Introduzione
Wan 2.5 Testo in video genera una clip di 5 o 10 secondi con audio partendo solo da un prompt scritto. L’unico campo obbligatorio è prompt, fino a 1.500 caratteri; tutto il resto ha un valore predefinito: 16:9, 720p, cinque secondi, espansione del prompt disattivata. Usalo quando non esiste ancora un’immagine approvata e ambientazione, azione e camera devono nascere dal testo. Se hai già il fotogramma iniziale, l’endpoint basato sull’immagine ne mantiene soggetto e proporzioni.
Scegli la modalità Wan 2.5 in base al materiale di partenza
| Cosa hai all’inizio | Modalità |
|---|---|
| una scena o una sceneggiatura scritta | Wan 2.5 Testo in video |
| un’immagine iniziale approvata | Wan 2.5 Immagine in video |
Caratteristiche principali
Immagine e audio in un solo passaggio
La clip torna con l’audio già nel file: ambiente, effetti e voci vengono generati insieme all’immagine, quindi conviene scrivere una riga come "Audio: gulls, a splash, her breath". Per far seguire a movimento e labiale una registrazione che hai già, passa audio_url, un WAV o MP3 da 3 a 30 secondi e fino a 15 MB. Una traccia più lunga della clip viene tagliata alla fine; una più corta lascia in silenzio il resto della clip.
Cinque formati, tre risoluzioni, due durate
aspect_ratio accetta 16:9, 9:16, 1:1, 4:3 e 3:4, e resolution accetta 480p, 720p e 1080p. I due parametri sono collegati: a 480p vengono rese solo inquadrature orizzontali, verticali e quadrate, quindi 4:3 e 3:4 richiedono almeno 720p. duration_seconds è esattamente 5 o 10, e un valore come 7 viene rifiutato invece che arrotondato. La risoluzione determina anche la tariffa al secondo e il tempo di elaborazione.
Esclusioni e confronti controllati
negative_prompt accetta fino a 500 caratteri ed è il posto per sottotitoli, loghi, persone in più o un colore che continua a tornare. seed (da 0 a 2147483647) tiene ferma la sorgente casuale mentre cambi un campo alla volta, senza garantire un fotogramma identico. enable_prompt_expansion è disattivato per impostazione predefinita; se lo attivi, riscrive un brief breve in uno più completo prima della generazione.
Parametri della richiesta
| Parametro | Obbligatorio | Nota |
|---|---|---|
prompt | Sì | L'inquadratura vera e propria: chi, un'azione, un movimento di macchina, poi luce e suono. Un verbo chiaro muove il risultato più di una pila di aggettivi. almeno 1 caratteri · al massimo 1500 caratteri |
negative_prompt | No | Le cose che devono restare fuori: didascalie, loghi, persone in più, un colore che continua a tornare. È l'unico posto in cui le esclusioni funzionano in modo affidabile. al massimo 500 caratteri |
aspect_ratio | No | 16:9, 9:16, 1:1, 4:3 o 3:4, predefinito 16:9. 4:3 e 3:4 non sono disponibili nella fascia di risoluzione più bassa. |
resolution | No | 480p, 720p o 1080p, predefinito 720p. Fissa la tariffa al secondo e il tempo di elaborazione; la fascia più bassa offre solo forme orizzontali, verticali e quadrate. |
duration_seconds | No | Esattamente 5 o 10. Qualsiasi altro valore viene rifiutato, non arrotondato. |
audio_url | No | Una battuta o un attacco musicale che il clip deve seguire. La forma della bocca e il movimento si adattano ai tempi di questo file. almeno 1 caratteri |
enable_prompt_expansion | No | Disattivata per impostazione predefinita. Predefinito: |
seed | No | Da 0 a 2147483647. Tienilo fermo mentre confronti un cambiamento per volta; per avere varietà ometti il campo invece di inviare 0. |
Prezzi
| Specifiche | Prezzo |
|---|---|
| $0.045 / secondo |
| $0.09 / secondo |
| $0.135 / secondo |
Casi d’uso
Clip verticali con la colonna sonora inclusa
Imposta aspect_ratio su 9:16 e resta a cinque secondi per una bozza da feed che non richiede un passaggio audio separato. L’esempio pubblicato del negozio di dischi va oltre: dieci secondi a 1080p in 9:16, un tilt lento da una cassa di vinili fino al volto dell’uomo e il prompt negativo "text on screen, logos, extra people" perché non compaiano scritte né passanti.
Verificare il suono su un’azione visibile
L’esempio del sassofono chiede dieci secondi a 1080p in 16:9, con il suono dello strumento che segue la diteggiatura. Legare l’audio a qualcosa che si vede (i tasti, uno schizzo d’acqua, il crepitio di un giradischi) ti dà un controllo concreto in riproduzione, invece di giudicare solo l’atmosfera.
Una battuta con i tuoi tempi
Registra la battuta, passala come audio_url e descrivi chi parla e dove. Movimento e labiale seguono i tempi del file, così la revisione può concentrarsi sull’interpretazione. Se serve un volto o un prodotto preciso, il testo da solo non mantiene quell’aspetto tra un’esecuzione e l’altra; parti allora da un’immagine fissa sull’endpoint immagine in video.
Consigli avanzati
Scrivi l’inquadratura in un ordine fisso
Soggetto, un’azione, un movimento di camera, la luce e alla fine una riga sul suono. Un verbo chiaro cambia il risultato più di una fila di aggettivi. Tieni le esclusioni fuori dal prompt ed elencale in negative_prompt. Quando il prompt descrive già l’inquadratura con precisione, lascia enable_prompt_expansion disattivato così il tuo testo viene usato così com’è.
Adatta l’esempio incluso
L’esempio pubblicato del porto usa aspect_ratio 16:9, duration_seconds 5 e resolution 720p. Mantieni questa struttura quando sostituisci soggetto e luogo.
Early morning at a stone harbour wall. An adult woman in a navy one-piece swimsuit and a white swim cap stands at the edge, shakes out her arms, then dives cleanly into flat green water and surfaces laughing, pushing her goggles up. Gulls lift off the wall behind her. Low handheld camera at water level, soft pink dawn light, mist on the water. Audio: gulls, a splash, her breath and a short laugh, distant boat engine.
Un’azione e una posizione di camera, con il suono scritto per esteso così il tuffo e la risata cadono sui fotogrammi giusti.
Rifinisci a cinque secondi e 720p
Fissa seed e confronta una modifica alla volta: il verbo, il movimento di camera, la riga sul suono. Quando la ripresa funziona, rigenerala a 10 secondi o a 1080p. Se una richiesta in 4:3 o 3:4 viene rifiutata, controlla prima la risoluzione: questi formati non sono disponibili a 480p.
Rivedi l’intera clip con l’audio
Riproduci la clip dall’inizio alla fine con l’audio: l’azione si legge a velocità normale, gli effetti cadono sulla loro fonte visibile, mani e capelli reggono? Le clip lunghe derivano di più su mani, capelli e dettagli fini, quindi confronta una ripresa da 10 secondi con la versione da 5 prima della consegna.
Avvio rapido dell’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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.5/text-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.
