Wan 2.6 Reference-to-Video API: porta i soggetti dai clip in una scena nuova

Wan 2.6 reference-to-video accetta da uno a tre clip brevi delle persone, degli animali o degli oggetti che vuoi, più un prompt che descrive una scena nuova. I clip decidono chi o cosa appare; il prompt decide dove si trovano, cosa fanno e come li trattano la telecamera e la luce. Il risultato dura da 2 a 10 secondi a 720p o 1080p, in uno di cinque formati d'immagine, come ripresa unica o come più riprese montate. Costa $0.065 al secondo a 720p e $0.0975 a 1080p, e anche i secondi di materiale di riferimento che invii vengono fatturati.

Usalo quando il materiale è il soggetto e il contesto è nuovo: una presentatrice registrata una volta e collocata in più luoghi, oppure un clip di prodotto rimesso in scena per una nuova stagione. Usa invece Wan 2.6 image-to-video quando un fermo immagine approvato deve stabilire il fotogramma iniziale, la scenografia e le proporzioni. Accetta anche fino a due fermi immagine, insieme ai clip o al loro posto; non ha ancora un campo di riferimento audio, ed è l'unica attività Wan 2.6 sul livello Filtered.

Provalo prima nel Playground

1. Apri la pagina reference-to-video e resta nella scheda Playground nella vista Form. Accedi con un account con credito per eseguire.
2. Sotto Reference videos aggiungi da uno a tre clip ritagliati con Add a file, oppure incolla i link con Asset URL. Il primo clip che aggiungi nel prompt si chiama character1, il secondo character2, il terzo character3.
3. Scrivi il Prompt come mostrato nella sezione sulla scena qui sotto: cosa porta ogni clip, poi contesto, azione, telecamera e luce.
4. Imposta Resolution su 720p, Duration su un 5 breve, Aspect ratio sul formato che consegnerai e Shot structure su Single take per il primo test.
5. Imposta un Seed e conservalo mentre cambi un clip alla volta. Aggiungi Negative prompt solo per qualcosa che continua a ricomparire.
6. Controlla la stima del prezzo, che include i secondi di riferimento, ed esegui. Passa a 1080p quando il casting è corretto.

Cosa accetta la richiesta

L'attività è alibaba/wan-2.6/reference-to-video.

Non copiare un campo da un'altra attività Wan 2.6: un image_url o un campo audio in questo payload è un errore di contratto, non un prompt debole.

Scegli e ritaglia i clip di riferimento

Ogni clip dovrebbe mostrare un soggetto grande nell'inquadratura, ben illuminato e, se possibile, da più di un angolo. Un soggetto che resta piccolo o in controluce torna solo in modo approssimativo, e un clip di un luogo vuoto non dà al modello nulla da portare: il contesto viene dal prompt. Un clip con più persone rende poco chiaro chi debba comparire, quindi ritaglia o taglia fino al passaggio in cui il tuo soggetto è più nitido.

Taglia prima di caricare. I secondi di riferimento vengono fatturati, e pochi secondi nitidi si trasferiscono meglio di una ripresa lunga che divaga.

Aggiungi un secondo o terzo clip solo per un soggetto nuovo

Ogni clip in più aggiunge identità, movimento e sfondo che il modello deve districare. Invia un secondo clip quando la scena richiede un altro soggetto (un venditore accanto al meccanico) o quando il primo clip nasconde un tratto decisivo di un oggetto, come il cassone di carico anteriore di una bicicletta. Dai a una seconda persona una posizione e un'azione proprie, perché volti simili in posti simili si sfocano insieme. Se due clip mostrano lo stesso soggetto in abiti diversi, scegline uno prima di inviare; un prompt che li chiede entrambi restituisce un compromesso.

Per capire se un clip aggiunto aiuta, tieni fissi seed, durata, risoluzione, proporzioni e tipo di ripresa e cambia solo i clip. Il seed mantiene costante l'estrazione casuale tra un'esecuzione e l'altra, quindi il clip che hai aggiunto è la sola cosa che si muove; non promette una riesecuzione identica fotogramma per fotogramma.

Scrivi la scena intorno ai clip

Chiama ogni clip character1, character2 o character3, nell'ordine in cui li hai inviati: il modello riconosce i soggetti solo da questi nomi, e scrivendo «Clip 1» o «il clip del meccanico» può solo tirare a indovinare. Indica cosa porta ciascuno, poi dai contesto, azione, telecamera e luce. Non riscrivere ciò che il materiale mostra già: consuma i 1500 caratteri e fa concorrenza ai clip. Scrivi una ripresa con un'azione netta, così puoi capire se il casting ha funzionato prima di chiedere una storia.

character1 is the mechanic: keep the short silver hair and indigo apron.
character2 is the teal cargo bicycle: keep its front box and cream tires.
Place them in a quiet produce market at dawn. One continuous medium-wide shot:
character1 wheels character2 a few steps and stops beside a vegetable stall.
Slow sideways camera move, soft morning light, distant market ambience.

