Wan 2.5 genera il suono?

Sì. Il suono viene prodotto nello stesso passaggio delle immagini, quindi il file torna con l'audio già a posto. Passa audio_url quando il clip deve seguire una battuta o un attacco musicale preciso.

Quanto può durare un clip di Wan 2.5?

Esattamente 5 o 10 secondi. duration_seconds è un elenco di due valori, quindi 7 è un errore di validazione e non una richiesta arrotondata.

Quali risoluzioni sono disponibili?

480p, 720p e 1080p, con 720p come valore predefinito. La risoluzione fissa la tariffa al secondo, quindi esplora a 720p e rigenera in 1080p quello che tieni.

Posso scegliere le proporzioni?

Su text-to-video sì: 16:9, 9:16, 1:1, 4:3 o 3:4, con 4:3 e 3:4 che richiedono almeno 720p. Image-to-video usa le proporzioni del fotogramma che invii.

In cosa Wan 2.5 differisce da Wan 2.6?

Wan 2.6 elimina il 480p, aggiunge il montaggio multi-inquadratura su image-to-video e un endpoint reference-to-video che ricava i personaggi da clip brevi. Wan 2.5 conserva la fascia 480p più economica e un endpoint text-to-video.

API Wan 2.5: video NSFW senza censura con audio

alibaba/wan-2.5/video-extend

Continua una clip con Wan 2.5: l'ultimo fotogramma del tuo video apre un nuovo segmento di 5 o 10 secondi con audio, e ricevi un unico file con originale e continuazione uniti, a 480p, 720p o 1080p. Una traccia audio facoltativa dà il tempo alla parte nuova.

Da $0.045/s

Esegui il modello Vedi l’API

Input

Estensione video

1
Scegliere la clip da continuare
Scegli un video e lo continuiamo dal suo ultimo fotogramma.
2
Cosa succede dopo
Scegli una clip al passaggio 1 e questo passaggio si apre.
Modello
Testo del prompt0/1500
Facoltativo. Cosa succede dopo: l'azione che segue, il movimento di camera e una riga sul suono. L'ultimo fotogramma fissa già soggetto e set, quindi usa le parole per il movimento. Fino a 1.500 caratteri. al massimo 1500 caratteri
Prompt negativo0/500
Ciò che non deve comparire nel nuovo segmento: una seconda persona, didascalie, un oggetto che l'ultimo fotogramma continua a riportare. Fino a 500 caratteri. al massimo 500 caratteri
Risoluzioneincide sul prezzo
Risoluzione con cui viene generato il nuovo segmento: 480p, 720p o 1080p, predefinita 720p. Usa la risoluzione dell'originale per evitare un salto di nitidezza alla giunzione. L'MP4 unito mantiene la frequenza di fotogrammi e l'inquadratura della tua clip, senza bande nere. Per allineare la giunzione, l'immagine può essere ritagliata o regolata di pochi punti percentuali ai bordi. Se il modello restituisce proporzioni nettamente diverse, il nuovo segmento viene ridimensionato per riempire la tua inquadratura e centrato, e ciò che sporge viene ritagliato. Determina il prezzo.
Durataincide sul prezzo
510
Durata del nuovo segmento: esattamente 5 o 10 secondi, 5 per impostazione predefinita. L'originale si aggiunge davanti e non viene addebitato. I segmenti brevi reggono meglio mani e capelli, quindi definisci prima l'aspetto a cinque secondi.
Audio di input0/1
URL dell’asset
Trascina qui un file audio, oppure sfoglia · 1 file · Max 90 MB · MP3 · WAV
0 / 1 file
Audio per il nuovo segmento: una battuta o uno stacco musicale da seguire, così parlato e colpi di ritmo cadono dove te li aspetti. WAV o MP3, da 3 a 30 secondi e fino a 15 MB. Un audio più lungo del nuovo segmento viene tagliato alla fine; se è più corto, il resto del segmento resta muto. L'originale mantiene il suo audio. almeno 1 caratteri

Controllo di sicurezzaDisattivato

SpicyAPI non applica nessun controllo di sicurezza a questo modello. Il tuo prompt e i tuoi media arrivano al modello così come li hai scritti, ed è il modello stesso a decidere che cosa torna indietro.

