Introduzione
Wan 3.0 Riferimenti in video costruisce una nuova inquadratura da 2 a 30 secondi a partire dai riferimenti che fornisci: fino a dieci immagini, cinque clip video e cinque clip audio in una sola richiesta. Serve almeno uno tra reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url e reference_link_url; il prompt è facoltativo. Usalo quando un volto, un capo, un luogo o una voce devono restare uguali in inquadrature renderizzate separatamente: text-to-video non può farlo, perché inventa un volto nuovo a ogni esecuzione. L’output è a 480p, 720p o 1080p, con 720p come predefinito.
Scegli il metodo in base al materiale di partenza
| Materiale di partenza | Metodo |
|---|---|
| Un brief scritto definisce scena, azione, camera e, quando serve, suono. | Wan 3.0 Testo in video |
| Un’immagine iniziale approvata fissa soggetto e composizione; l’istruzione dirige il movimento successivo. | Wan 3.0 Immagine in video |
| Riferimenti distinti possono guidare identità, luogo, movimento o suono, con un ruolo esplicito per ciascuno. | Wan 3.0 Riferimenti in video |
Caratteristiche principali
Immagini per identità, guardaroba e set
reference_image_urls accetta da 1 a 10 immagini — tavole di personaggio, di costume e di set — in JPEG, PNG senza trasparenza, BMP o WEBP, da 240 a 8000 pixel per lato e fino a 20 MB ciascuna. Le immagini di riferimento non vengono fatturate. Dai un nome a ciascuna nel prompt, altrimenti il modello ne fa la media e produce un soggetto che non somiglia a nessuna.
Video per il movimento, audio per la voce
I video di riferimento portano movimento e stile di camera, non un volto: fino a cinque clip MP4 o MOV, ciascuna da 1 a 15 secondi, 15 secondi in totale, almeno 16 fps. L’audio di riferimento porta una voce, una lettura di battuta o il suono di un ambiente: fino a cinque clip WAV o MP3, anche qui 15 secondi in totale. Questi limiti vengono controllati durante la generazione e non quando il task viene accettato, quindi misura le clip prima dell’invio.
Un budget di 30 secondi condiviso con l’output
I secondi dei video di riferimento vengono fatturati insieme all’output, e la durata dei video di riferimento più duration_seconds non può superare 30 secondi. Un riferimento di movimento da 12 secondi lascia quindi al massimo 18 secondi di output. Immagini e audio di riferimento non rientrano in questo budget.
Parametri della richiesta
| Parametro | Obbligatorio | Nota |
|---|---|---|
prompt | No | Opzionale. Quando lo scrivi, dichiara che cosa controlla ogni riferimento, poi descrivi l'inquadratura: soggetto, un'azione, un movimento di camera, luce e suono. almeno 1 caratteri |
reference_image_urls | No | Da 1 a 10 immagini come tavole di riferimento per identità, guardaroba e set. Indica ciascuna nel prompt – personaggio, capo, set – altrimenti vengono mediate tra loro. almeno 1 elementi · al massimo 10 elementi |
reference_video_urls | No | Fino a 5 clip, ciascuno da 1 a 15 secondi e 15 secondi in totale. Usali per il movimento e lo stile di camera, non per un volto. almeno 1 elementi · al massimo 5 elementi |
reference_audio_urls | No | Fino a 5 clip, ciascuno da 1 a 15 secondi e 15 secondi in totale: una voce, una battuta recitata o il tono d'ambiente a cui l'inquadratura deve adeguarsi. almeno 1 elementi · al massimo 5 elementi |
reference_file_url | No | Un documento che il modello legge prima di dirigere l’inquadratura: una scheda personaggio, una sceneggiatura, una lista di inquadrature o un brief di prodotto. |
reference_link_url | No | Una pagina web pubblica che il modello legge come riferimento, per esempio un articolo, una pagina prodotto o un profilo del personaggio. Deve aprirsi senza login. |
aspect_ratio | No | 16:9, 9:16, 1:1, 4:3, 3:4 oppure adaptive, che lascia scegliere al modello. Il valore predefinito è 16:9. |
enable_thinking | No | Fa ragionare il modello sulla richiesta e sul materiale di riferimento prima di generare. Predefinito: |
resolution | No | 480p, 720p o 1080p. Il valore predefinito è 720p. |
duration_seconds | No | Qualsiasi numero intero da 2 a 30, oppure -1 per la durata intelligente. Il valore predefinito è 5. |
generate_audio | No | Attivo per impostazione predefinita. Il clip torna con il suono già agganciato all'immagine. Predefinito: |
enable_prompt_expansion | No | Disattivato per impostazione predefinita. Quando è attivo, il prompt viene riscritto prima della generazione: aiuta i brief scarni e ti ostacola su quelli dettagliati. |
seed | No | Da 0 a 2147483647. Tienilo fisso per confrontare un campo modificato alla volta; toglilo quando vuoi varietà. |
Prezzi
I video di riferimento si sommano ai secondi fatturati; le immagini e l’audio di riferimento no. Poiché non possiamo misurare i tuoi spezzoni prima dell’esecuzione, blocchiamo in anticipo l’importo per i 15 secondi massimi e rilasciamo la parte non utilizzata al momento del conteggio — paghi solo i secondi effettivamente usati.
| Specifiche | Prezzo |
|---|---|
| $0.045 / secondo |
| $0.09 / secondo |
| $0.18 / secondo |
Casi d’uso
Renderizzare di nuovo la stessa interprete in una stanza nota
L’esempio personaggio e stanza invia due immagini e le nomina nel prompt: "Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room." Poi lei attraversa la stanza fino alla finestra con una lenta carrellata laterale, 8 secondi a 720p con seed 771120. Tenere fisse le due tavole e il seed cambiando solo la riga dell’azione è la forma di richiesta per il lavoro a episodi.
Una conduttrice con la voce giusta
L’esempio del monologo abbina un’immagine per il volto e l’abbigliamento della conduttrice a un riferimento audio per la sua voce. Il prompt tiene separati i due ruoli e poi descrive un mezzo campo fisso a un tavolo di cucina nella luce del mattino, 10 secondi a 720p. Conduttori, narratori e personaggi ricorrenti che devono suonare uguali in ogni ripresa seguono questo schema.
Consigli avanzati
Assegna ogni riferimento prima di descrivere l’inquadratura
Apri il prompt con una frase per ogni riferimento — quale immagine è il personaggio, quale il set, a cosa servono video o audio — poi scrivi la scena: soggetto, un’azione, un movimento di camera, luce e suono. Fornisci le immagini nell’ordine in cui le citi, perché "Image 1" e "Image 2" sono il modo in cui il prompt le indica.
Risolvi i conflitti in modo esplicito
Se una clip di movimento contiene una persona o uno sfondo che non vuoi, chiedi solo il percorso della camera o il ritmo. Non affidare lo stesso compito a due riferimenti aspettandoti che il modello scelga; decidi nel brief quale controlla l’identità e quale il luogo.
Una sola modifica per ogni ripetizione
Tieni fissi seed e l’insieme dei riferimenti e cambia una riga per tentativo — l’azione, il movimento di camera o un singolo riferimento — così ogni differenza nel risultato si può ricondurre a quella modifica. Esplora a 5 secondi e 720p prima di passare a un render più lungo o più grande, e in ogni ripresa confronta volto, abiti, luogo e voce con i rispettivi riferimenti.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.
