Wan 3.0 API: da testo a video, da immagine a video o da riferimento a video

Wan 3.0 è una famiglia di modelli con tre vie d'ingresso, e il modo in cui parti decide cosa puoi controllare, cosa paghi e, su questa API, come gestisce i contenuti senza censura. Se inviare parole, una still o una pila di riferimenti dipende da una sola domanda.

In breve: chiediti che cosa non deve cambiare nel clip:

• Ancora niente, stai cercando la scena: da testo a video. Basta un campo, prompt.
• Il primo fotogramma (e opzionalmente l'ultimo): da immagine a video. L'immagine viene usata esattamente come fotogramma uno, quindi il prompt deve solo descrivere il movimento.
• Un personaggio, una stanza, una voce o uno stile di movimento che deve ripresentarsi: da riferimento a video. Fino a dieci immagini, cinque clip e cinque tracce audio, più un documento o una pagina web opzionale, ciascuno con un ruolo nel prompt.

Tutte e tre restituiscono da 2 a 30 secondi con audio nello stesso file, a 480p, 720p o 1080p su base e Prime (i livelli Pro rendono 1080p, 2K o 4K, con 2K e 4K ingranditi da un render 1080p). Gli altri modelli video sono nel catalogo di API video senza censura.

Le tre attività a confronto

Su tutte e tre le attività la durata va da 2 a 30 secondi, oppure -1 lascia la scelta della lunghezza al modello (30 s vengono riservati in anticipo e l'addebito si assesta sulla lunghezza consegnata).

Se invii un campo che l'attività non elenca, come un image_url inviato a da testo a video, la chiamata di creazione restituisce un 400. Prendi lo schema dalla pagina del modello invece di copiare un endpoint vicino.

Quanto costa un clip

Il prezzo al secondo è lo stesso per ingresso testo, immagine e riferimento.

Da riferimento a video aggiunge un dettaglio: i secondi di qualsiasi video di riferimento vengono addebitati oltre all'output, e le clip di riferimento più l'output devono restare entro 30 secondi. Immagini, audio, documenti e pagine web di riferimento non vengono addebitati. Un preventivo o una prenotazione per un'attività con clip di riferimento presuppone il massimo di 15 secondi; vieni addebitato solo per i secondi effettivamente usati.

Il più vecchio Wan 2.6 è l'alternativa a lunghezza fissa: da testo a video e da immagine a video restituiscono esattamente 5, 10 o 15 secondi a 720p ($0.09 al secondo) o 1080p ($0.135). La sua attività da riferimento a video è un altro contratto: accetta fino a tre clip di riferimento e nessuna immagine, e porta l'etichetta Filtered content invece di Unrestricted.

Da testo a video: scrivi il piano, non l'atmosfera

Usala quando la scena è ancora aperta, non esiste un'immagine approvata o vuoi una ripresa lunga con il suo audio. Niente vincola il fotogramma d'apertura, quindi metti nel prompt tutto ciò che lo spettatore deve vedere: soggetto, un'azione, una movimento di camera, poi luce e suono. Un'azione chiara vale più di un lungo elenco di aggettivi. Guarda altrove quando la composizione d'apertura deve corrispondere a un'immagine approvata: quello è da immagine a video.

{
  "model": "alibaba/wan-3.0/text-to-video",
  "input": {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation rolls down the glass while the camera pushes in slowly. Cool side light, no cut. Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": true
  }
}

Questa richiesta costa 10 x $0.09 = $0.90 su Wan 3.0 base. Tre abitudini aiutano:

• Stabilisci il look a 5 secondi prima di chiederne 30. I clip lunghi derivano di più, quindi un'idea sbagliata si trova più facilmente breve.
• Per le riprese lunghe, dividi il prompt in battute scandite. Un esempio della community ha scritto una battuta da due secondi per azione (impasto, salsa, condimenti, forno) più una riga di continuità per un clip da 15 secondi.
• Lascia disattivata l'espansione del prompt quando il brief è preciso. Aiuta i prompt scarsi e combatte quelli dettagliati; è attiva per impostazione predefinita nell'attività da testo a video di Wan 3.0 Pro.

Da immagine a video: il fotogramma è il soffitto

Usala quando il fotogramma uno non è negoziabile: un packshot di prodotto con ritaglio fisso, una tavola di personaggio approvata, un fotogramma chiave di un clip precedente. L'immagine imposta abbigliamento, scenografia e luce, quindi il prompt porta solo il movimento. Guarda altrove quando la scena è ancora aperta (da testo a video) o quando un personaggio deve ricomparire in più riprese (da riferimento a video). Ometti aspect_ratio e il clip eredita il formato dell'immagine; un valore in conflitto la ritaglia.

last_image_url fa finire il clip esattamente su una seconda immagine. Passare lo stesso file come primo e ultimo fotogramma dà un loop senza giunture, come in questo esempio di bottiglia di prodotto: un quarto di giro perché il riflesso attraversi il vetro, poi di nuovo all'inizio.

Stessa immagine di image_url e last_image_url, audio disattivato; 5 s a 1080p costano $0.90.

