Introducción
Wan 2.6 Referencias a video lleva personas, animales u objetos de uno a tres clips cortos a una escena nueva que tú describes. Los clips aportan quién o qué aparece; el lugar, la acción, la cámara y la luz salen por completo del prompt. El resultado dura un número entero de segundos entre 2 y 10, en 720p o 1080p, en una de cinco relaciones de aspecto, como toma continua o como edición con varios planos. La llamada es alibaba/wan-2.6/reference-to-video y es asíncrona: crea la tarea y luego consulta su estado o recibe el callback.
Hasta dos imágenes fijas pueden sumarse a los clips, o reemplazarlos, en la misma solicitud; junto con los clips son cinco referencias como máximo. Las imágenes se numeran después de los clips, así que con dos clips la primera imagen es character3, y no se cobran.
Elige el modo según el material inicial
| Con qué empiezas | Modo |
|---|---|
| una escena o un guion escrito | Wan 2.6 Texto a video |
| una imagen inicial aprobada | Wan 2.6 Imagen a video |
| referencias separadas de aspecto, movimiento o sonido | Wan 2.6 Referencias a video |
Funciones y aspectos destacados
Los sujetos viajan, el escenario se escribe
Los clips de referencia deciden quién o qué aparece, y el prompt decide dónde están, qué hacen y cómo los tratan la cámara y la luz. Esa es la diferencia con imagen a video, donde el fotograma inicial también fija el set, la luz y las proporciones. Aquí, una presentadora filmada una sola vez puede aparecer en una azotea al atardecer, en otro formato, sin una segunda jornada de rodaje.
Hasta tres clips en una escena
Envía un clip cuando un solo sujeto tenga que seguir siendo reconocible, o hasta tres cuando la escena necesite varios a la vez. Menciona los clips en el prompt por el orden en que los enviaste y di qué aporta cada uno, para que el modelo sepa cuál es la presentadora y cuál es el perro. Los clips recargados con varias personas hacen más difícil saber a quién hay que incluir.
Formato y tamaño son parámetros, no herencia
aspect_ratio se elige en cada solicitud: 16:9, 9:16, 1:1, 4:3 o 3:4, todos disponibles en ambas 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 toma nada del material de referencia, así que una entrega vertical no exige clips verticales, y un mismo juego de referencias puede entregarse en varios formatos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | La escena nueva: di qué aporta cada clip de referencia y después entorno, acción, cámara y luz. Mantenlo por debajo de 1500 caracteres. mínimo 1 caracteres · máximo 1500 caracteres |
negative_prompt | No | Lo que no debe aparecer: personas de más, rótulos, objetos del clip de referencia que no quieras arrastrar. máximo 1500 caracteres |
reference_video_urls | No | Hasta tres clips de los personajes u objetos que van a aparecer. mínimo 1 elementos · máximo 3 elementos |
reference_image_urls | No | Hasta dos imágenes fijas de personajes u objetos, junto a los clips o en su lugar; sumadas a los clips, una solicitud admite como máximo cinco referencias. mínimo 1 elementos · máximo 2 elementos |
aspect_ratio | No | 16:9, 9:16, 1:1, 4:3 o 3:4, 16:9 por defecto, disponible en ambas resoluciones; las dimensiones en píxeles de cada combinación están en las especificaciones. |
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. |
seed | No | De 0 a 2147483647. Mantenla mientras cambias un clip de referencia cada vez, para que el sorteo aleatorio siga constante y solo se mueva lo que cambiaste. |
Precios
Los clips de referencia suman segundos facturables. Como no podemos medir tus clips antes de ejecutar la tarea, retenemos por adelantado el importe de los 5 segundos máximos y liberamos la parte no utilizada en cuanto se liquida — solo se te cobran los segundos realmente usados.
| Especificación | Precio |
|---|---|
| $0.065 / segundo |
| $0.0975 / segundo |
Casos de uso
Llevar a una presentadora a un lugar nuevo
Un clip de la persona y luego un prompt para la sala, la luz y el movimiento de cámara. El aspecto de la presentadora viene de la referencia mientras el set se escribe, de modo que un solo rodaje da material para locaciones que nunca estuvieron disponibles ese día.
Poner un producto en una puesta de temporada
Envía el giro de producto que ya tienes y describe una superficie nueva, una temporada nueva, una luz nueva. El objeto conserva su forma y su acabado mientras la escena a su alrededor se reconstruye, así que un solo clip de producto sirve para varios escenarios de campaña sin volver a montar la toma.
Juntar dos sujetos
Un clip de una presentadora y un clip del animal u objeto que tiene que compartir el cuadro, y después un prompt que diga qué hace cada uno. Resuelve escenas que de otro modo necesitarían a ambos sujetos en el set el mismo día.
Reutilizar material que no puedes volver a grabar
Un clip de archivo de una presentadora que ya no está disponible, o una muestra de producto que ya volvió al cliente, sigue conteniendo al sujeto. Envíalo como referencia y escribe el nuevo escenario: el material viejo aporta el sujeto y el prompt aporta la escena.
Guía de prompts y consejos prácticos
Elige clips que el modelo pueda leer
Funciona mejor el material corto en el que el sujeto ocupa buena parte del cuadro, está bien iluminado y se ve desde más de un ángulo. Un sujeto que se queda pequeño o a contraluz suele volver solo de forma aproximada. Recorta antes de subir y no después: los segundos que envías se facturan, y los pocos segundos en los que el sujeto se ve con más claridad suelen transferirse mejor que una toma larga que divaga.
Escribe la escena, no la referencia
Nombra primero lo que aporta cada clip, como la mujer del clip 1 y el perro del clip 2, y luego describe el escenario, la acción, la cámara y la luz como lo harías en texto a video, dentro de 1500 caracteres. Volver a describir lo que el material ya muestra gasta ese margen y a veces compite con los clips. Usa negative_prompt para lo que sigue apareciendo y no debería: personas de más, subtítulos en pantalla o un objeto del clip de referencia que sigue al sujeto hasta la escena nueva.
Calcula los segundos antes de enviar
Los segundos facturables son la duración de salida más la duración total de los clips de referencia, cada una redondeada hacia arriba a segundos enteros, y la parte de referencia cuenta hasta cinco segundos en total. Un render de 5 segundos con una referencia de 3 segundos se factura como 8 segundos a la tarifa de la resolución elegida; el mismo render con tres clips que suman nueve segundos se factura como 10, porque solo cuentan cinco segundos de referencia. La estimación en vivo antes de enviar muestra el monto, y 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 publicado con aspect_ratio: 16:9, duration_seconds: 5, resolution: 720p y un clip en reference_video_urls. Cambia el sujeto y la puesta en escena manteniendo intacto ese contrato de entrada.
Keep character1, the amber glass bottle, exactly - its shape, colour and the marble block it stands on. Move it to a sunlit kitchen windowsill in the morning, lemons and a linen cloth beside it. The camera circles it slowly the way the reference clip does. Soft birdsong outside.
Un clip de producto como referencia, puesto en escena en una habitación nueva mientras la cámara repite su lento giro alrededor.
Revisa el parecido 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, así que revisa el último segundo antes de comprometerte con esa duración. Entre 2 y 3 segundos rara vez hay espacio para un corte, por lo que multi suele rendir a partir de unos 6 segundos. Mantén el seed y cambia un clip de referencia a la vez al comparar; así el sorteo aleatorio se mantiene constante y lo único que cambia es lo que modificaste, 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