Controllo del tuo account prima di abilitare invio e prezzi.

1 campo obbligatorio mancante: Video di input

Output

Pronto per una nuova esecuzione

Il tuo risultato comparirà qui.

Configura gli input, controlla la stima, poi esegui il modello.

{
  "model": "alibaba/wan-2.5/video-extend",
  "input": {
    "resolution": "720p",
    "duration_seconds": 5,
    "enable_prompt_expansion": false,
    "prompt": "Continue the scene naturally, keeping the same subject, camera movement and lighting."
  }
}

Introduzione

Estensione video con Wan 2.5. Invia la clip che vuoi continuare e descrivi cosa succede dopo: l'ultimo fotogramma della tua clip diventa il fotogramma iniziale di una nuova ripresa Wan 2.5 da immagine a video, e l'originale e il nuovo segmento tornano uniti in un unico MP4. Il campo facoltativo audio_url definisce solo il suono del nuovo segmento. Si pagano solo i secondi nuovi.

Specifiche di Wan 2.5 · Video Extend
Campo	Valore
Input	Video
Output	Video
Produttore	Alibaba
Endpoint pubblicati	text-to-video, image-to-video, video-extend
Durata del clip	5 o 10 secondi – predefinito 5
Risoluzione	480p, 720p, 1080p – predefinito 720p
Proporzioni	16:9, 9:16, 1:1, 4:3, 3:4 su text-to-video; image-to-video segue il fotogramma
Audio	Generato insieme alle immagini; `audio_url` facoltativo da seguire
Fatturazione	Al secondo di video, con la tariffa decisa dalla risoluzione

Caratteristiche principali

Dagli la battuta, e la bocca la segue

Tutti gli endpoint accettano audio_url. Invia una battuta registrata o un attacco musicale e il clip generato adatta il movimento e la forma della bocca a quel file invece di inventare il proprio ritmo. È il modo più semplice per far cadere un'inquadratura parlata esattamente sulle parole che hai già approvato.

Parametri della richiesta

Parametri della richiesta di Wan 2.5 · Video Extend
Parametro	Obbligatorio	Nota
`prompt`	No	Facoltativo. Cosa succede dopo: l'azione che segue, il movimento di camera e una riga sul suono. al massimo 1500 caratteri
`negative_prompt`	No	Ciò che non deve comparire nel nuovo segmento: una seconda persona, didascalie, un oggetto che l'ultimo fotogramma continua a riportare. Fino a 500 caratteri. al massimo 500 caratteri
`video_url`	Sì	La clip da continuare: MP4, MOV o WebM, fino a 60 secondi. almeno 1 caratteri
`resolution`	No	Risoluzione con cui viene generato il nuovo segmento: 480p, 720p o 1080p, predefinita 720p. Usa la risoluzione dell'originale per evitare un salto di nitidezza alla giunzione. `480p` · `720p` · `1080p` · Predefinito: `720p`
`duration_seconds`	No	Durata del nuovo segmento: esattamente 5 o 10 secondi, 5 per impostazione predefinita. L'originale si aggiunge davanti e non viene addebitato. `5` · `10` · Predefinito: `5`
`audio_url`	No	Audio per il nuovo segmento: una battuta o uno stacco musicale da seguire, così parlato e colpi di ritmo cadono dove te li aspetti. WAV o MP3, da 3 a 30 secondi e fino a 15 MB. almeno 1 caratteri
`enable_prompt_expansion`	No	Disattivata per impostazione predefinita. Attivala per un'idea di una riga; lasciala spenta quando il prompt descrive già un'azione precisa. Predefinito: `false`
`seed`	No	Da 0 a 2147483647. Fissalo per confrontare risoluzione o durata sulla stessa clip; per un risultato casuale, ometti il campo invece di inviare 0. `≥ 0` · `≤ 2147483647`

Prezzi

Si paga ogni secondo del nuovo segmento alla risoluzione che scegli; la clip originale che invii non viene addebitata.

