Introducción
Wan 2.6 Flash Referencias a video lleva personas, animales u objetos de tus referencias a una escena nueva que tú describes, en la versión Flash de Wan 2.6, más rápida y económica. Envía hasta cinco referencias, hasta tres de ellas clips cortos y el resto imágenes fijas, o solo imágenes fijas; el lugar, la acción, la cámara y la luz salen por completo del prompt. El resultado dura cualquier número entero de segundos entre 2 y 10, en 720p o 1080p, en una de cinco relaciones de aspecto, como toma continua o como montaje de varios planos. Los clips salen sin sonido por defecto; activa generate_audio cuando la escena necesite su propia banda sonora.
Elige un modo de Wan 2.6 Flash según el material inicial
| Con qué empiezas | Modo |
|---|---|
| un fotograma inicial aprobado | Wan 2.6 Flash Imagen a video |
| fotos o clips cortos de las personas y objetos que quieres llevar a la escena | Wan 2.6 Flash Referencias a video |
Funciones y aspectos destacados
Referencias con imágenes fijas, clips o ambos
reference_image_urls admite hasta cinco imágenes fijas y reference_video_urls hasta tres clips cortos, con cinco referencias en total. Basta con imágenes fijas: dos retratos alcanzan para poner a dos personas en la misma escena, y las imágenes no se cobran. Un clip aporta lo que una fotografía no puede, como la forma de moverse de alguien o el comportamiento de un lugar, a cambio de que sus segundos se facturen junto con la salida.
El prompt nombra al reparto
Wan identifica cada referencia solo por los nombres character1, character2 y así sucesivamente, en orden: primero los clips y después las imágenes fijas. Nombra cada una antes de describir lo que hace, por ejemplo character1 bailando con character2, y el modelo sabe quién es quién. Todo lo demás (el escenario, la acción, la cámara y la luz) se escribe, de modo que una persona fotografiada una sola vez puede aparecer en una azotea de noche o en un muelle empapado de lluvia sin una segunda sesión.
El sonido es un interruptor, el formato es un parámetro
generate_audio viene desactivado y devuelve solo imagen; activado, el clip llega con voces, efectos y ambiente generados, al doble de la tarifa por segundo. aspect_ratio se elige en cada solicitud: 16:9, 9:16, 1:1, 4:3 o 3:4 en cualquiera de las dos resoluciones. 720p devuelve 1280×720, 720×1280, 960×960, 1088×832 o 832×1088; 1080p devuelve 1920×1080, 1080×1920, 1440×1440, 1632×1248 o 1248×1632. No se hereda nada de las referencias, así que una entrega vertical no exige material vertical.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | La escena nueva: nombra cada referencia como character1, character2 y así sucesivamente, primero los clips y luego las imágenes fijas, di qué hace cada una y después el entorno,… mínimo 1 caracteres · máximo 1500 caracteres |
negative_prompt | No | Lo que no debe aparecer: personas de más, rótulos, un objeto de una referencia que no quieras arrastrar. Hasta 500 caracteres. máximo 500 caracteres |
reference_video_urls | No | Hasta tres clips cortos de los sujetos o lugares que quieres llevar a la escena, que sumen cinco segundos como máximo. mínimo 1 elementos · máximo 3 elementos |
reference_image_urls | No | Hasta cinco imágenes fijas de las personas, animales u objetos que quieres llevar a la escena, junto a los clips o en su lugar; con clips, una solicitud admite como máximo cinco… mínimo 1 elementos · máximo 5 elementos |
aspect_ratio | No | 16:9, 9:16, 1:1, 4:3 o 3:4, 16:9 por defecto, disponible en ambas resoluciones. |
generate_audio | No | Desactivado por defecto, así que el clip llega solo con imagen. Valor predeterminado: |
resolution | No | 720p o 1080p, 720p por defecto. Fija la tarifa por segundo y lo que tarda la tarea, y las dos resoluciones aceptan los cinco formatos. |
duration_seconds | No | Cualquier número entero de 2 a 10, 5 por defecto. |
shot_type | No | single mantiene una toma continua; multi deja que el modelo corte entre planos dentro de la misma escena, lo que encaja con una escena con ritmo. |
enable_prompt_expansion | No | Desactivado por defecto. Valor predeterminado: |
seed | No | De 0 a 2147483647. Mantenla mientras cambias una referencia cada vez, para que el sorteo aleatorio siga constante y solo se mueva lo que cambiaste. |
Precios
Los clips de referencia suman a los segundos facturados, hasta cinco segundos en total; las imágenes fijas son gratis. Cuando no se puede leer la duración de un clip antes de ejecutar la tarea, retenemos fondos por el máximo de 5 segundos y liberamos la parte no usada en cuanto la tarea se liquida, así que solo pagas los segundos realmente utilizados.
