Wan 3.0 API : texte vers vidéo, image vers vidéo ou référence vers vidéo

Wan 3.0 est une famille de modèles avec trois entrées, et la façon dont vous démarrez décide de ce que vous pouvez contrôler, de ce que vous payez et, sur cette API, de la manière dont elle traite le contenu sans censure. Envoyer des mots, une image fixe ou une pile de références tient à une seule question.

En bref : demandez ce qui ne doit pas changer dans le clip :

• Rien encore, vous cherchez toujours la scène : texte vers vidéo. Un seul champ, prompt, suffit.
• La première image (et éventuellement la dernière) : image vers vidéo. L'image est utilisée telle quelle comme première image, le prompt n'a donc qu'à décrire le mouvement.
• Un personnage, une pièce, une voix ou un style de mouvement qui doit se retrouver : référence vers vidéo. Jusqu'à dix images, cinq clips et cinq pistes audio, plus un document ou une page web facultatif, chacun avec un rôle dans le prompt.

Les trois renvoient de 2 à 30 secondes avec le son dans le même fichier, en 480p, 720p ou 1080p sur base et Prime (les niveaux Pro rendent en 1080p, 2K ou 4K, avec 2K et 4K agrandis depuis un rendu 1080p). Les autres modèles vidéo figurent dans le catalogue d'API vidéo sans censure.

Les trois tâches côte à côte

Sur les trois tâches, la durée va de 2 à 30 secondes, ou -1 pour laisser le modèle choisir la longueur (30 s sont réservés d'avance et la facturation se règle sur la longueur livrée).

Envoyez un champ que la tâche ne liste pas, comme un image_url à texte vers vidéo, et l'appel de création renvoie un 400. Prenez le schéma sur la page du modèle plutôt que de copier un endpoint voisin.

Ce que coûte un clip

Le prix par seconde est identique pour l'entrée texte, image et référence.

La référence vers vidéo ajoute une complication : les secondes de toute vidéo de référence sont facturées en plus de la sortie, et les clips de référence plus la sortie doivent tenir ensemble dans 30 secondes. Les images, l'audio, les documents et les pages web de référence ne sont pas facturés. Un devis ou une réservation pour une tâche avec des clips de référence suppose le maximum de 15 secondes ; vous ne payez que les secondes réellement utilisées.

Le plus ancien Wan 2.6 est l'alternative à durée fixe : texte vers vidéo et image vers vidéo renvoient exactement 5, 10 ou 15 secondes en 720p ($0.09 par seconde) ou 1080p ($0.135). Sa tâche de référence vers vidéo suit un autre contrat : jusqu'à trois clips de référence et aucune image, et elle porte l'étiquette Filtered content plutôt que Unrestricted.

Texte vers vidéo : écrivez le plan, pas l'ambiance

Utilisez-la quand la scène est encore ouverte, qu'aucune image validée n'existe, ou que vous voulez une longue prise avec son propre son. Rien n'ancre l'image d'ouverture, mettez donc dans le prompt tout ce que le spectateur doit voir : le sujet, une action, un mouvement de caméra, puis la lumière et le son. Une action claire vaut mieux qu'une longue liste d'adjectifs. Cherchez ailleurs quand la composition d'ouverture doit correspondre à une image validée : c'est l'image vers vidéo.

{
  "model": "alibaba/wan-3.0/text-to-video",
  "input": {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation rolls down the glass while the camera pushes in slowly. Cool side light, no cut. Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": true
  }
}

Cette requête coûte 10 x $0.09 = $0.90 sur Wan 3.0 base. Trois habitudes aident :

• Validez le rendu à 5 secondes avant d'en demander 30. Les clips longs dérivent davantage, une mauvaise idée coûte donc moins cher à trouver courte.
• Pour les longues prises, découpez le prompt en battements minutés. Un exemple de la communauté a écrit un battement de deux secondes par action (pâte, sauce, garniture, four) plus une ligne de continuité pour un clip de 15 secondes.
• Désactivez l'expansion du prompt dès que le brief est précis. Elle aide les prompts maigres et se bat contre les détaillés ; elle est activée par défaut sur texte vers vidéo de Wan 3.0 Pro.