Prezzi
Specifiche	Prezzo
`480p`	$0.045 / secondo
`720p`	$0.09 / secondo
`1080p`	$0.135 / secondo

Casi d’uso

Clip social brevi con il suono attivo

Scegli 9:16 su text-to-video, tieni il clip a cinque secondi e lascia che la colonna sonora torni dentro il file. Niente richiede un passaggio audio separato prima di pubblicare, il che rende realistico un lotto quotidiano di bozze.

Inquadrature parlate da un copione approvato

Parti da un ritratto su image-to-video e passa la battuta registrata come audio_url. Il volto arriva dal fotogramma e i tempi dal file, così le revisioni si concentrano sull'interpretazione invece che sul sincronismo.

Momenti di prodotto da un solo packshot

Usa il packshot come fotogramma iniziale e descrivi un solo movimento di macchina. Poiché il fotogramma fissa etichetta e silhouette, al prompt bastano luce e movimento, e un rendering a 1080p è pronto da ritagliare.

Consigli avanzati

Scegli in base a ciò che hai già

Solo un'idea → text-to-video, dove aspect_ratio decide la forma. Un fermo immagine da muovere → image-to-video, dove il clip eredita le proporzioni del fermo immagine. Un clip già esistente prosegue con video-extend. Tutti condividono durate, risoluzioni e controlli audio.
Fissa l'inquadratura a cinque secondi e 720p

Scrivi soggetto, un'azione, un movimento di macchina e una riga sul suono. Tieni fermo il seed mentre iteri, poi rigenera la ripresa scelta a 10 secondi oppure a 1080p.
Invia in modo asincrono

Crea l'attività con una Idempotency-Key, conserva l'id e interroga oppure registra un callback. Il video finito viene servito dallo storage della piattaforma.

Introduzione

Wan 2.5 Estensione video continua una clip che hai già. Inviala in video_url e, se vuoi, un prompt su cosa succede dopo. L'ultimo fotogramma della tua clip diventa il fotogramma iniziale di una nuova ripresa Wan 2.5 da immagine a video di 5 o 10 secondi, e le due parti vengono unite in un unico MP4: prima il tuo originale, poi la continuazione, senza il fotogramma ripetuto nel punto di giunzione. Il nuovo segmento torna anche come file a sé, così puoi continuare a estendere o modificare i pezzi separatamente.

Funzionalità principali e punti di forza

La continuità viene dall'ultimo fotogramma. Costumi, set, luce e posizione di ciascuno si mantengono perché il nuovo segmento parte letteralmente dal tuo ultimo fotogramma. Il movimento non si trasmette allo stesso modo: il modello vede un solo fermo immagine, non l'intera clip, quindi descrivi il movimento che vuoi continuare invece di dare per scontato che mantenga velocità o direzione.

Ricevi un file e, a parte, il pezzo nuovo. L'MP4 unito mantiene la frequenza di fotogrammi e l'inquadratura della tua clip, senza bande nere. Per allineare la giunzione, l'immagine può essere ritagliata o regolata di pochi punti percentuali ai bordi. Se il modello restituisce proporzioni nettamente diverse, il nuovo segmento viene ridimensionato per riempire la tua inquadratura e centrato, e ciò che sporge viene ritagliato. È codificato come MP4 H.264 con audio AAC. L'audio del tuo originale resta, quello del nuovo segmento lo segue e un lato muto viene riempito con silenzio, così immagine e suono restano in sincronia nella giunzione. Il secondo asset dell'output è il solo nuovo segmento, pronto per un'altra estensione o per un editor.

Porta il tuo audio per la parte nuova. Passa audio_url e il nuovo segmento viene costruito su quella traccia, così una battuta o un colpo di ritmo cadono dove te li aspetti. Agisce solo sul nuovo segmento: il tuo originale mantiene l'audio che aveva e le due parti vengono unite così come sono.

