Introducción
Wan 3.0 Pro Referencias a video mantiene un rostro, una prenda, un escenario, un movimiento o una voz a lo largo de varios planos mediante referencias de imagen, video y audio, y entrega el resultado en 1080p, 2K o 4K durante 2 a 30 segundos. Envía 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). El prompt es opcional, pero es donde cada referencia recibe su tarea y donde se describe la acción.
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 Texto a video |
| Una imagen inicial aprobada fija sujeto y composición; la instrucción dirige el movimiento posterior. | Wan 3.0 Pro Imagen a video |
| Referencias separadas pueden guiar identidad, lugar, movimiento o sonido con una función clara para cada una. | Wan 3.0 Pro Referencias a video |
Funciones y aspectos destacados
Un master, varios recortes
Un plano fijado con referencias y renderizado en 4K da un master que se puede recortar para un banner y para una versión vertical. El ejemplo de la prenda envía una sola placa de abrigo —"Keep the coat from the reference exactly — cut, colour and stitching"— y renderiza 6 segundos en 4k sin audio mientras la modelo gira una vez en un escenario oscuro y el dobladillo se levanta y vuelve a caer.
Las desviaciones se ven mejor al tamaño de entrega
Un rostro que cambia entre planos salta a la vista en alta resolución, y eso ayuda en la revisión: renderiza cada plano de una secuencia al tamaño de entrega y compáralos lado a lado antes de decidir. Los niveles 2k y 4k se amplían a partir de un render nativo en 1080p, así que revelan las inconsistencias del render en lugar de ocultarlas.
Presupuestos de referencias
Las imágenes y el audio de referencia no se facturan; los segundos de video de referencia se facturan con la salida. Las referencias de video y de audio tienen un tope de 15 segundos en total cada una, con cada clip entre 1 y 15 segundos, y el video de referencia más duration_seconds debe quedar dentro de 30 segundos. Estos límites se aplican durante la generación, no al enviar, así que revisa antes la duración de los clips.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | No | Opcional, pero es donde dices para qué sirve cada referencia —qué imagen es el personaje, qué clip lleva el movimiento, qué audio es la voz— y qué ocurre de verdad en el plano. 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 |
|---|---|
| $0.144 / segundo |
| $0.16 / segundo |
| $0.184 / segundo |
Casos de uso
Planos de serie con rostro y escenario nombrados
El ejemplo de rostro y escenario envía dos placas y una línea de acción: "The first image is the character — keep her face, hair and the black gown. The second image is the room." Ella camina de la puerta a la ventana con un travelling lateral lento, 8 segundos en 1080p con la semilla 640117. Reutiliza las placas y la semilla en cada plano de un episodio y cambia solo la acción.
Las mismas personas, otra luz
El ejemplo de las tres horas del día mantiene a dos personas y un piso mientras cambia la luz: la mañana junto a la ventana, el atardecer en la encimera de la cocina, la noche en el balcón. Es el caso difícil de continuidad, porque todo excepto la luz tiene que mantenerse. Las referencias llevan a las personas y la habitación, así que el prompt describe solo lo que cambia.
Guía de prompts y consejos prácticos
Nombra las referencias en orden
reference_image_urls es ordenado, así que llama a las imágenes "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 los videos de referencia para el movimiento y el estilo de cámara, no para rostros, y el audio para una voz, una forma de decir una línea o el ambiente de una sala.
Apaga la expansión del prompt en el render final
En esta familia enable_prompt_expansion es true por defecto y reescribe los briefs detallados, lo que puede desdibujar los papeles que asignaste. Desactívala cuando los nombres de las referencias y la línea de acción estén cerrados, mantén seed fijo y haz los primeros renders en 1080p y 5 segundos.
Amplía solo la toma aprobada
Cuando el plano funcione en 1080p, reenvía exactamente el mismo cuerpo con resolution en 2k o 4k. Deja aspect_ratio en adaptive salvo que el cuadro de entrega esté definido, y revisa al principio y al final del archivo entregado los detalles recurrentes: rostro, corte de la prenda, distribución de la habitación.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