| Resolución | Generar audio: No | Generar audio: Sí |
|---|---|---|
| $0.0225 / segundo | $0.045 / segundo |
| $0.03375 / segundo | $0.0675 / segundo |
Casos de uso
Poner a dos personas en una misma escena
Un retrato de cada persona y luego un prompt que diga dónde están y qué ocurre entre ellas. El ejemplo de la azotea en esta página parte de dos imágenes fijas y nada más, con el sonido activado para que la escena traiga su propio viento y el ruido de la ciudad.
Llevar a un sujeto a otro lugar
Un clip corto o una imagen fija de la persona y después el nuevo escenario, la luz y el movimiento de cámara. El aspecto viene de la referencia mientras el lugar se escribe, de modo que una sola sesión da material para locaciones que nunca estuvieron disponibles ese día.
Combinar un lugar con una persona
Un clip de una locación y una imagen fija de una persona las reúnen en la misma escena: el ejemplo del muelle usa un clip de cinco segundos del puerto como character1 y un retrato como character2, y la mujer camina por un lugar donde nunca fue filmada.
Probar ideas de reparto con rapidez
Flash prioriza la velocidad de entrega y el costo sobre el último grado de textura, algo que encaja para probar varios repartos, escenarios y movimientos de cámara en 720p antes de decidirte por la toma final.
Guía de prompts y consejos prácticos
Nombra cada referencia antes de la acción
Empieza por el reparto (character1, una mujer adulta con un vestido de seda verde; character2, un hombre adulto con camisa blanca) y luego el escenario, la acción, la cámara y la luz, dentro de 1500 caracteres. Volver a describir lo que las referencias ya muestran gasta ese margen y puede competir con ellas. Usa negative_prompt para lo que sigue apareciendo y no debería: personas de más, subtítulos o un objeto que acompaña al sujeto hasta la escena nueva.
Elige referencias que el modelo pueda leer
Las imágenes y los clips donde el sujeto ocupa buena parte del cuadro y está bien iluminado se transfieren mejor; un sujeto pequeño o a contraluz suele volver solo de forma aproximada. Las imágenes fijas transmiten bien el color y el aspecto, mientras que la forma y el movimiento llegan con más fidelidad desde un clip. Envía las imágenes como JPEG, PNG sin transparencia, BMP o WEBP, de 240 a 8000 píxeles por lado y hasta 20 MB, y los clips como MP4 o MOV.
Calcula los segundos antes de enviar
Los segundos facturables son la duración de salida más los clips de referencia, cada uno redondeado hacia arriba a segundos enteros y con al menos un segundo por clip, y los clips cuentan hasta cinco segundos en total; las imágenes fijas no suman nada. Un render de 5 segundos a partir de dos imágenes fijas se factura como 5 segundos; con un clip de 3 segundos son 8. La tarifa depende de la resolución y se duplica con generate_audio activado. Los clips que subas pueden sumar hasta cinco segundos, y la estimación en vivo antes de enviar muestra el importe; si la duración de un clip no puede leerse de antemano, la estimación supone cinco segundos y el cargo final usa la duración medida.
Adapta el ejemplo incluido
Empieza por el ejemplo de la azotea: dos imágenes fijas en reference_image_urls, aspect_ratio 16:9, duration_seconds 5, resolution 720p y generate_audio activado. Cambia el reparto y la puesta en escena manteniendo intacto ese contrato de entrada.
character1, an adult woman in a dark green silk slip dress, and character2, an adult man in an open-collar white linen shirt, slow-dance on a city rooftop at night, foreheads almost touching. Her hand slides up the back of his neck as he pulls her closer by the waist; she laughs quietly against his cheek. String lights sway in the wind, the city glows behind them. Slow handheld orbit around the pair, warm practical light, shallow depth of field, film grain. Sound: soft wind, distant traffic, her low laugh, a saxophone drifting up from a bar below.
Revisa el resultado antes de iterar
Reproduce el clip completo y no solo el primer segundo: el parecido tiende a desviarse hacia el final en las duraciones largas. multi suele rendir a partir de unos 6 segundos, y elegirlo también activa enable_prompt_expansion en esa solicitud. Mantén el seed y cambia una referencia a la vez al comparar; así el sorteo aleatorio se mantiene constante, sin prometer una repetición idéntica fotograma a fotograma. Los clips generados se eliminan a los 14 días, así que copia lo que quieras conservar.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"generate_audio": false,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