Tutto il resto è Wan 2.5 da immagine a video. Il nuovo segmento usa gli stessi percorsi, con lo stesso margine sui contenuti e lo stesso prezzo al secondo dell'endpoint da immagine a video, e una generazione fallita viene rimborsata allo stesso modo. Se la generazione riesce ma non si riesce a costruire l'unione, l'attività fallisce e l'importo viene rimborsato.

Casi d'uso

Allunga una ripresa finita troppo presto: un piatto girevole per prodotti che si ferma prima che l'etichetta guardi in camera, o una camminata tagliata prima che la persona arrivi alla porta. Estendila di qualche secondo e descrivi solo il movimento che manca.

Costruisci una sequenza più lunga passo dopo passo. Genera una prima ripresa, estendila e poi estendi di nuovo il risultato unito; ogni passaggio addebita solo i secondi che aggiunge. Poiché ogni passaggio parte da un solo fotogramma, controlla ogni giunzione prima di impilare la successiva.

Guida ai prompt e consigli

Descrivi il momento successivo, non l'intera scena. Il fotogramma stabilisce già chi e dove; dedica il prompt all'azione che segue, al movimento di camera e al suono. Ripeti il linguaggio di camera con cui finiva la tua clip, come una lenta spinta in avanti o un'inquadratura fissa, perché la giunzione si legga come un'unica ripresa. Il prompt è facoltativo, ma una riga d'azione chiara dà un movimento più stabile di nessuna.

Taglia prima di estendere. L'ultimo fotogramma è l'unica immagine che il modello vede, quindi un finale sfocato, tagliato a metà movimento o molto compresso passa direttamente nella continuazione. Taglia prima l'originale su un fotogramma pulito e nitido. Sono accettati originali fino a 60 secondi in MP4, MOV o WebM.

Allinea la risoluzione a quella dell'originale. resolution stabilisce solo la nitidezza con cui viene generato il nuovo segmento. Scegli la risoluzione dell'originale e imposta duration_seconds sulla durata che ti serve davvero: l'addebito riguarda solo il nuovo segmento.

Usa solo materiale autorizzato. Non creare contenuti sessuali che coinvolgano minori, immagini intime non consensuali o impersonificazioni ingannevoli di persone reali.

Sei responsabile dei diritti, del consenso, della privacy e dell'uso consentito di ogni prompt e di ogni file caricato.

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/video-extend",
  "input": {
    "duration_seconds": 5,
    "resolution": "720p",
    "video_url": "https://example.com/reference.mp4"
  }
}'

# 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.

Modelli correlati e attività successive

Manca il modello che ti serve?

Dicci cosa aggiungere e dove lo useresti. Le richieste arrivano a chi decide quali modelli integrare per primi.

VIDEO CON IL SUONO

Scrivi un'inquadratura o invia un fotogramma e ottieni 5 o 10 secondi con il suono.

Numeri chiave

Endpoint: 3; Text-to-video, image-to-video e video-extend, ciascuno con il proprio contratto.
Durata: 5/10; Due durate fisse. I valori intermedi vengono rifiutati, non arrotondati.
Risoluzione max: 1080P; 480p, 720p o 1080p per singola richiesta; 720p per impostazione predefinita.
Suono: AUDIO; Generato nello stesso passaggio delle immagini.
Proporzioni: 5; Cinque su text-to-video; image-to-video mantiene la forma del fotogramma.
Ingresso audio: AUDIO IN; audio_url dà al clip una battuta o un tempo su cui cadere.

