Introducción
Wan 2.5 Texto a video genera un clip de 5 o 10 segundos con sonido a partir de un prompt escrito. El único campo obligatorio es prompt, de hasta 1,500 caracteres; todo lo demás tiene un valor predeterminado: 16:9, 720p, cinco segundos y la expansión del prompt desactivada. Úsalo cuando todavía no existe una imagen aprobada y el escenario, la acción y la cámara tienen que salir del texto. Si ya tienes el fotograma inicial, el endpoint basado en imagen conserva su sujeto y sus proporciones.
Elige un modo de Wan 2.5 según el material inicial
| Lo que tienes al empezar | Modo |
|---|---|
| una escena o un guion escrito | Wan 2.5 Texto a video |
| una imagen inicial aprobada | Wan 2.5 Imagen a video |
Funciones y aspectos destacados
Imagen y sonido en una sola pasada
El clip regresa con el audio ya incluido en el archivo: ambiente, efectos y voces se generan junto con la imagen, así que vale la pena escribir una línea como "Audio: gulls, a splash, her breath". Para que el movimiento y la forma de la boca sigan una toma que ya tienes, envía audio_url, un WAV o MP3 de 3 a 30 segundos y hasta 15 MB. Una pista más larga que el clip se corta al final; una más corta deja en silencio el resto del clip.
Cinco formatos, tres resoluciones, dos duraciones
aspect_ratio acepta 16:9, 9:16, 1:1, 4:3 y 3:4, y resolution acepta 480p, 720p y 1080p. Ambos están ligados: en 480p solo se renderizan encuadres horizontales, verticales y cuadrados, así que 4:3 y 3:4 necesitan 720p o más. duration_seconds es exactamente 5 o 10, y un valor como 7 se rechaza en lugar de redondearse. La resolución también define la tarifa por segundo y el tiempo de procesamiento.
Exclusiones y comparaciones controladas
negative_prompt admite hasta 500 caracteres y es el lugar para subtítulos, logotipos, personas de más o un color que se repite. seed (de 0 a 2147483647) mantiene fija la fuente aleatoria mientras cambias un campo a la vez, sin garantizar un fotograma idéntico. enable_prompt_expansion viene desactivado; al activarlo, reescribe un brief corto en uno más completo antes de generar.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | El plano en sí: quién, una acción, un movimiento de cámara y después luz y sonido. Un verbo claro mueve más el resultado que una lista de adjetivos. mínimo 1 caracteres · máximo 1500 caracteres |
negative_prompt | No | Lo que debe quedar fuera: subtítulos, logotipos, gente de más, un color que se repite. Solo aquí las exclusiones funcionan de verdad. máximo 500 caracteres |
aspect_ratio | No | 16:9, 9:16, 1:1, 4:3 o 3:4; 16:9 por defecto. En el nivel de resolución más bajo no hay 4:3 ni 3:4. |
resolution | No | 480p, 720p o 1080p; 720p por defecto. Marca la tarifa por segundo y el tiempo de proceso; el nivel más bajo solo ofrece horizontal, vertical y cuadrado. |
duration_seconds | No | Exactamente 5 o 10. Cualquier otro valor se rechaza, no se redondea. |
audio_url | No | Una frase o entrada musical que el clip sigue. La forma de los labios y el ritmo del movimiento se ajustan a ese archivo. mínimo 1 caracteres |
enable_prompt_expansion | No | Desactivada por defecto. Al activarla, una descripción breve se reescribe más completa antes de generar; déjala apagada cuando tu prompt ya describa un plano preciso. Valor predeterminado: |
seed | No | De 0 a 2147483647. Fíjala para comparar un cambio cada vez; si buscas variedad, omite el campo en lugar de enviar 0. |
Precios
| Especificación | Precio |
|---|---|
| $0.045 / segundo |
| $0.09 / segundo |
| $0.135 / segundo |
Casos de uso
Clips verticales con la banda sonora incluida
Configura aspect_ratio en 9:16 y quédate en cinco segundos para un borrador de feed que no necesita una pasada de audio aparte. El ejemplo publicado de la tienda de discos va más allá: diez segundos en 1080p y 9:16, un tilt lento desde una caja de vinilos hasta la cara del hombre y el prompt negativo "text on screen, logos, extra people" para que no aparezcan subtítulos ni transeúntes.
Comprobar el sonido contra una acción visible
El ejemplo del saxofón pide diez segundos en 1080p y 16:9, con el sonido del instrumento coincidiendo con la digitación. Atar el audio a algo que se ve (las llaves, un chapuzón, el crujido de un tocadiscos) te da una comprobación concreta al reproducir, en vez de juzgar solo el ambiente.
Una frase hablada con tu propio ritmo
Graba la frase, envíala como audio_url y describe quién habla y dónde. El movimiento y la forma de la boca siguen el ritmo del archivo, así que la revisión puede centrarse en la actuación. Si necesitas un rostro o un producto concretos, el texto por sí solo no mantiene ese aspecto entre ejecuciones; empieza con una imagen fija en el endpoint de imagen a video.
Guía de prompts y consejos prácticos
Escribe la toma en un orden fijo
Sujeto, una acción, un movimiento de cámara, la luz y al final una línea sobre el sonido. Un verbo claro cambia el resultado más que una pila de adjetivos. Deja las exclusiones fuera del prompt y enuméralas en negative_prompt. Cuando tu prompt ya describe la toma con precisión, mantén enable_prompt_expansion desactivado para que tu redacción se use tal cual.
Adapta el ejemplo incluido
El ejemplo publicado del puerto usa aspect_ratio 16:9, duration_seconds 5 y resolution 720p. Conserva esa estructura cuando cambies el sujeto y el lugar.
Early morning at a stone harbour wall. An adult woman in a navy one-piece swimsuit and a white swim cap stands at the edge, shakes out her arms, then dives cleanly into flat green water and surfaces laughing, pushing her goggles up. Gulls lift off the wall behind her. Low handheld camera at water level, soft pink dawn light, mist on the water. Audio: gulls, a splash, her breath and a short laugh, distant boat engine.
Una acción y una posición de cámara, con el sonido escrito para que el chapuzón y la risa caigan en los fotogramas correctos.
Ajusta a cinco segundos y 720p
Fija seed y compara un cambio a la vez: el verbo, el movimiento de cámara, la línea de sonido. Cuando la toma funcione, vuelve a renderizarla a 10 segundos o en 1080p. Si una solicitud en 4:3 o 3:4 se rechaza, revisa primero la resolución: esos formatos no están disponibles en 480p.
Revisa el clip completo con sonido
Reproduce el clip de principio a fin con audio: ¿la acción se entiende a velocidad normal?, ¿los efectos caen sobre su fuente visible?, ¿las manos y el cabello se sostienen? Los clips largos se desvían más en manos, cabello y detalles finos, así que compara una toma de 10 segundos con la versión de 5 antes de entregar.
Inicio rápido de la API
# 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.5/text-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
