Introduction
Wan 3.0 Texte vers vidéo génère un clip de 2 à 30 secondes avec du son à partir d’un simple prompt écrit. prompt est le seul champ obligatoire ; duration_seconds, resolution (480p, 720p ou 1080p, 720p par défaut), aspect_ratio (16:9 par défaut), generate_audio, enable_prompt_expansion et seed sont des réglages explicites que vous pouvez laisser à leur valeur par défaut. Comme aucune image n’ancre le plan, le modèle invente chaque visage, chaque vêtement et chaque décor à partir du texte. C’est le mode de Wan 3.0 qui offre la plus grande liberté créative, et le moins de contrôle sur une personne précise.
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
Le son décrit dans la même requête
generate_audio est activé par défaut : le fichier renvoyé contient déjà un son calé sur l’image. L’exemple de l’armurerie s’en sert délibérément : son prompt se termine par une ligne « Audio: » — un gant de cuir qui claque sur le bois, un laçage qui grince, une torche qui crépite — et ces sons reviennent avec les gestes qui les provoquent. Ne passez le champ à false que si le plan sera sonorisé à part.
Toute durée entière de 2 à 30 secondes
duration_seconds accepte tout nombre entier de 2 à 30, 5 par défaut, ou -1 pour la durée intelligente, où le modèle choisit la longueur d’après le prompt. L’exemple de la dune dure les 5 secondes par défaut en 720p et en 16:9 : assez pour une descente aérienne du mur de tempête jusqu’à son visage. Plus un clip est long, plus l’identité et la géométrie dérivent ; fixez donc le rendu à 5 secondes avant d’allonger.
Des scènes sans censure à partir du seul texte
La famille est sans censure, et aucune scène ne demande de drapeau ni de déclaration par requête. L’exemple du drive-in — deux femmes adultes allongées sur le hayon d’un break, éclairées seulement par le faisceau du projecteur, jusqu’à un lent baiser — a été obtenu à partir du seul prompt, en 5 secondes et 720p. Vous restez responsable du consentement, des droits, de l’âge et du droit local pour toutes les personnes représentées.
Paramètres de requête
| Paramètre | Obligatoire | Description |
|---|---|---|
prompt | Oui | Le plan lui-même : sujet, une action, un mouvement de caméra, puis la lumière et le son. Une longue liste d’adjectifs déplace moins le résultat qu’une seule action claire. 1 caractères minimum |
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 intelligente, où le modèle choisit la longueur : le maximum de 30 secondes est réservé d’avance, puis seule la durée… |
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. Valeur par défaut: |
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
| Spécification | Prix |
|---|---|
| $0.045 / seconde |
| $0.09 / seconde |
| $0.18 / seconde |
Cas d’utilisation
Des scènes d’ambiance sans image source
Quand il n’existe aucune photo du lieu, c’est le prompt qui le construit. L’exemple de la dune décrit une crête de dune au coucher du soleil, une tempête de sable colossale qui arrive, une robe de soie émeraude qui flotte au vent et une caméra qui descend d’une vue aérienne jusqu’à son visage, le tout à partir de la seule phrase. Ce type de requête convient aux films d’ambiance et aux bandes de présentation où l’environnement compte plus qu’un visage précis.
Vue subjective
L’exemple en vue subjective est écrit comme une seule prise continue : la caméra est le regard du spectateur, une unique lampe tungstène fournit toute la lumière, et le brief précise que la garde-robe reste exactement telle qu’écrite du début à la fin. Dire ce qui ne change pas est aussi utile que dire ce qui bouge : cela empêche le modèle de trancher un prompt ambigu dans sa propre direction.
Guide de prompt et conseils pratiques
L’ordre du prompt : sujet, action, caméra, lumière, son
Écrivez un sujet, une action, un mouvement de caméra, puis une indication pour la lumière et une pour le son. Une longue liste d’adjectifs fait moins bouger le résultat qu’une action claire. Le clip de référence de la famille suit exactement cet ordre : deux femmes sous un même parapluie, une mèche remise derrière l’oreille puis un baiser, un lent travelling avant, le néon qui bave sur le sol mouillé, la pluie sur le parapluie.
Précisez le cadrage quand un détail porte la scène
Le prompt de l’armurerie nomme son cadrage — plan rapproché à partir des hanches, contre-plongée légère de trois quarts, 85 mm — parce qu’un plan large perdrait le gant, le laçage et la lumière de la torche sur ses épaules. Quand un détail compte, dites quelle taille il doit avoir dans le cadre au lieu d’espérer que le modèle choisisse un plan serré.
Laissez l’expansion du prompt désactivée pour un brief précis
enable_prompt_expansion vaut false par défaut ici. Activée, elle réécrit le prompt avant la génération, ce qui aide une idée de deux lignes et dessert un brief détaillé comme ceux ci-dessus. Pour des relances contrôlées, fixez seed et ne changez qu’un champ à la fois ; une graine fixe rend la comparaison équitable sans garantir des images identiques. Le texte seul ne conserve pas un même visage d’un rendu à l’autre : utilisez reference-to-video pour les personnages récurrents.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "16:9",
"duration_seconds": 5
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.