{
  "model": "alibaba/wan-3.0/image-to-video",
  "input": {
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "last_image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "prompt": "The bottle rotates a quarter turn so the highlight travels across the glass, then returns to its starting angle. Locked camera, single soft key from the left, no music.",
    "duration_seconds": 5,
    "resolution": "1080p",
    "generate_audio": false,
    "seed": 20260907
  }
}

Descrivi il fotogramma che hai fornito, poi il movimento; mai una stanza diversa. Quando un prompt nomina una scena diversa dalla still, Wan 3.0 può aprire sulla still e poi tagliare alla nuova scena. last_image_url da solo viene rifiutato; serve image_url.

Da riferimento a video: dai un ruolo a ogni riferimento

Usala quando qualcosa deve ripresentarsi: lo stesso personaggio in più riprese, una stanza precisa, una voce, un movimento o uno stile di camera. Wan 3.0 legge i riferimenti nell'ordine in cui li fornisci e il prompt dice quale è quale; altrimenti il modello li media in un soggetto che non corrisponde a nessuno. Guarda altrove quando una sola still approvata dice già tutto: i riferimenti extra competono tra loro e non danno più controllo automaticamente. L'esempio qui sotto conserva un personaggio dalla prima immagine e una stanza dalla seconda.

Illustrazione decorativa, non un output del modello né uno schema dell'esempio seguente.

{
  "model": "alibaba/wan-3.0/reference-to-video",
  "input": {
    "reference_image_urls": [
      "https://cdn.spicyapi.ai/models/examples/inputs/a4d8d93ce949c527.png",
      "https://cdn.spicyapi.ai/models/examples/inputs/27753da99f960815.png"
    ],
    "prompt": "The first image is the character: keep her face, hair and the black slip dress exactly. The second image is the room. She crosses from the doorway to the window and leans against the frame, looking out. Slow lateral track, one practical lamp, night ambience.",
    "duration_seconds": 8,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "seed": 771120
  }
}

Due immagini di riferimento, nessun video di riferimento: il clip da 8 s costa 8 x $0.09 = $0.72.

Cosa puoi dargli:

• Immagini (fino a 10) per identità, abbigliamento e tavole di scena. Una foto di una persona vera viene spesso rifiutata dal controllo dei volti ("The input content is suspected to include real human faces"). Usa personaggi illustrati, renderizzati in 3D o generati. Le attività rifiutate non vengono addebitate.
• Video (fino a 5 clip, da 1 a 15 s ciascuno, 15 s in totale) per movimento e stile di camera più che per un volto. Controlla la durata dei clip prima di inviarli; i limiti vengono applicati durante la generazione, non all'accettazione.
• Audio (fino a 5 clip, 15 s in totale) per una voce o il tono della stanza.
• Un documento o una pagina web pubblica (non entrambi) che il modello legge per personaggi, abbigliamento, ambientazione e azione: un file PDF, DOCX, TXT o Markdown fino a 100 MB e 50 pagine, oppure una pagina che si apre senza login. Allegare uno dei due attiva il thinking (non disponibile sui livelli Pro) e l'espansione del prompt a meno che non li imposti. Un tutorial di creatori mostra l'idea; una lettura di pagina fallita non viene addebitata.

Se il fotogramma uno deve essere esatto, usa da immagine a video. A da riferimento a video si può chiedere di partire da un'immagine (vedi la guida ai prompt di Wan 3.0 di Alibaba), ma solo da immagine a video lo garantisce.

Che cosa cambia per il lavoro senza censura

L'assenza di censura non è un unico interruttore su Wan; l'attività che scegli cambia il risultato. In base ai nostri test di settembre 2026 (griglia completa nel test Wan senza censura):

• Wan 3.0 base ha restituito ogni livello di intensità nel test, da lieve a forte, con ingresso testo, immagine e riferimento, ma va anche oltre quello che chiedi: un prompt sul tema della contenzione tornava spesso come una scena diversa con due adulti, a volte con una seconda persona aggiunta.
• Da immagine a video di Wan 3.0 Prime ha attenuato una scena con due adulti, mentre Prime con testo e riferimento l'ha restituita. Se il tuo lavoro parte da una still, prova prima Wan 3.0 base.
• Wan 3.0 Spicy e Prime Spicy esistono solo come da immagine a video (da $0.057 al secondo a 480p). Inclinano verso l'adulto senza che sia richiesto e spesso cambiano o tolgono i vestiti. Se il costume deve restare, usa Wan 3.0 base.
• Da riferimento a video di Wan 2.6 ha rifiutato il nostro materiale di riferimento.

Il comportamento varia per endpoint, quindi prova il tuo prompt su quello che scegli. Per continuare una storia oltre 30 secondi, vedi concatenare clip.

Provala prima nel Playground

Ogni attività ha la sua pagina con una scheda Playground (resta nella vista Form; accedi con un account con saldo per eseguire). Esegui lì un clip breve ed economico prima di scrivere il codice.

