Introduction
Wan 3.0 Références vers vidéo construit un nouveau plan de 2 à 30 secondes à partir des références fournies : jusqu’à dix images, cinq clips vidéo et cinq clips audio dans une même requête. Au moins un des champs reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url ou reference_link_url doit être présent, et le prompt est facultatif. Utilisez-le quand un visage, un vêtement, un lieu ou une voix doit rester identique d’un plan rendu séparément à l’autre — ce que text-to-video ne sait pas faire, puisqu’il invente un nouveau visage à chaque rendu. La sortie est en 480p, 720p ou 1080p, 720p 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 Texte vers vidéo |
| Une image de départ validée fixe le sujet et la composition ; la consigne dirige le mouvement qui suit. | Wan 3.0 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 Références vers vidéo |
Fonctionnalités et points forts
Les images pour l’identité, la garde-robe et les décors
reference_image_urls accepte de 1 à 10 images — planches de personnage, de costume ou de décor — en JPEG, PNG sans transparence, BMP ou WEBP, de 240 à 8000 pixels par côté et jusqu’à 20 Mo chacune. Les images de référence ne sont pas facturées. Nommez chacune dans le prompt, sinon le modèle en fait la moyenne et produit un sujet qui ne ressemble à aucune.
La vidéo pour le mouvement, l’audio pour la voix
Les vidéos de référence apportent le mouvement et le style de caméra, pas un visage : jusqu’à cinq clips MP4 ou MOV de 1 à 15 secondes chacun, 15 secondes au total, 16 i/s minimum. L’audio de référence apporte une voix, une diction ou une ambiance de pièce : jusqu’à cinq clips WAV ou MP3, 15 secondes au total également. Ces limites sont vérifiées pendant la génération et non à l’acceptation de la tâche : mesurez vos clips avant l’envoi.
Un budget de 30 secondes partagé avec la sortie
Les secondes de vidéo de référence sont facturées avec la sortie, et la durée des vidéos de référence plus duration_seconds ne doit pas dépasser 30 secondes. Une référence de mouvement de 12 secondes laisse donc au plus 18 secondes de sortie. Les images et l’audio de référence ne comptent pas dans ce budget.
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 |
|---|---|
| $0.045 / seconde |
| $0.09 / seconde |
| $0.18 / seconde |
Cas d’utilisation
Refaire le rendu d’une même interprète dans un lieu connu
L’exemple personnage et pièce envoie deux images et les nomme dans le prompt : « Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room. » Elle traverse ensuite la pièce jusqu’à la fenêtre dans un lent travelling latéral, 8 secondes en 720p avec la graine 771120. Garder les deux planches et la graine fixes en ne changeant que la ligne d’action, c’est la forme de requête du travail épisodique.
Une intervenante avec la bonne voix
L’exemple du monologue associe une image pour le visage et la tenue de l’intervenante à une référence audio pour sa voix. Le prompt sépare ces rôles, puis décrit un plan moyen fixe à une table de cuisine dans la lumière du matin, 10 secondes en 720p. Présentateurs, narrateurs et personnages récurrents qui doivent sonner pareil d’une prise à l’autre suivent ce schéma.
Guide de prompt et conseils pratiques
Attribuez chaque référence avant de décrire le plan
Ouvrez le prompt par une phrase par référence — quelle image est le personnage, laquelle est le décor, à quoi servent la vidéo ou l’audio — puis écrivez la scène : sujet, une action, un mouvement de caméra, lumière et son. Fournissez les images dans l’ordre où vous les citez, car « Image 1 » et « Image 2 » sont la façon dont le prompt les désigne.
Tranchez les conflits explicitement
Si un clip de mouvement contient une personne ou un arrière-plan indésirable, ne demandez que sa trajectoire de caméra ou son rythme. Ne confiez pas la même tâche à deux références en espérant que le modèle choisisse ; décidez dans le brief laquelle gouverne l’identité et laquelle gouverne le lieu.
Un seul changement par relance
Gardez seed et le jeu de références constants et changez une ligne par essai — l’action, le mouvement de caméra ou une seule référence — pour que chaque différence du résultat puisse être rattachée à ce changement. Explorez à 5 secondes et en 720p avant de passer à un rendu plus long ou plus grand, et vérifiez à chaque prise le visage, la tenue, le lieu 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
