Introducción
Wan 3.0 Pro Prime Referencias a video fija un rostro, una prenda, un escenario, un movimiento o una voz con referencias de imagen, video y audio, y renderiza el plano en 1080p, 2K o 4K durante 2 a 30 segundos con el render Prime. Se requiere al menos uno de reference_image_urls (de 1 a 10 imágenes ordenadas), reference_video_urls, reference_audio_urls (hasta 5 clips cada uno), reference_file_url (un documento) o reference_link_url (una página web). Nombra cada referencia en el prompt; si no, el modelo las promedia en un sujeto que no coincide con ninguna.
Elige el modo según el material inicial
| Material inicial | Modo |
|---|---|
| Un brief escrito define escena, acción, cámara y, cuando corresponde, sonido. | Wan 3.0 Pro Prime Texto a video |
| Una imagen inicial aprobada fija sujeto y composición; la instrucción dirige el movimiento posterior. | Wan 3.0 Pro Prime Imagen a video |
| Referencias separadas pueden guiar identidad, lugar, movimiento o sonido con una función clara para cada una. | Wan 3.0 Pro Prime Referencias a video |
Funciones y aspectos destacados
Dos personajes en un mismo plano
El ejemplo de los dos personajes envía dos placas y las nombra: "The first image is the woman, the second is the man — keep both faces and both haircuts." Ambos están a cada lado de un banco de trabajo en un garaje en penumbra bajo una bombilla colgante, 6 segundos en 1080p con la semilla 220913 y solo el ambiente de la sala. Es el patrón para mantener coherente a una pareja a lo largo de un episodio.
Una placa de escenario sin personas
Las referencias no tienen que ser personas. El ejemplo de continuidad de escenario envía una placa de un gimnasio de boxeo —cuerdas, casilleros, una sola lámpara colgante— y pide un cuadro vacío con polvo flotando en el haz y la bombilla balanceándose despacio, cámara fija, 5 segundos en 4k sin audio. Así todos los planos de una secuencia pueden compartir la misma sala.
Movimiento por referencia en lugar de por texto
Las referencias de imagen, video y audio pueden ir juntas, así que el movimiento puede salir de un clip en vez de un párrafo. Los videos de referencia son MP4 o MOV, de al menos 16 fps, de 1 a 15 segundos cada uno y 15 segundos en total; sus segundos se facturan con la salida, y el video de referencia más la salida se mantienen dentro de 30 segundos.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | No | Opcional, pero es donde se separan unas referencias de otras —qué placa es cada personaje, para qué están el video y el audio— y se enuncia la acción. mínimo 1 caracteres · máximo 20000 caracteres |
reference_image_urls | No | De 1 a 10 imágenes como planchas de identidad, vestuario y decorado. Nombra cada una en el prompt —personaje, prenda, decorado— o se promedian entre sí. mínimo 1 elementos · máximo 10 elementos |
reference_video_urls | No | Hasta 5 clips, cada uno de 1 a 15 segundos y 15 segundos en total. Úsalos para el movimiento y el estilo de cámara, no para una cara. mínimo 1 elementos · máximo 5 elementos |
reference_audio_urls | No | Hasta 5 clips, cada uno de 1 a 15 segundos y 15 segundos en total: una voz, una línea de diálogo o el ambiente de una sala que el plano tenga que respetar. mínimo 1 elementos · máximo 5 elementos |
reference_file_url | No | Un documento que el modelo lee antes de dirigir la toma: una ficha de personaje, un guion, una lista de planos o un brief de producto. |
reference_link_url | No | Una página web pública que el modelo lee como referencia, por ejemplo un artículo, una página de producto o un perfil de personaje. Tiene que abrirse sin iniciar sesión. |
resolution | No | 1080p, 2k o 4k, 1080p por defecto. |
aspect_ratio | No | 16:9, 4:3, 1:1, 3:4, 9:16 o adaptive. Por defecto adaptive, que deja elegir al modelo; nombra una proporción cuando el formato de entrega esté fijado. |
duration_seconds | No | Cualquier número entero de 2 a 30, 5 por defecto, o -1 para la duración inteligente, que reserva el máximo y factura la duración realmente entregada. |
generate_audio | No | Activo por defecto. El sonido se genera con la imagen y llega dentro del mismo archivo. Valor predeterminado: |
enable_prompt_expansion | No | Activa por defecto en esta familia. Rellena briefs flojos y reescribe los detallados, así que desactívala en cuanto tu prompt sea una descripción de plano precisa. Valor predeterminado: |
seed | No | De 0 a 2147483647. Déjala fija mientras ajustas resolución o duración; si no, cada repetición cambia dos cosas a la vez. |
Precios
Los videos de referencia suman segundos facturables; las imágenes y el audio de referencia, no. Como no podemos medir tus clips antes de ejecutar la tarea, retenemos por adelantado el importe de los 15 segundos máximos y liberamos la parte no utilizada en cuanto se liquida — solo se te cobran los segundos realmente usados.
| Especificación | Precio |
|---|---|
| $0.234 / segundo |
| $0.252 / segundo |
| $0.279 / segundo |
Casos de uso
Un vestuario a través de varios escenarios
El ejemplo de la bailarina lleva a una intérprete y un vestuario de gasa en capas a un tercer escenario, esta vez con el seguidor detrás de ella, de modo que la tela se vuelve translúcida cuando gira. Las referencias llevan a la bailarina y la prenda, así que el prompt describe solo la nueva configuración de luz, y una tela translúcida a contraluz deja casi nada oculto a un tamaño de entrega grande.
Masters que se vuelven a editar
Renderiza un plano principal fijado con referencias en 4K y 16:9, y luego recorta del mismo master una versión 9:16 y un banner cuadrado. Las placas de referencia y una semilla fija mantienen idéntico al elenco en todas las versiones derivadas.
Guía de prompts y consejos prácticos
Nombra por posición
reference_image_urls es una lista ordenada, así que refiérete a "the first image" y "the second image" y envíalas en ese orden. De cada una, di si es un personaje, una prenda o un escenario; usa el video para movimiento y estilo de cámara y el audio para una voz, una forma de decir una línea o el ambiente de una sala. Las imágenes y el audio de referencia no se facturan.
Fija todo menos el cambio
En una secuencia, mantén idénticos las placas, la semilla y la estructura del prompt, y cambia solo la línea de acción o de iluminación. Desactiva enable_prompt_expansion —en esta familia es true por defecto— para que los nombres que escribiste no se reescriban.
Revisa la duración de las referencias antes de enviar
Los límites de las referencias de video y audio se aplican durante la generación y no cuando se acepta la tarea, así que un clip que se pasa del límite se detecta después y no al enviar. Mide antes los clips, mantén el video de referencia más duration_seconds en 30 segundos o menos, y explora en 1080p antes de renderizar en 4K.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro-prime/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