Usa negative_prompt per ciò che ricompare a ogni esecuzione, come una persona in più, sottotitoli sovrapposti o un accessorio del clip, invece di elencare in anticipo tutte le esclusioni. Cambia una cosa sola tra un tentativo e l'altro. Se l'officina trapela nel mercato, chiarisci la destinazione e taglia il clip; cambiare insieme abbigliamento, telecamera e durata non ti dice quale correzione ha funzionato.

Ripresa unica o più tagli

single mantiene una ripresa continua ed è il primo test giusto perché vedi se il soggetto cambia durante il movimento. multi lascia che il modello tagli fra riprese dentro la scena; rende a partire da circa 6 secondi, perché un clip di 2 o 3 secondi raramente ha spazio per un taglio. Dirigi i tagli con un elenco numerato di riprese nel prompt, per esempio un arrivo in campo medio largo seguito da un primo piano della bicicletta che si ferma, e verifica che il soggetto sembri lo stesso dopo il taglio.

Formato, dimensione e durata

Le proporzioni si scelgono nella richiesta e non derivano dai clip, quindi un unico set di riferimenti può essere consegnato in più formati e una consegna verticale non richiede materiale sorgente verticale. Scrivi la scena per l'inquadratura che scegli: un panorama di mercato a tutta larghezza non entra in una consegna 9:16. Prova le proporzioni definitive invece di ritagliare dopo un risultato largo, perché un ritaglio può nascondere la parte che è andata storta.

La durata è il principale fattore di prezzo ed è anche il punto in cui la somiglianza deriva. Guarda tutto il clip, non il primo secondo, e osserva bene l'ultimo secondo prima di impegnarti su una durata lunga. La risoluzione fissa la tariffa e il tempo di rendering; non corregge un soggetto sbagliato, quindi definisci il casting a 720p e passa a 1080p per il risultato finale.

Poi esegui da codice

Installa l'SDK Python (pip install spicyapi), imposta SPICY_API_KEY nell'ambiente del tuo server, sostituisci i link segnaposto con clip che hai il diritto di usare ed esegui:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="alibaba/wan-2.6/reference-to-video",
    input_data={
        "prompt": "character1 is the mechanic and character2 is the teal cargo bike. At a quiet "
                  "produce market at dawn, character1 wheels character2 forward and stops beside "
                  "a vegetable stall. One medium-wide continuous shot, slow sideways camera move, "
                  "distant market ambience.",
        "reference_video_urls": [
            "https://example.com/mechanic.mp4",
            "https://example.com/cargo-bike.mp4",
        ],
        "duration_seconds": 5,
        "resolution": "720p",
        "aspect_ratio": "16:9",
        "shot_type": "single",
        "seed": 26017,
    },
    idempotency_key=str(uuid.uuid4()),
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
print(output_assets(final)[0]["url"])  # copy the clip to your own storage now

Preventivi, attese, nuovi tentativi, callback e codici di errore sono descritti nella guida alle attività e nel riferimento dell'SDK Python; i risultati scadono, vedi conservazione e consegna. L'attività non ha ingresso né impostazione audio, ma il clip torna con suono generato: descrivi nel prompt cosa vuoi sentire (per esempio un'ambientazione) e sostituiscilo nel tuo montaggio se ti serve un audio specifico.

Oppure lascia che sia un agente a eseguire

Quando le generazioni le deve avviare un assistente, tutti e tre gli strumenti ufficiali mostrano il prezzo e chiedono conferma prima di una chiamata a pagamento.

• CLI. Metti lo stesso oggetto input in input.json, poi esegui spicyapi tasks create --model alibaba/wan-2.6/reference-to-video --input-file input.json --wait. Per un clip sul tuo computer, spicyapi files upload ./mechanic.mp4 restituisce un indirizzo spicy:// da usare in reference_video_urls. Vedi la documentazione della CLI.
• Server MCP. Aggiungi il server MCP al tuo assistente, poi chiedi: "Cast the person in /path/to/mechanic.mp4 into a dawn produce market on Wan 2.6 reference-to-video, 5 seconds, 720p.". Carica il file con spicyapi_upload_file, poi chiama spicyapi_task_create, che si ferma per la tua conferma del prezzo.
• Skill. npx skills add spicyapi-ai/spicy-skill installa l'Agent Skill, che fa leggere a un assistente di programmazione lo schema del modello in tempo reale invece di indovinare i campi.

