Introduction
Wan 3.0 Pro Références vers vidéo conserve un visage, un vêtement, un décor, un mouvement ou une voix d’un plan à l’autre grâce à des références image, vidéo et audio, et livre le résultat en 1080p, 2K ou 4K, de 2 à 30 secondes. Envoyez au moins un des champs reference_image_urls (1 à 10 images ordonnées), reference_video_urls, reference_audio_urls (jusqu’à 5 clips chacun), reference_file_url (un document) ou reference_link_url (une page web). Le prompt est facultatif, mais c’est là que chaque référence reçoit son rôle et que l’action est décrite.
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 Pro Texte vers vidéo |
| Une image de départ validée fixe le sujet et la composition ; la consigne dirige le mouvement qui suit. | Wan 3.0 Pro 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 Pro Références vers vidéo |
Fonctionnalités et points forts
Un master, plusieurs recadrages
Un plan verrouillé par références et rendu en 4K fournit un master qu’on peut recadrer pour une bannière et pour une version verticale. L’exemple du vêtement envoie une seule planche de manteau — « Keep the coat from the reference exactly — cut, colour and stitching » — et rend 6 secondes en 4k sans son, pendant que le mannequin tourne une fois sur une scène sombre et que l’ourlet se soulève puis retombe.
Les dérives se voient mieux à la taille de livraison
Un visage qui change d’un plan à l’autre saute aux yeux en haute résolution, ce qui aide à la validation : rendez chaque plan d’une séquence à la taille de livraison et comparez-les côte à côte avant de vous engager. Les paliers 2k et 4k sont agrandis à partir d’un rendu natif en 1080p : ils révèlent les incohérences du rendu plutôt que de les masquer.
Les budgets de références
Les images et l’audio de référence ne sont pas facturés ; les secondes de vidéo de référence le sont avec la sortie. Les références vidéo et audio sont chacune plafonnées à 15 secondes au total, chaque clip durant de 1 à 15 secondes, et la vidéo de référence plus duration_seconds doit rester dans 30 secondes. Ces limites s’appliquent pendant la génération et non à l’envoi : vérifiez d’abord la durée des clips.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
prompt | Non | Facultatif, mais c’est là que vous dites à quoi sert chaque référence — quelle image est le personnage, quel clip porte le mouvement, quel audio est la voix — et ce qui se passe… 1 caractères minimum · 20000 caractères maximum |
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. |
resolution | Non | 1080p, 2k ou 4k, 1080p par défaut. |
aspect_ratio | Non | 16:9, 4:3, 1:1, 3:4, 9:16 ou adaptive. Vaut adaptive par défaut, ce qui laisse le modèle choisir ; nommez un format quand la livraison est imposée. |
duration_seconds | Non | N’importe quel nombre entier de 2 à 30, 5 par défaut, ou -1 pour la durée intelligente, qui réserve le maximum puis facture la durée réellement livrée. |
generate_audio | Non | Actif par défaut. Le son est généré avec l’image et arrive dans le même fichier. Valeur par défaut: |
enable_prompt_expansion | Non | Active par défaut dans cette famille. Elle étoffe les briefs maigres et réécrit les briefs détaillés : coupez-la dès que votre prompt est une description de plan précise. Valeur par défaut: |
seed | Non | De 0 à 2147483647. Fixez-la pendant que vous réglez la résolution ou la durée, sinon chaque relance change deux choses à la fois. |
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 |
|---|---|
| $0.144 / seconde |
| $0.16 / seconde |
| $0.184 / seconde |
Cas d’utilisation
Des plans épisodiques avec un visage et un décor nommés
L’exemple visage et décor envoie deux planches et une ligne d’action : « The first image is the character — keep her face, hair and the black gown. The second image is the room. » Elle marche de la porte à la fenêtre dans un lent travelling latéral, 8 secondes en 1080p avec la graine 640117. Réutilisez les planches et la graine pour chaque plan d’un épisode et ne changez que l’action.
Les mêmes personnes, une autre lumière
L'exemple des trois moments de la journée conserve deux personnes et un appartement pendant que la lumière change : le matin près de la fenêtre, le crépuscule sur le plan de travail, la nuit sur le balcon. C’est le cas de continuité délicat, puisque tout sauf la lumière doit tenir. Les références portent les personnes et la pièce ; le prompt ne décrit que ce qui diffère.
Guide de prompt et conseils pratiques
Nommez les références dans l’ordre
reference_image_urls est ordonné : désignez les images par « the first image » et « the second image » et fournissez-les dans cet ordre. Pour chacune, dites s’il s’agit d’un personnage, d’un vêtement ou d’un décor. Réservez les vidéos de référence au mouvement et au style de caméra plutôt qu’aux visages, et l’audio à une voix, une diction ou une ambiance de pièce.
Désactivez l’expansion du prompt pour le rendu final
enable_prompt_expansion vaut true par défaut dans cette famille et réécrit les briefs détaillés, ce qui peut brouiller les rôles attribués. Désactivez-la une fois les libellés de références et la ligne d’action arrêtés, gardez seed fixe et faites les premiers rendus en 1080p sur 5 secondes.
N’agrandissez que la prise validée
Quand le plan fonctionne en 1080p, renvoyez exactement le même corps de requête avec resolution à 2k ou 4k. Laissez aspect_ratio sur adaptive sauf si le cadre de livraison est imposé, et vérifiez au début et à la fin du fichier livré les détails récurrents — visage, coupe du vêtement, disposition de la pièce.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
