Wan 2.5 API

Wan 2.5 Image vers vidéo transforme l’image fixe envoyée dans image_url en un clip de 5 ou 10 secondes avec du son. L’image fixe le sujet, la tenue, le décor, la direction de la lumière et les proportions du clip ; le prompt facultatif, jusqu’à 1 500 caractères, décrit ce qui se passe ensuite. Ce point de terminaison n’a pas de champ de format : recadrez l’image au format de livraison avant de l’envoyer. Si vous n’avez qu’une idée écrite et aucune image, utilisez le point de terminaison guidé par le texte.

Choisir un mode Wan 2.5 selon le matériau de départ

L’image d’ouverture donne le rendu

image_url accepte le JPEG, le PNG, le BMP ou le WebP jusqu’à 20 Mo, avec des côtés compris entre 240 et 8 000 pixels. Ce qui est déjà visible dans ce fichier — une étiquette, une silhouette, un costume — n’a pas besoin d’être redécrit, et le prompt peut consacrer ses mots au mouvement, à la caméra et au son.

Un son généré avec l’image, ou calé sur votre piste

Chaque clip revient avec un son généré en même temps que l’image. Ajoutez audio_url, un WAV ou un MP3 de 3 à 30 secondes et de 15 Mo au maximum, quand une réplique enregistrée ou un repère musical doit dicter le timing : le visage vient de l’image, le timing de la bouche vient de l’audio. Une piste plus longue que le clip est coupée à la fin ; une piste plus courte laisse le reste silencieux.

Deux durées et trois résolutions

duration_seconds vaut exactement 5 ou 10, et resolution vaut 480p, 720p (par défaut) ou 1080p. Les niveaux supérieurs coûtent plus cher à la seconde et prennent plus de temps. Les clips courts tiennent mieux les mains et les cheveux : calez le mouvement à cinq secondes avant de passer à dix.

Un mouvement produit à partir d’un seul packshot

L’exemple publié du flacon de sérum envoie une photo produit et demande seulement un lent arc de caméra d’un quart de tour pendant qu’une bande de lumière de fenêtre glisse sur le verre ; le flacon lui-même ne bouge pas. Comme l’image fixe déjà l’étiquette et la silhouette, le prompt ne porte que la lumière et le mouvement, rendus en 720p pendant cinq secondes.

Un portrait qui dit une réplique enregistrée

Envoyez un portrait validé dans image_url et la réplique enregistrée dans audio_url. L’apparence de la personne vient de l’image et le timing de la bouche du fichier : la relecture porte donc sur l’interprétation, pas sur la synchronisation labiale.

Une prise studio plus longue avec des détails protégés

L’exemple de la robe nuisette dure dix secondes en 1080p à partir d’un portrait studio : un transfert de poids, une rotation vers l’objectif et deux pas lents, caméra fixe. Son prompt négatif, « extra people, text, jewellery changes », empêche les bijoux de changer et d’autres personnes d’apparaître sur la durée.

Pluie, eau et autres sons à la source visible

Dans l’exemple du parapluie, deux personnes restent presque immobiles pendant que la pluie tambourine sur le parapluie au-dessus d’elles : le mouvement appartient à l’eau et le son a une source visible. Pour un événement continu de ce type, cinq secondes suffisent en général.

# 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-2.5/image-to-video",
  "input": {
    "duration_seconds": 5,
    "image_url": "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"

La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.