Image vers vidéo : l'image est le plafond

Utilisez-la quand la première image n'est pas négociable : un packshot produit avec un cadrage fixe, un panneau de personnage validé, une image clé d'un clip précédent. L'image fixe le costume, le décor et la lumière, le prompt ne porte donc que le mouvement. Cherchez ailleurs quand la scène est encore ouverte (texte vers vidéo) ou qu'un personnage doit réapparaître sur plusieurs plans (référence vers vidéo). Omettez aspect_ratio et le clip hérite du format de l'image ; une valeur contradictoire la recadre.

last_image_url fait finir le clip exactement sur une seconde image. Passer le même fichier comme première et dernière image donne une boucle sans raccord, comme dans cet exemple de flacon produit : un quart de tour pour que le reflet traverse le verre, puis retour au départ.

Même image que image_url et last_image_url, son désactivé ; 5 s en 1080p coûtent $0.90.

{
  "model": "alibaba/wan-3.0/image-to-video",
  "input": {
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "last_image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "prompt": "The bottle rotates a quarter turn so the highlight travels across the glass, then returns to its starting angle. Locked camera, single soft key from the left, no music.",
    "duration_seconds": 5,
    "resolution": "1080p",
    "generate_audio": false,
    "seed": 20260907
  }
}

Décrivez l'image que vous avez fournie, puis le mouvement ; jamais une autre pièce. Lorsqu'un prompt décrit une scène différente de l'image fixe, Wan 3.0 peut commencer sur l'image fixe puis couper vers la nouvelle scène. last_image_url seul est refusé ; il faut image_url.

Référence vers vidéo : donnez un rôle à chaque référence

Utilisez-la quand quelque chose doit se répéter : le même personnage sur plusieurs plans, une pièce précise, une voix, un mouvement ou un style de caméra. Wan 3.0 lit les références dans l'ordre où vous les fournissez, et le prompt dit laquelle est laquelle ; sinon le modèle les moyenne en un sujet qui ne correspond à aucun. Cherchez ailleurs quand une seule image fixe validée dit déjà tout : des références supplémentaires se font concurrence et ne donnent pas automatiquement plus de contrôle. L'exemple ci-dessous conserve un personnage de la première image et une pièce de la seconde.

Illustration décorative, ni une sortie du modèle ni un schéma de l'exemple ci-dessous.

{
  "model": "alibaba/wan-3.0/reference-to-video",
  "input": {
    "reference_image_urls": [
      "https://cdn.spicyapi.ai/models/examples/inputs/a4d8d93ce949c527.png",
      "https://cdn.spicyapi.ai/models/examples/inputs/27753da99f960815.png"
    ],
    "prompt": "The first image is the character: keep her face, hair and the black slip dress exactly. The second image is the room. She crosses from the doorway to the window and leans against the frame, looking out. Slow lateral track, one practical lamp, night ambience.",
    "duration_seconds": 8,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "seed": 771120
  }
}

Deux images de référence, aucune vidéo de référence : le clip de 8 s coûte 8 x $0.09 = $0.72.

Ce que vous pouvez lui donner :

• Images (jusqu'à 10) pour l'identité, le costume et les planches de décor. La photo d'une vraie personne est souvent refusée par la détection de visages ("The input content is suspected to include real human faces"). Utilisez des personnages illustrés, rendus en 3D ou générés. Les tâches refusées ne sont pas facturées.
• Vidéo (jusqu'à 5 clips, de 1 à 15 s chacun, 15 s au total) pour le mouvement et le style de caméra plutôt que pour un visage. Vérifiez la durée des clips avant l'envoi ; les limites s'appliquent pendant la génération, pas à l'acceptation.
• Audio (jusqu'à 5 clips, 15 s au total) pour une voix ou l'ambiance de la pièce.
• Un document ou une page web publique (pas les deux) que le modèle lit pour les personnages, les costumes, le lieu et l'action : un fichier PDF, DOCX, TXT ou Markdown jusqu'à 100 Mo et 50 pages, ou une page qui s'ouvre sans connexion. Joindre l'un des deux active le mode thinking (indisponible sur les paliers Pro) et l'expansion du prompt sauf si vous les définissez. Un tutoriel de créateur montre l'idée ; une lecture de page échouée n'est pas facturée.

