Wan 2.5 API

Wan 2.5 Imagen a video convierte la imagen fija que envías en image_url en un clip de 5 o 10 segundos con sonido. La imagen define el sujeto, el vestuario, el set, la dirección de la luz y las proporciones del clip; el prompt opcional, de hasta 1,500 caracteres, describe lo que ocurre después. Este endpoint no tiene un campo de relación de aspecto, así que recorta la imagen al formato de entrega antes de enviarla. Si solo tienes una idea escrita y ninguna imagen, usa el endpoint basado en texto.

Elige un modo de Wan 2.5 según el material inicial

El fotograma inicial define el look

image_url acepta JPEG, PNG, BMP o WebP de hasta 20 MB, con cada lado entre 240 y 8,000 píxeles. Lo que ya se ve en ese archivo (una etiqueta, una silueta, un vestuario) no hace falta describirlo otra vez, así que el prompt puede dedicar sus palabras al movimiento, la cámara y el sonido.

Audio generado con la imagen o sincronizado con tu pista

Cada clip regresa con sonido generado junto con la imagen. Agrega audio_url, un WAV o MP3 de 3 a 30 segundos y hasta 15 MB, cuando una frase grabada o una entrada musical deba marcar el ritmo: la cara sale del fotograma y el tiempo de la boca sale del audio. Una pista más larga que el clip se corta al final; una más corta deja el resto en silencio.

Dos duraciones y tres resoluciones

duration_seconds es exactamente 5 o 10, y resolution es 480p, 720p (predeterminada) o 1080p. Los niveles más altos cuestan más por segundo y tardan más en regresar. Los clips cortos sostienen mejor las manos y el cabello, así que define el movimiento a cinco segundos antes de pasar a diez.

Movimiento de producto desde una sola foto

El ejemplo publicado del frasco de sérum envía una foto del producto y solo pide un arco lento de cámara de un cuarto de vuelta mientras una franja de luz de ventana se desliza por el vidrio; el frasco no se mueve. Como el fotograma ya fija la etiqueta y la silueta, el prompt solo lleva la luz y el movimiento, renderizados en 720p durante cinco segundos.

Un retrato que dice una frase grabada

Envía un retrato aprobado en image_url y la grabación de la frase en audio_url. La apariencia de la persona sale de la imagen y el tiempo de la boca del archivo, así que la revisión se centra en la interpretación y no en la sincronía labial.

Una toma de estudio más larga con detalles protegidos

El ejemplo del vestido lencero dura diez segundos en 1080p a partir de un retrato de estudio: un cambio de peso, un giro hacia la lente y dos pasos lentos con la cámara fija. Su prompt negativo, "extra people, text, jewellery changes", evita que cambien las joyas o aparezcan más personas durante la duración más larga.

Lluvia, agua y otros sonidos con fuente visible

En el ejemplo del paraguas, dos personas se quedan casi quietas mientras la lluvia golpea el paraguas sobre ellas: el movimiento es del agua y el sonido tiene una fuente visible. Cuando el evento es continuo como aquí, cinco segundos suelen bastar.

# 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-2.5/image-to-video",
  "input": {
    "duration_seconds": 5,
    "image_url": "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"

Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.