Prima di spendere

text-to-video

Cinque proporzioni: 16:9, 9:16, 1:1, 4:3 e 3:4. A 480p vengono generate solo le forme orizzontale, verticale e quadrata; chiedi 4:3 o 3:4 a 720p o più. Un volto o un prodotto specifico non è qualcosa che il solo testo riesce a mantenere tra un tentativo e l'altro.

image-to-video

Il fotogramma iniziale è obbligatorio e decide guardaroba, set, luce e forma; qui non c'è un campo per il rapporto, quindi ritaglia prima l'immagine. Il prompt è facoltativo, ma una riga d'azione chiara dà un movimento molto più stabile.

all

La durata è esattamente 5 o 10 secondi. I clip più lunghi derivano di più su mani, capelli e dettagli fini. Sei responsabile del consenso, dei diritti e delle leggi locali per tutto ciò che carichi o rappresenti. Le pagine pubbliche e gli esempi restano adatti a un pubblico generico.

Che cosa fa

A tempo con la tua traccia
Dagli la battuta, e la bocca la segue
Tutti gli endpoint accettano audio_url. Invia una battuta registrata o un attacco musicale e il clip generato adatta il movimento e la forma della bocca a quel file invece di inventare il proprio ritmo. È il modo più semplice per far cadere un'inquadratura parlata esattamente sulle parole che hai già approvato.

Dove si inserisce

Clip social brevi con il suono attivo
Scegli 9:16 su text-to-video, tieni il clip a cinque secondi e lascia che la colonna sonora torni dentro il file. Niente richiede un passaggio audio separato prima di pubblicare, il che rende realistico un lotto quotidiano di bozze.
Inquadrature parlate da un copione approvato
Parti da un ritratto su image-to-video e passa la battuta registrata come audio_url. Il volto arriva dal fotogramma e i tempi dal file, così le revisioni si concentrano sull'interpretazione invece che sul sincronismo.
Momenti di prodotto da un solo packshot
Usa il packshot come fotogramma iniziale e descrivi un solo movimento di macchina. Poiché il fotogramma fissa etichetta e silhouette, al prompt bastano luce e movimento, e un rendering a 1080p è pronto da ritagliare.

Creato con Wan 2.5

5 s
10 s
5 s
5 s
10 s
5 s
10 s

Riferimento del modello

Riferimento dell’API di Wan 2.5

Specifiche dell’API di Wan 2.5

Produttore: Alibaba
Endpoint pubblicati: text-to-video, image-to-video, video-extend
Durata del clip: 5 o 10 secondi – predefinito 5
Risoluzione: 480p, 720p, 1080p – predefinito 720p
Proporzioni: 16:9, 9:16, 1:1, 4:3, 3:4 su text-to-video; image-to-video segue il fotogramma
Audio: Generato insieme alle immagini; audio_url facoltativo da seguire
Fatturazione: Al secondo di video, con la tariffa decisa dalla risoluzione

Come chiamare l’API di Wan 2.5

1. Scegli in base a ciò che hai già
Solo un'idea → text-to-video, dove aspect_ratio decide la forma. Un fermo immagine da muovere → image-to-video, dove il clip eredita le proporzioni del fermo immagine. Un clip già esistente prosegue con video-extend. Tutti condividono durate, risoluzioni e controlli audio.
2. Fissa l'inquadratura a cinque secondi e 720p
Scrivi soggetto, un'azione, un movimento di macchina e una riga sul suono. Tieni fermo il seed mentre iteri, poi rigenera la ripresa scelta a 10 secondi oppure a 1080p.
3. Invia in modo asincrono
Crea l'attività con una Idempotency-Key, conserva l'id e interroga oppure registra un callback. Il video finito viene servito dallo storage della piattaforma.

In breve

Wan 2.5 è pubblicato su questa piattaforma come API indipendenti. Text-to-video prende un'inquadratura scritta e una delle cinque proporzioni; image-to-video prende un fotogramma iniziale e ne mantiene la forma; estensione video continua un clip esistente. Tutti restituiscono esattamente 5 o 10 secondi a 480p, 720p o 1080p, con il suono generato insieme alle immagini, un audio_url facoltativo per i tempi di dialoghi o musica, un negative prompt e un seed. Le attività girano in modo asincrono e sono fatturate al secondo di video consegnato, con la tariffa decisa dalla risoluzione che scegli.