1. Apri la pagina della tua attività: da testo a video, da immagine a video o da riferimento a video.
2. Compila gli input necessari all'attività. Da testo a video: Prompt. Da immagine a video: Input image, più Closing frame se il clip deve finire su una seconda immagine; Prompt è facoltativo. Da riferimento a video: Reference images, Reference videos e Reference audio (almeno uno degli input di riferimento); nel prompt, spiega cosa controlla ciascuno.
3. Imposta Resolution su 480p e Duration su 5. Entrambi sono marcati come influenti sul prezzo e la stima sulla pagina si aggiorna quando li cambi.
4. Lascia Generate audio attivo a meno che non valuterai tu il clip e lascia Prompt expansion disattivato quando il prompt è preciso. Imposta un Seed se vuoi confrontare due modifiche.
5. Premi Run model, guarda il clip in Output, poi aumenta risoluzione e durata una volta che il look è giusto.

La vista JSON accanto a Form mostra il body della richiesta e le schede di codice accanto mostrano la stessa chiamata, quindi un clip che funziona qui si può copiare nel tuo codice.

Poi eseguilo dal codice

Installa l'SDK Python (pip install spicyapi), imposta SPICY_API_KEY nel tuo ambiente ed esegui questo. Usa il body da testo a video qui sopra; scambia l'ID del modello e input con quelli delle altre due attività. Mostra il prezzo e aspetta il tuo sì prima di creare l'attività:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment
MODEL = "alibaba/wan-3.0/text-to-video"
body = {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation "
              "rolls down the glass while the camera pushes in slowly. Cool side light, no cut. "
              "Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": True,
}

quote = client.quote_task(model=MODEL, input_data=body)
print("Estimated", quote["estimatedCost"], "maximum", quote["maxCharge"])
if input("Create the task? [y/N] ").strip().lower() != "y":
    raise SystemExit

task = client.create_task(
    model=MODEL,
    input_data=body,
    idempotency_key=str(uuid.uuid4()),
    quote_id=quote["quoteId"],
    expected_cost=quote["estimatedCost"],
)
print("Task", task["taskId"], flush=True)  # save it: after a timeout, look this task up instead of creating another
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise SystemExit(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(
    not asset.get("url") or asset.get("pending") or asset.get("unavailable")
    for asset in assets
):
    raise RuntimeError(f"{task['taskId']} has no complete downloadable output; look up this task before retrying")
print(assets[0]["url"])  # copy the clip to your own storage now

Per input immagine, clip o audio usa un link HTTPS pubblico o un file caricato (guida dei media). Tutto ciò che va oltre questa chiamata è nella guida delle attività e nel riferimento dell'SDK Python; un servizio può usare i webhook. I clip vengono conservati per circa 14 giorni, quindi copia quelli che vuoi (conservazione e consegna).

Oppure lascia che un Agent lo esegua

Quando un assistente deve eseguire i clip, 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:

``bash spicyapi tasks create --model alibaba/wan-3.0/text-to-video --input-file input.json --wait ``

Per una still locale, spicyapi files upload still.png restituisce l'indirizzo spicy:// per image_url. Vedi la doc della CLI; npx @spicyapi/cli funziona senza installazione.

• Server MCP. Aggiungi il server MCP al tuo assistente, poi chiedi: "Make a 10-second 9:16 clip at 720p with Wan 3.0 text-to-video from this prompt." Chiama spicyapi_task_create, che si ferma per la tua conferma del prezzo, poi spicyapi_task_wait. Per un file sul tuo computer usa spicyapi_upload_file.
• 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.

Quando il risultato è sbagliato, cambia una sola cosa

Per confrontare due tentativi, cambia un campo e tieni fissi seed, prompt, durata e risoluzione. Timeout, saldo e altri errori generici sono nel riferimento degli errori.

Da quale livello partire

Parti da Wan 3.0 base a 480p e poi alza la risoluzione quando il look è giusto. Prime è più veloce per il 36 percento in più al secondo a 480p, o il 40 percento in più a 720p e 1080p; per 1080p fino a 4K usa Pro. Per durate fisse di 5, 10 o 15 secondi usa Wan 2.6 con ingresso testo o immagine.

FAQ

Da immagine a video è meglio di da riferimento a video per mantenere un volto?

Se il volto è nel fotogramma d'apertura, da immagine a video: usa l'immagine esattamente come fotogramma uno. Da riferimento a video serve per un volto che deve ripresentarsi tra le riprese, e i suoi riferimenti guidano invece di fissare.

Da immagine a video è meglio di da testo a video?

Nessuna delle due è migliore in generale. Da immagine a video vince quando il fotogramma uno deve essere un visuale approvato preciso; da testo a video vince quando stai ancora esplorando una scena con le parole e non richiede alcun file di partenza.

Il tipo di attività cambia il prezzo?

No. Il prezzo al secondo dipende solo dal livello e dalla risoluzione; da riferimento a video aggiunge i secondi addebitati di ogni clip di riferimento.

In breve: parole per esplorare una scena, una still per fissare il fotogramma uno, riferimenti per tutto ciò che deve ripresentarsi tra le riprese.