Metti in bilancio i secondi di riferimento

I secondi fatturabili sono la durata dell'output più la durata dei clip di riferimento, con ogni clip arrotondato per eccesso al secondo intero e al massimo cinque secondi di riferimento contati in totale. Una resa di 5 secondi con un clip di 3 secondi fattura 8 secondi; la stessa resa con tre clip che sommano a nove secondi fattura 10. La stima in tempo reale prima dell'invio mostra l'importo. Se la durata di un clip non è leggibile in anticipo, la trattenuta assume cinque secondi di riferimento e l'addebito finale usa la durata misurata.

I prezzi sono le tariffe del catalogo in vigore al momento della scrittura. Un riferimento più corto e più pulito è il risparmio più economico: toglie secondi fatturati e dà al modello un soggetto più chiaro, e un nuovo tentativo costa un'intera esecuzione.

Controlla il risultato e correggilo

Valuta la persona e l'oggetto separatamente, perché uno può riuscire mentre l'altro fallisce. Per la persona: il viso e l'abito restano uguali attraverso le rotazioni e dopo qualsiasi taglio, e nessuna persona in più sostituisce il soggetto. Per l'oggetto: sopravvive la forma, non solo il colore (il cassone di carico, il numero di ruote), perché una normale bicicletta turchese è anch'essa turchese. Cerca anche elementi di scena riportati dal clip, come la porta dell'officina o uno scaffale di attrezzi.

Se due o tre revisioni non assestano il soggetto, cambia attività invece di forzare: un fermo immagine composto con image-to-video, oppure uno dei modelli qui sotto. Per una ripresa che riutilizzerai, conserva insieme i clip, la richiesta completa e l'output non montato.

Livello di contenuto e consenso

Wan 2.6 image-to-video e text-to-video sono Uncensored, ma reference-to-video è Filtered. Sui nostri test di settembre 2026 un clip di riferimento esplicito è stato rifiutato, quindi un casting per adulti appartiene a un'altra attività; vedi quali versioni di Wan sono uncensored. Il casting di riferimento porta un volto riconoscibile in una scena mai avvenuta, quindi usa personaggi fittizi o materiale di persone reali che hanno acconsentito, ed etichetta i risultati generati come generati dove un pubblico potrebbe scambiarli per una registrazione.

Il livello più veloce: Wan 2.6 Flash reference-to-video

Dal 14 ottobre Wan 2.6 Flash reference-to-video offre lo stesso casting sul livello Flash di Wan 2.6, più rapido e meno costoso, con tre differenze che cambiano ciò che invii:

• Più fermi immagine. reference_image_urls accetta fino a cinque immagini invece di due, insieme a un massimo di tre clip in reference_video_urls, cinque riferimenti in tutto. Le immagini non vengono fatturate su nessuna delle due attività; i clip aggiungono i propri secondi come descritto sopra, fino a cinque in totale.
• L'audio si attiva a parte. generate_audio è disattivato per impostazione predefinita e restituisce solo l'immagine, a $0.0225 al secondo a 720p o $0.03375 a 1080p. Se lo attivi, aggiunge voci, effetti e ambiente generati a $0.045 o $0.0675. L'attività di questa pagina restituisce sempre l'audio, a $0.065 al secondo a 720p.
• È Uncensored. Nei nostri test del 14 ottobre le richieste con riferimenti per adulti sono tornate come richiesto, senza alcun rifiuto.

Nel prompt chiama i riferimenti character1, character2 e così via, prima i clip e poi i fermi immagine; la chiamata è alibaba/wan-2.6-flash/reference-to-video. Flash cede un po' di dettaglio fine in cambio della velocità, quindi è adatto a bozze di casting, grandi volumi e scene per adulti. Resta su questa attività quando una sola ripresa deve portare la texture più curata del livello Wan 2.6 completo.

Quando un altro modello è più adatto

Resta su Wan 2.6 reference-to-video quando i tuoi riferimenti sono fino a tre clip e due fermi immagine e vuoi il casting Wan a 720p più economico ($0.065 al secondo contro $0.09 su Wan 3.0) con tagli a più riprese opzionali. Taglia i clip, nomina ciascuno nel prompt, prova a 720p in ripresa unica e apri l'attività reference-to-video per controllare il prezzo in tempo reale dei tuoi clip prima di eseguire.