imagen que image_url y last_image_url, sonido desactivado; 5 s a 1080p cuestan $0.90.

{
  "model": "alibaba/wan-3.0/image-to-video",
  "input": {
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "last_image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "prompt": "The bottle rotates a quarter turn so the highlight travels across the glass, then returns to its starting angle. Locked camera, single soft key from the left, no music.",
    "duration_seconds": 5,
    "resolution": "1080p",
    "generate_audio": false,
    "seed": 20260907
  }
}

Describa el fotograma que suministró y después el movimiento; nunca una habitación distinta. Cuando un prompt nombra una escena distinta a la imagen fija, Wan 3.0 puede empezar en la imagen fija y luego cortar a la escena nueva. last_image_url por sí solo se rechaza; necesita image_url.

Referencia a vídeo: dé un papel a cada referencia

Úselo cuando algo tiene que repetirse: el mismo personaje en varios planos, una habitación concreta, una voz, un movimiento o un estilo de cámara. Wan 3.0 lee las referencias en el orden en que las envíe, y el prompt dice cuál es cuál; si no, el modelo las promedia en un sujeto que no coincide con ninguno. Busque en otra parte cuando una sola imagen fija aprobada ya lo diga todo: las referencias extra compiten y no dan más control automáticamente. El ejemplo de abajo conserva un personaje de la primera imagen y una habitación de la segunda.

Ilustración decorativa, no una salida del modelo ni un diagrama del ejemplo siguiente.

{
  "model": "alibaba/wan-3.0/reference-to-video",
  "input": {
    "reference_image_urls": [
      "https://cdn.spicyapi.ai/models/examples/inputs/a4d8d93ce949c527.png",
      "https://cdn.spicyapi.ai/models/examples/inputs/27753da99f960815.png"
    ],
    "prompt": "The first image is the character: keep her face, hair and the black slip dress exactly. The second image is the room. She crosses from the doorway to the window and leans against the frame, looking out. Slow lateral track, one practical lamp, night ambience.",
    "duration_seconds": 8,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "seed": 771120
  }
}

Dos imágenes de referencia, ningún vídeo de referencia: el clip de 8 s cuesta 8 x $0.09 = $0.72.

Qué puede darle:

• Imágenes (hasta 10) para identidad, vestuario y placas de decorado. La foto de una persona real a menudo la rechaza la comprobación de rostros ("The input content is suspected to include real human faces"). Use personajes ilustrados, renderizados en 3D o generados. Las tareas rechazadas no se cobran.
• Vídeo (hasta 5 clips, de 1 a 15 s cada uno, 15 s en total) para movimiento y estilo de cámara más que para un rostro. Compruebe la duración de los clips antes de enviarlos; los límites se aplican durante la generación, no al aceptarlos.
• Audio (hasta 5 clips, 15 s en total) para una voz o el ambiente de la habitación.
• Un documento o una página web pública (no ambos) que el modelo lee para personajes, vestuario, ambientación y acción: un archivo PDF, DOCX, TXT o Markdown de hasta 100 MB y 50 páginas, o una página que se abre sin inicio de sesión. Adjuntar cualquiera de los dos activa thinking (no disponible en los niveles Pro) y la expansión de prompt salvo que los fije usted. Un tutorial de creadores muestra la idea; una lectura de página fallida no se cobra.

Si el fotograma uno debe ser exacto, use imagen a vídeo. A referencia a vídeo se le puede indicar que empiece desde una imagen (vea la guía de prompt de Wan 3.0 de Alibaba), pero solo imagen a vídeo lo garantiza.

Qué cambia para el trabajo sin censura

Sin censura no es un único interruptor en Wan; la tarea que elija cambia el resultado. Según nuestras pruebas de septiembre de 2026 (cuadro completo en la prueba de Wan sin censura):

• Wan 3.0 base entregó todos los niveles de intensidad en la prueba, de leves a fuertes, con entrada de texto, imagen y referencia, pero también va más allá de lo que pide: un prompt sobre contenido de contención solía volver como una escena distinta con dos adultos, a veces con una segunda persona añadida.
• Imagen a vídeo de Wan 3.0 Prime suavizó una escena con dos adultos, mientras que Prime con texto y referencia sí la entregó. Si su trabajo parte de una imagen fija, pruebe primero Wan 3.0 base.
• Wan 3.0 Spicy y Prime Spicy solo existen como imagen a vídeo (desde $0.057 por segundo a 480p). Se inclinan hacia el contenido adulto sin que se lo pidan y a menudo cambian o quitan la ropa. Si el atuendo debe quedarse, use Wan 3.0 base.
• Referencia a vídeo de Wan 2.6 rechazó nuestro material de referencia.

El comportamiento difiere según el endpoint, así que pruebe su propio prompt en el que elija. Para continuar una historia más allá de 30 segundos, vea encadenar clips.

Pruébelo primero en el Playground

Cada tarea tiene su propia página con una pestaña Playground (quédese en la vista Form; inicie sesión con una cuenta con saldo para ejecutar). Ejecute allí un clip corto y barato antes de escribir código.

