Introducción
Wan 3.0 Referencias a video construye un plano nuevo de 2 a 30 segundos a partir de referencias que envías: hasta diez imágenes, cinco clips de video y cinco clips de audio en una sola solicitud. Debe haber al menos uno de reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url o reference_link_url, y el prompt es opcional. Úsalo cuando un rostro, una prenda, un lugar o una voz tienen que mantenerse iguales en planos renderizados por separado, algo que text-to-video no puede hacer porque inventa un rostro nuevo en cada ejecución. La salida es 480p, 720p o 1080p, con 720p por defecto.
Elige el modo según el material inicial
| Material inicial | Modo |
|---|---|
| Un brief escrito define escena, acción, cámara y, cuando corresponde, sonido. | Wan 3.0 Texto a video |
| Una imagen inicial aprobada fija sujeto y composición; la instrucción dirige el movimiento posterior. | Wan 3.0 Imagen a video |
| Referencias separadas pueden guiar identidad, lugar, movimiento o sonido con una función clara para cada una. | Wan 3.0 Referencias a video |
Funciones y aspectos destacados
Imágenes para identidad, vestuario y escenarios
reference_image_urls acepta de 1 a 10 imágenes —placas de personaje, de vestuario y de escenario— en JPEG, PNG sin transparencia, BMP o WEBP, de 240 a 8000 píxeles por lado y hasta 20 MB cada una. Las imágenes de referencia no se facturan. Nombra cada una en el prompt; si no, el modelo las promedia en un sujeto que no se parece a ninguna.
Video para el movimiento, audio para la voz
Los videos de referencia aportan movimiento y estilo de cámara, no un rostro: hasta cinco clips MP4 o MOV de 1 a 15 segundos cada uno, 15 segundos en total, con al menos 16 fps. El audio de referencia aporta una voz, una forma de decir una línea o el ambiente de una sala: hasta cinco clips WAV o MP3, también 15 segundos en total. Estos límites se comprueban durante la generación y no cuando se acepta la tarea, así que mide tus clips antes de enviarlos.
Un presupuesto de 30 segundos compartido con la salida
Los segundos de video de referencia se facturan junto con la salida, y la duración de los videos de referencia más duration_seconds no puede superar 30 segundos. Una referencia de movimiento de 12 segundos deja como máximo 18 segundos de salida. Las imágenes y el audio de referencia no cuentan para ese presupuesto.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | No | Opcional. Si lo escribes, di primero qué controla cada referencia y luego el plano: sujeto, una acción, un movimiento de cámara, luz y sonido. mínimo 1 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. |
aspect_ratio | No | 16:9, 9:16, 1:1, 4:3, 3:4 o adaptive, que deja elegir al modelo. El valor por defecto es 16:9. |
enable_thinking | No | Hace que el modelo analice el pedido y el material de referencia antes de generar. Valor predeterminado: |
resolution | No | 480p, 720p o 1080p. Por defecto, 720p. |
duration_seconds | No | Cualquier número entero de 2 a 30, o -1 para duración inteligente. Por defecto, 5. |
generate_audio | No | Activo por defecto. El clip vuelve con el sonido ya pegado a la imagen. Valor predeterminado: |
enable_prompt_expansion | No | Desactivado por defecto. Al activarlo, el prompt se reescribe antes de generar: ayuda con briefs flojos y te pelea los que ya están detallados. |
seed | No | De 0 a 2147483647. Mantenla fija para comparar un campo cambiado cada vez; quítala cuando busques variedad. |
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 |
|---|---|
| $0.045 / segundo |
| $0.09 / segundo |
| $0.18 / segundo |
Casos de uso
Volver a renderizar a la misma intérprete en un lugar conocido
El ejemplo de personaje y habitación envía dos imágenes y las nombra en el prompt: "Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room." Luego ella cruza hasta la ventana con un travelling lateral lento, 8 segundos en 720p con la semilla 771120. Mantener fijas ambas placas y la semilla y cambiar solo la línea de acción es la forma de solicitud para trabajo episódico.
Una presentadora con su voz
El ejemplo del monólogo combina una imagen para el rostro y el vestuario de la presentadora con una referencia de audio para su voz. El prompt separa esos papeles y después describe un plano medio fijo en la mesa de una cocina con luz de la mañana, 10 segundos en 720p. Presentadores, narradores y personajes recurrentes que deben sonar igual en cada toma siguen este patrón.
Guía de prompts y consejos prácticos
Asigna cada referencia antes de describir el plano
Abre el prompt con una frase por referencia —qué imagen es el personaje, cuál es el escenario, para qué sirven el video o el audio— y después escribe la escena: sujeto, una acción, un movimiento de cámara, luz y sonido. Envía las imágenes en el orden en que las mencionas, porque "Image 1" y "Image 2" son la forma en que el prompt las señala.
Resuelve los conflictos de forma explícita
Si un clip de movimiento incluye una persona o un fondo que no quieres, pide solo su trayectoria de cámara o su ritmo. No le des la misma tarea a dos referencias esperando que el modelo elija; decide en el brief cuál controla la identidad y cuál el escenario.
Cambia una sola cosa en cada repetición
Mantén fijos seed y el conjunto de referencias y cambia una línea por intento —la acción, el movimiento de cámara o una sola referencia— para poder atribuir cualquier diferencia del resultado a ese cambio. Explora a 5 segundos y 720p antes de pasar a un render más largo o más grande, y revisa en cada toma el rostro, el vestuario, el escenario y la voz frente a sus referencias.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.
