Introduction
Wan 2.5 Texte vers vidéo génère un clip de 5 ou 10 secondes avec du son à partir d’un seul prompt écrit. Le seul champ obligatoire est prompt, jusqu’à 1 500 caractères ; tout le reste a une valeur par défaut : 16:9, 720p, cinq secondes, expansion du prompt désactivée. Utilisez-le quand aucune image validée n’existe encore et que le décor, l’action et la caméra doivent tous venir du texte. Si vous avez déjà l’image d’ouverture, le point de terminaison guidé par l’image conserve son sujet et ses proportions.
Choisir un mode Wan 2.5 selon le matériau de départ
| Votre point de départ | Mode |
|---|---|
| une scène ou un script écrit | Wan 2.5 Texte vers vidéo |
| une image d’ouverture validée | Wan 2.5 Image vers vidéo |
Fonctionnalités et points forts
L’image et le son en une seule passe
Le clip revient avec l’audio déjà intégré : ambiance, effets et voix sont générés en même temps que l’image, donc une ligne comme « Audio: gulls, a splash, her breath » mérite d’être écrite. Pour que les mouvements et les formes de la bouche suivent une prise existante, passez audio_url, un WAV ou un MP3 de 3 à 30 secondes et de 15 Mo au maximum. Une piste plus longue que le clip est coupée à la fin ; une piste plus courte laisse le reste du clip silencieux.
Cinq formats, trois résolutions, deux durées
aspect_ratio accepte 16:9, 9:16, 1:1, 4:3 et 3:4, et resolution accepte 480p, 720p et 1080p. Les deux sont liés : en 480p, seuls les cadres paysage, portrait et carré sont rendus, donc 4:3 et 3:4 exigent 720p ou plus. duration_seconds vaut exactement 5 ou 10, et une valeur comme 7 est refusée au lieu d’être arrondie. La résolution fixe aussi le tarif à la seconde et le temps de traitement.
Exclusions et comparaisons contrôlées
negative_prompt accepte jusqu’à 500 caractères et c’est là que vont les sous-titres, les logos, les personnes en trop ou une couleur qui revient sans cesse. seed (0 à 2147483647) garde la même source aléatoire pendant que vous modifiez un champ à la fois, sans garantir une image identique. enable_prompt_expansion est désactivé par défaut ; activé, il réécrit un brief court en une version plus complète avant la génération.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
prompt | Oui | Le plan lui-même : qui, une action, un mouvement de caméra, puis la lumière et le son. Un verbe net pèse plus sur le résultat qu'une série d'adjectifs. 1 caractères minimum · 1500 caractères maximum |
negative_prompt | Non | Ce qui doit rester hors champ : sous-titres, logos, personnes en trop, une couleur qui revient sans cesse. C'est le seul endroit où les exclusions tiennent vraiment. 500 caractères maximum |
aspect_ratio | Non | 16:9, 9:16, 1:1, 4:3 ou 3:4, 16:9 par défaut. Le palier de résolution le plus bas ne propose aucun 4:3 ni 3:4. |
resolution | Non | 480p, 720p ou 1080p, 720p par défaut. Elle fixe le tarif à la seconde et le temps de traitement ; le palier le plus bas n'offre que paysage, portrait et carré. |
duration_seconds | Non | Exactement 5 ou 10. Toute autre valeur est refusée, pas arrondie. |
audio_url | Non | Une réplique ou un repère musical que le clip suit. Les formes de la bouche et le tempo des mouvements se calent sur ce fichier. 1 caractères minimum |
enable_prompt_expansion | Non | Désactivée par défaut. Activée, elle réécrit une description courte en version plus complète avant génération ; laissez-la coupée dès que votre prompt décrit un plan précis. Valeur par défaut: |
seed | Non | De 0 à 2147483647. Figez-la pour comparer un changement à la fois ; pour varier, omettez le champ plutôt que d'envoyer 0. |
Tarification
| Spécification | Prix |
|---|---|
| $0.045 / seconde |
| $0.09 / seconde |
| $0.135 / seconde |
Cas d’utilisation
Clips verticaux avec la bande-son intégrée
Réglez aspect_ratio sur 9:16 et gardez cinq secondes pour un brouillon de fil d’actualité qui ne demande aucune passe audio séparée. L’exemple publié du disquaire va plus loin : dix secondes en 1080p et en 9:16, un lent mouvement de caméra vers le haut depuis un bac de vinyles jusqu’au visage de l’homme, et un prompt négatif « text on screen, logos, extra people » pour éviter sous-titres et passants.
Vérifier le son sur une action visible
L’exemple du saxophone demande dix secondes en 1080p et en 16:9, avec un son de l’instrument qui correspond au doigté. Relier l’audio à quelque chose de visible — des clés, une éclaboussure, le crépitement d’un tourne-disque — vous donne un point de contrôle concret à la lecture, au lieu de juger la seule ambiance.
Une réplique sur votre propre timing
Enregistrez la réplique, passez-la dans audio_url et décrivez qui parle et où. Les mouvements et les formes de la bouche suivent le timing du fichier, si bien que la relecture porte sur le jeu. Quand il faut un visage ou un produit précis, le texte seul ne conserve pas cette apparence d’un essai à l’autre ; partez alors d’une image fixe sur le point de terminaison image vers vidéo.
Guide de prompt et conseils pratiques
Écrire le plan dans un ordre fixe
Sujet, une action, un mouvement de caméra, la lumière, puis une ligne sur le son. Un verbe clair change davantage le résultat qu’une pile d’adjectifs. Laissez les exclusions hors du prompt et listez-les dans negative_prompt. Quand votre prompt décrit déjà précisément le plan, gardez enable_prompt_expansion désactivé pour que votre formulation soit utilisée telle quelle.
Adapter l’exemple fourni
L’exemple publié du port tourne avec aspect_ratio 16:9, duration_seconds 5 et resolution 720p. Gardez sa structure quand vous remplacez le sujet et le lieu.
Early morning at a stone harbour wall. An adult woman in a navy one-piece swimsuit and a white swim cap stands at the edge, shakes out her arms, then dives cleanly into flat green water and surfaces laughing, pushing her goggles up. Gulls lift off the wall behind her. Low handheld camera at water level, soft pink dawn light, mist on the water. Audio: gulls, a splash, her breath and a short laugh, distant boat engine.
Une action et une position de caméra, avec le son écrit en toutes lettres pour que l’éclaboussure et le rire tombent sur les bonnes images.
Affiner à cinq secondes et en 720p
Fixez seed et comparez un changement à la fois : le verbe, le mouvement de caméra, la ligne sur le son. Quand la prise fonctionne, relancez-la en 10 secondes ou en 1080p. Si une requête en 4:3 ou 3:4 est refusée, vérifiez d’abord la résolution : ces formats ne sont pas disponibles en 480p.
Vérifier tout le clip avec le son
Lisez le clip du début à la fin avec l’audio : l’action se lit-elle à vitesse normale, les effets tombent-ils sur leur source visible, les mains et les cheveux tiennent-ils ? Les clips longs dérivent davantage sur les mains, les cheveux et les détails fins ; comparez une prise de 10 secondes à la version de 5 secondes avant la livraison.
Démarrage rapide de l’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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.5/text-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