1. Abra la página de su tarea: texto a vídeo, imagen a vídeo o referencia a vídeo.
2. Rellene las entradas que necesite la tarea. Texto a vídeo: Prompt. Imagen a vídeo: Input image, más Closing frame si el clip debe terminar en una segunda imagen; Prompt es opcional. Referencia a vídeo: Reference images, Reference videos y Reference audio (al menos una de las entradas de referencia); en el prompt, diga qué controla cada una.
3. Ponga Resolution en 480p y Duration en 5. Ambos están marcados como que afectan al precio, y la estimación de la página se actualiza al cambiarlos.
4. Deje Generate audio activado salvo que vaya a puntuar el clip usted mismo, y deje Prompt expansion apagado cuando el prompt sea preciso. Fije un Seed si quiere comparar dos cambios.
5. Pulse Run model, vea el clip en Output y luego aumente resolución y duración una vez que el aspecto sea correcto.

La vista JSON junto a Form muestra el cuerpo de la petición, y las pestañas de código al lado muestran la misma llamada, así que un clip que funciona aquí se puede copiar a su código.

Y después ejecútelo desde código

Instale el SDK de Python (pip install spicyapi), defina SPICY_API_KEY en su entorno y ejecute esto. Usa el cuerpo de texto a vídeo de arriba; cambie el ID de modelo y input por los de las otras dos tareas. Muestra el precio y espera su sí antes de crear la tarea:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment
MODEL = "alibaba/wan-3.0/text-to-video"
body = {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation "
              "rolls down the glass while the camera pushes in slowly. Cool side light, no cut. "
              "Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": True,
}

quote = client.quote_task(model=MODEL, input_data=body)
print("Estimated", quote["estimatedCost"], "maximum", quote["maxCharge"])
if input("Create the task? [y/N] ").strip().lower() != "y":
    raise SystemExit

task = client.create_task(
    model=MODEL,
    input_data=body,
    idempotency_key=str(uuid.uuid4()),
    quote_id=quote["quoteId"],
    expected_cost=quote["estimatedCost"],
)
print("Task", task["taskId"], flush=True)  # save it: after a timeout, look this task up instead of creating another
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise SystemExit(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(
    not asset.get("url") or asset.get("pending") or asset.get("unavailable")
    for asset in assets
):
    raise RuntimeError(f"{task['taskId']} has no complete downloadable output; look up this task before retrying")
print(assets[0]["url"])  # copy the clip to your own storage now

Para entradas de imagen, clip o audio, use un enlace HTTPS público o un archivo subido (guía de medios). Todo lo que va más allá de esta llamada está en la guía de tareas y en la referencia del SDK de Python; un servicio puede usar webhooks. Los clips se conservan unos 14 días, así que copie los que quiera (retención y entrega).

O deje que un Agent lo ejecute

Cuando un asistente debe ejecutar los clips, las tres herramientas oficiales muestran el precio y le piden confirmación antes de una llamada de pago.

• CLI. Ponga el mismo objeto input en input.json y luego:

``bash spicyapi tasks create --model alibaba/wan-3.0/text-to-video --input-file input.json --wait ``

Para una imagen fija local, spicyapi files upload still.png devuelve la dirección spicy:// para image_url. Vea la documentación de la CLI; npx @spicyapi/cli funciona sin instalar nada.

• Servidor MCP. Añada el servidor MCP a su asistente y luego pregunte: "Make a 10-second 9:16 clip at 720p with Wan 3.0 text-to-video from this prompt." Llama a spicyapi_task_create, que se detiene para su confirmación de precio, y luego a spicyapi_task_wait. Para un archivo de su ordenador usa spicyapi_upload_file.
• 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.

Cuando el resultado sea incorrecto, cambie una sola cosa

Al comparar dos intentos, cambie un campo y mantenga fijos seed, prompt, duración y resolución. Los tiempos de espera, el saldo y otros errores generales están en la referencia de errores.

Con qué nivel empezar

Empiece en Wan 3.0 base a 480p y suba la resolución una vez que el aspecto sea correcto. Prime es más rápido por un 36 por ciento más por segundo a 480p, o un 40 por ciento más a 720p y 1080p; para 1080p a 4K use Pro. Para duraciones fijas de 5, 10 o 15 segundos, use Wan 2.6 con entrada de texto o imagen.

FAQ

¿Es mejor imagen a vídeo que referencia a vídeo para conservar un rostro?

Si el rostro está en el fotograma de apertura, imagen a vídeo: usa la imagen exactamente como fotograma uno. Referencia a vídeo es para un rostro que debe mantenerse entre planos, y sus referencias guían en lugar de fijar.

¿Es mejor imagen a vídeo que texto a vídeo?

Ninguna es mejor en general. Imagen a vídeo gana cuando el fotograma uno debe ser una imagen aprobada concreta; texto a vídeo gana cuando todavía está explorando una escena con palabras, y no necesita ningún archivo de origen.

¿El tipo de tarea cambia el precio?

No. El precio por segundo depende solo del nivel y la resolución; referencia a vídeo añade los segundos facturados de cualquier clip de referencia.

En resumen: palabras para explorar una escena, una imagen fija para fijar el fotograma uno y referencias para todo lo que deba repetirse entre planos.