Si la première image doit être exacte, utilisez l'image vers vidéo. On peut demander à la référence vers vidéo de démarrer depuis une image (voir le guide de prompt Wan 3.0 d'Alibaba), mais seule l'image vers vidéo le garantit.

Ce qui change pour le travail sans censure

Le sans censure n'est pas un simple interrupteur sur Wan ; la tâche que vous choisissez change le résultat. D'après nos tests de septembre 2026 (grille complète dans le test Wan sans censure) :

• Le Wan 3.0 base a livré tous les niveaux d'intensité du test, de légers à forts, sur les entrées texte, image et référence, mais il va aussi au-delà de ce que vous demandez : un prompt à thème de retenue revient souvent comme une autre scène à deux adultes, parfois avec une personne ajoutée.
• L'image vers vidéo de Wan 3.0 Prime a adouci une scène à deux adultes, tandis que Prime en texte et en référence l'a livrée. Si votre travail part d'une image fixe, essayez d'abord Wan 3.0 base.
• Wan 3.0 Spicy et Prime Spicy n'existent qu'en image vers vidéo (à partir de $0.057 par seconde en 480p). Ils penchent vers l'adulte sans qu'on le demande et changent ou retirent souvent les vêtements. Si la tenue doit rester, utilisez Wan 3.0 base.
• La référence vers vidéo de Wan 2.6 a refusé notre matériel de référence.

Le comportement diffère selon l'endpoint, testez donc votre propre prompt sur celui que vous choisissez. Pour poursuivre une histoire au-delà de 30 secondes, voir enchaîner des clips.

Essayez d'abord dans le Playground

Chaque tâche a sa propre page avec un onglet Playground (restez en vue Form ; connectez-vous avec un compte approvisionné pour lancer). Lancez-y un clip court et peu coûteux avant d'écrire le moindre code.

1. Ouvrez la page de votre tâche : texte vers vidéo, image vers vidéo ou référence vers vidéo.
2. Remplissez les entrées dont la tâche a besoin. Texte vers vidéo : Prompt. Image vers vidéo : Input image, plus Closing frame si le clip doit finir sur une seconde image ; Prompt est facultatif. Référence vers vidéo : Reference images, Reference videos et Reference audio (au moins une des entrées de référence) ; dans le prompt, dites ce que chacune contrôle.
3. Réglez Resolution sur 480p et Duration sur 5. Les deux sont marqués comme influençant le prix, et l'estimation sur la page se met à jour quand vous les changez.
4. Laissez Generate audio activé sauf si vous évaluez le clip vous-même, et laissez Prompt expansion désactivé dès que le prompt est précis. Fixez un Seed si vous voulez comparer deux changements.
5. Appuyez sur Run model, regardez le clip dans Output, puis augmentez la résolution et la durée une fois le rendu correct.

La vue JSON à côté de Form montre le corps de la requête, et les onglets de code à côté montrent le même appel : un clip qui fonctionne ici peut être copié dans votre code.

