Introduction
Wan 3.0 Prime Références vers vidéo construit avec le rendu Prime un plan de 2 à 30 secondes à partir de jusqu’à dix références image, cinq vidéo et cinq audio, avec les mêmes champs que Wan 3.0 Références vers vidéo. Au moins un tableau de références, un fichier de référence ou un lien web doit être présent et le prompt est facultatif ; si vous en écrivez un, il doit dire ce que contrôle chaque référence. La résolution est de 480p, 720p ou 1080p, 720p par défaut, et aspect_ratio vaut 16:9 par défaut.
Choisir le mode selon le matériau de départ
| Matériau de départ | Mode |
|---|---|
| Un brief écrit définit la scène, l’action, la caméra et, si nécessaire, le son. | Wan 3.0 Prime Texte vers vidéo |
| Une image de départ validée fixe le sujet et la composition ; la consigne dirige le mouvement qui suit. | Wan 3.0 Prime Image vers vidéo |
| Des références distinctes peuvent guider l’identité, le lieu, le mouvement ou le son, avec un rôle explicite pour chacune. | Wan 3.0 Prime Références vers vidéo |
Fonctionnalités et points forts
Une planche d’identité, toute une scène en texte
Une seule planche peut porter la personne pendant que le prompt invente tout le reste. L’exemple de la dune utilise une image d’identité prise à plat sur un fond de studio uni ; le champ de dunes sous la lune, le vent et une écharpe de plusieurs mètres qui flotte au-dessus d’elle sont entièrement écrits. L’écharpe doit toujours être attachée au même bras à la fin de la prise : un bon point de contrôle.
Un comportement de caméra emprunté à un clip
La vidéo de référence sert au mouvement et au style de caméra, pas aux visages. L’exemple du style de mouvement reprend d’un clip de référence un lent mouvement orbital à l’épaule et l’applique à la femme d’une image de référence, debout dans un studio vide, pendant 6 secondes en 720p. Les clips de référence doivent être en MP4 ou MOV, à 16 i/s au moins, de 1 à 15 secondes chacun et 15 secondes au total.
La continuité de la voix grâce aux références audio
Jusqu’à cinq références audio WAV ou MP3, 15 secondes au total, peuvent conserver une voix d’une prise à l’autre. Une présentatrice qui a toujours la même apparence mais pas la même voix d’un plan à l’autre n’est pas continue : quand une personne parle dans plusieurs plans, envoyez chaque fois la même référence audio. L’audio et les images de référence ne sont pas facturés.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
prompt | Non | Facultatif. Si vous en écrivez un, dites d’abord ce que contrôle chaque référence, puis le plan : sujet, une action, un mouvement de caméra, lumière et son. 1 caractères minimum |
reference_image_urls | Non | De 1 à 10 images comme plaques d’identité, de garde-robe et de décor. Nommez chacune dans le prompt — personnage, vêtement, décor —, sinon elles sont moyennées. 1 éléments minimum · 10 éléments maximum |
reference_video_urls | Non | Jusqu’à 5 clips, chacun de 1 à 15 secondes et 15 secondes au total. Servez-vous-en pour le mouvement et le style de caméra plutôt que pour un visage. 1 éléments minimum · 5 éléments maximum |
reference_audio_urls | Non | Jusqu’à 5 clips, chacun de 1 à 15 secondes et 15 secondes au total — une voix, une réplique dite ou une ambiance de pièce que le plan doit reprendre. 1 éléments minimum · 5 éléments maximum |
reference_file_url | Non | Un document que le modèle lit avant de mettre en scène le plan : une fiche personnage, un script, une liste de plans ou un brief produit. |
reference_link_url | Non | Une page web publique que le modèle lit comme référence, par exemple un article, une fiche produit ou un profil de personnage. Elle doit s’ouvrir sans connexion. |
aspect_ratio | Non | 16:9, 9:16, 1:1, 4:3, 3:4 ou adaptive, qui laisse le modèle choisir. La valeur par défaut est 16:9. |
enable_thinking | Non | Fait réfléchir le modèle sur la consigne et le matériel de référence avant de générer. Valeur par défaut: |
resolution | Non | 480p, 720p ou 1080p. Vaut 720p par défaut. |
duration_seconds | Non | N’importe quel nombre entier de 2 à 30, ou -1 pour la durée automatique. Vaut 5 par défaut. |
generate_audio | Non | Actif par défaut. Le clip revient avec le son déjà calé sur l’image. Valeur par défaut: |
enable_prompt_expansion | Non | Inactif par défaut. Une fois actif, le prompt est réécrit avant la génération, ce qui aide les briefs maigres et vous contrarie sur les briefs détaillés. |
seed | Non | De 0 à 2147483647. Gardez-la fixe pour comparer un seul champ modifié à la fois ; retirez-la pour de la variété. |
Tarification
Les vidéos de référence s’ajoutent aux secondes facturées ; les images et l’audio de référence, non. Comme nous ne pouvons pas mesurer vos clips avant l’exécution, nous bloquons d’abord le montant correspondant au maximum de 15 secondes, puis libérons la part inutilisée dès la facturation — vous ne payez que les secondes réellement utilisées.
| Spécification | Prix |
|---|---|
| $0.0612 / seconde |
| $0.126 / seconde |
| $0.252 / seconde |
Cas d’utilisation
Une présentatrice récurrente
Gardez les mêmes planches pour le visage et le décor, et la même référence audio pour la voix, dans chaque requête d’une série. L’exemple de la présentatrice conserve « the same presenter, the same studio » et ne décrit que le mouvement — une avancée qui se termine sur un cadrage précis — puisque l’identité est déjà portée par les références.
Des inserts assortis au style
Quand un nouveau plan doit bouger comme un plan existant, fournissez ce clip comme référence de mouvement et une image pour le sujet. Précisez dans le prompt qui est quoi, comme l’exemple du style de mouvement : « Take the camera behaviour from the reference clip — a slow handheld orbit — and apply it to the woman in the reference image. »
Guide de prompt et conseils pratiques
Budgétez la vidéo de référence face à la durée de sortie
Les secondes de vidéo de référence sont facturées avec la sortie, et la vidéo de référence plus duration_seconds ne peut pas dépasser 30 secondes. Un clip de style de 6 secondes laisse donc jusqu’à 24 secondes de sortie. Les limites des références s’appliquent pendant la génération et non à l’envoi : raccourcissez les clips avant de les envoyer.
Confiez le visage à une image, pas à une vidéo
Une vidéo de référence fixe bien le style de mouvement, mais c’est un mauvais moyen de verrouiller un visage. Confiez l’identité à une planche image, nommez-la dans le prompt, et n’utilisez la vidéo que pour la façon dont bougent la caméra ou le corps.
Gardez le jeu de références stable d’une prise à l’autre
Changez une référence ou une ligne du prompt par essai et gardez seed fixe, pour pouvoir rattacher une différence à sa cause. Fixez le rendu à 5 secondes et en 720p avant d’allonger, et vérifiez au début et à la fin de chaque rendu le visage, le costume et la voix par rapport à leurs références.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-prime/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