Puis exécutez-le depuis le code

Installez le SDK Python (pip install spicyapi), définissez SPICY_API_KEY dans votre environnement et exécutez ceci. Cela utilise le corps texte vers vidéo ci-dessus ; remplacez l'ID de modèle et input par ceux des deux autres tâches. Cela affiche le prix et attend votre oui avant de créer la tâche :

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment
MODEL = "alibaba/wan-3.0/text-to-video"
body = {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation "
              "rolls down the glass while the camera pushes in slowly. Cool side light, no cut. "
              "Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": True,
}

quote = client.quote_task(model=MODEL, input_data=body)
print("Estimated", quote["estimatedCost"], "maximum", quote["maxCharge"])
if input("Create the task? [y/N] ").strip().lower() != "y":
    raise SystemExit

task = client.create_task(
    model=MODEL,
    input_data=body,
    idempotency_key=str(uuid.uuid4()),
    quote_id=quote["quoteId"],
    expected_cost=quote["estimatedCost"],
)
print("Task", task["taskId"], flush=True)  # save it: after a timeout, look this task up instead of creating another
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise SystemExit(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(
    not asset.get("url") or asset.get("pending") or asset.get("unavailable")
    for asset in assets
):
    raise RuntimeError(f"{task['taskId']} has no complete downloadable output; look up this task before retrying")
print(assets[0]["url"])  # copy the clip to your own storage now

Pour les entrées image, clip ou audio, utilisez un lien HTTPS public ou un fichier téléversé (guide des médias). Tout ce qui dépasse cet appel se trouve dans le guide des tâches et la référence du SDK Python ; un service peut utiliser des webhooks. Les clips sont conservés environ 14 jours, alors copiez ceux que vous voulez (rétention et livraison).

Ou laissez un Agent l'exécuter

Quand un assistant doit lancer les clips, les trois outils officiels affichent le prix et vous demandent avant un appel payant.

• CLI. Mettez le même objet input dans input.json, puis :

``bash spicyapi tasks create --model alibaba/wan-3.0/text-to-video --input-file input.json --wait ``

Pour une image fixe locale, spicyapi files upload still.png renvoie l'adresse spicy:// pour image_url. Voir la doc CLI ; npx @spicyapi/cli fonctionne sans installation.

• Serveur MCP. Ajoutez le serveur MCP à votre assistant, puis demandez : "Make a 10-second 9:16 clip at 720p with Wan 3.0 text-to-video from this prompt." Il appelle spicyapi_task_create, qui s'arrête pour votre confirmation de prix, puis spicyapi_task_wait. Pour un fichier sur votre ordinateur, il utilise spicyapi_upload_file.
• Skill. npx skills add spicyapi-ai/spicy-skill installe l'Agent Skill, qui fait lire le schéma du modèle en direct par un assistant de code au lieu de deviner les champs.

Quand le résultat est faux, changez une seule chose

Pour comparer deux essais, changez un champ et gardez seed, le prompt, la durée et la résolution fixes. Les délais, le solde et les autres erreurs générales figurent dans la référence des erreurs.

Sur quel palier commencer

Commencez sur Wan 3.0 base en 480p, puis montez la résolution une fois le rendu correct. Prime est plus rapide pour 36 pour cent de plus par seconde en 480p, ou 40 pour cent de plus en 720p et 1080p ; pour 1080p à 4K, utilisez Pro. Pour des durées fixes de 5, 10 ou 15 secondes, utilisez Wan 2.6 en entrée texte ou image.

FAQ

L'image vers vidéo est-elle meilleure que la référence vers vidéo pour garder un visage ?

Si le visage est dans l'image d'ouverture, l'image vers vidéo : elle utilise l'image exactement comme première image. La référence vers vidéo sert pour un visage qui doit se retrouver d'un plan à l'autre, et ses références orientent plutôt qu'elles ne figent.

L'image vers vidéo est-elle meilleure que le texte vers vidéo ?

Aucune n'est meilleure dans l'absolu. L'image vers vidéo l'emporte quand la première image doit être un visuel validé précis ; le texte vers vidéo l'emporte quand vous explorez encore une scène avec des mots, et il ne demande aucun fichier source.

Le type de tâche change-t-il le prix ?

Non. Le prix par seconde dépend uniquement du palier et de la résolution ; la référence vers vidéo ajoute les secondes facturées de chaque clip de référence.

En résumé : des mots pour explorer une scène, une image fixe pour figer la première image, des références pour tout ce qui doit se retrouver d'un plan à l'autre.