Wan 2.2 Image-to-Video: 速度、フレーミング、同一性

Wan 2.2 Image-to-Video は、渡した画像に追従し、プロンプトが動かすと指示したものだけを動かします。つまり良いプロンプトは短く、見える動作ひとつ、カメラの挙動ひとつ、そして止めたままにしておくものについての一行で足ります。失敗の多くは、言葉が少ないことではなく、冒頭フレームや指示の重なりから起こります。ここではその構造、手順を追った一本の clip、そして各失敗の直し方を見ます。

エンドポイントごとに制御できること

いずれもアスペクト比の項目はありません。clip は画像の形をそのまま取るため、アップロード前に 16:9 か 9:16 にトリミングしてください。緩和とは、ベースモデルが明示的なリクエストを弱めるか拒否しうる、という意味です。Spicy エンドポイントは無制限と表示されますが、すべてのリクエストがそのまま納品される保証はありません。職場で見ても問題のない（SFW）素材にはベースエンドポイントを、無検閲モデルが必要なコンテンツには Spicy エンドポイントを使ってください。以下のプロンプト手法はどちらでも同じです。

プロンプトの前にフレームを整える

画像は被写体、服装、セット、光の向きを与えるので、プロンプトがそれらをもう一度書く必要はありません。プロンプトがすべきなのは、動きを可能にすることです。

• 動くもの全体を写す。 歩行という動作には脚が画角に必要です。手を伸ばすという動作には、手と対象が見える必要があり、マグカップの後ろに隠れた手では足りません。
• 進む向きに余白を残す。 右端の被写体は、画角から外れるかカメラを動かさないと右へ一歩踏み出せません。
• 動かしたくないものを除く。 写り込んだ人物、オーバーレイ、焼き込み文字、ウォーターマークは、そのまま clip の中に入り込みます。
• 元画像の欠陥を先に直す。 静止画にある余分な指や宙に浮いたカップは、動画にも出てしまいます。

プロンプトの構造

次の順番で書きます。誰かまたは何がどう動くか、次にカメラ、次に何が止まったままか、光がどう動くか。見た目は画像に任せます。

これは Wan 2.2 のモデルページにある具体例です。元画像は無地のグレーの背景を持つ全身スタジオポートレート、720p です。

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.

うまくいくのは、各瞬間が最初のポーズから見える変化であり、カメラが固定と明記され、終わりにカットできる静止があるからです。人物にはカメラへ向かって歩く余裕があります。元画像が床つきの全身フレームだからです。

商品の撮影でも同じ型で、カメラか光が動きを担い、何を動かしてはいけないかを明示する一行を添えます。

The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move.

ここで見える仕事をするのは光だけです。ラベルとシルエットは光の帯がガラスを横切っても安定し、依頼したカメラの弧はほとんど気づけない程度です。はっきりと見える回転がほしいときは、同じ文の中で光を変えずに、カメラの移動だけを大きく依頼してください。

Playground で試す

1. Wan 2.2 image to video を開き、Playground タブの Form ビューに留まって、ログインして実行します。
2. 冒頭のフレームを Input image に配置します（JPG、PNG、または WEBP、最大 10 MB）。希望する形にトリミングしておきます。
3. Prompt にプロンプトを貼り付けるか、全身のサンプルをすでに埋めた Playground を開きます.
4. 下書きのあいだは Resolution を 480p のままにし、Seed を設定し、カメラが動く場合は Negative prompt に zoom, sudden reframing, cuts, second person を加えます。Prompt expansion は正確な動作にはオフのまま、一行のアイデアのあいだだけオンにしてください。
5. 実行し、残す clip を同じ seed で 720p にして送り返します。

続いて API

プロンプトが動くようになったら、同じリクエストをコードから送ります。項目と戻り値は API リファレンス にあります。

{
  "model": "alibaba/wan-2.2/image-to-video",
  "input": {
    "image_url": "https://example.com/your-full-body-portrait.png",
    "prompt": "She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.",
    "negative_prompt": "zoom, sudden reframing, cuts, second person",
    "resolution": "480p",
    "seed": 14327
  }
}

480p で下書きし、残す clip を "resolution": "720p"、同じ seed で送り返します。

Agent に任せる。 アシスタントは同じ呼び出しを CLI（npx @spicyapi/cli tasks create --model alibaba/wan-2.2/image-to-video --input-file input.json --wait。このリクエストの input オブジェクトを input.json に入れておきます）、MCP サーバー（npx --yes --package=@spicyapi/mcp spicyapi-mcp）、Agent Skill（npx skills add spicyapi-ai/spicy-skill）から実行できます。CLI と MCP は価格を表示し、タスクを作る前に確認を求めます。

ゆっくり見える動きの直し方

遅い clip の原因は主に次の四つのうちいずれかで、原因ごとに直し方が異なります。

• 雰囲気を表す語。 「calm」「dreamy」「cinematic」はスローモーションを前提にします。それらを外し、動作が完了した終了状態を持つ通常速度のジェスチャーとして書きます。
• clip に対して動きが多すぎる。 立ち上がる、部屋を横切る、飲み物を注ぐは五秒には収まりません。ひとつのジェスチャーにするか、複数の clip に分け、それぞれ自分のフレームから始めてください。
• 動作が小さすぎる。 ごく小さな動きは静止として読まれます。動く部位と、どこに着地するのかを明示します。
• 終わりがない。 最後のフレームで手がまだ動いているなら、移動を短くするか、保ったままの終末ポーズを加えます。

Spicy エンドポイントでは、8 秒の選択肢が本当に時間を要するアクションに役立ちます。

不要なズームとカットの直し方

ほしいカメラの移動を明示してください。「dynamic camera」はどれでも許してしまいます。ズームはスケールを変え、ドリーはカメラ位置を変え、パンは視線を回転させ、オービットは被写体のまわりを回ります。カメラを固定するには肯定的に書き（"locked camera, fixed medium distance"）、ベースエンドポイントには zoom, reframing, cuts のような短い否定指示を添えてください。Spicy と Spicy LoRA には否定の項目がないので、肯定の指示だけに頼ってください。

カメラを責める前に背景を見てください。目印がそのまま残って被写体だけが大きくなるなら、被写体がレンズのほうへ寄っています。前方への動きを減らすよう依頼します。画角全体のスケールが変わるならカメラの問題なので、カメラの文だけ変えて、ほかはすべて同じにします。背景がぼけた被写界深度の浅いポートレートでは判断が難しいので、背景の特徴が認識できる元画像から始めてください。

同一性のドリフトの直し方

冒頭、中央、最後のフレームを並べ、モデルが隠れた部分を推測で埋めることになる回転や遮蔽を見ます。三つの修正でほとんどの場合をカバーできます。

• 同時に動く量を減らす。 頭とカメラを固定した小さなジェスチャーの方が、オービットを伴う完全な回転よりも同一性を保ちます。動きはひとつずつ戻します。
• プロンプトを画像に合わせる。 フレームが暗いジャケットで、プロンプトが青いシャツなら、変更を要求していることになります。
• より良い元画像を選ぶ。 商品ラベルの反対側のように、側面や背面が重要な場合は、それが見えるフレームを送ってください。見えないものはモデルも読めません。

強い影は同一性の変化に見えることがあるので、色だけでなく形と模様も比較してください。

一度に一つずつ直す

同じ画像、同じ解像度、同じ seed を使い、試行ごとに一文だけ変えて、順番は動作、次が速度、その次がカメラ。静止画ではジェスチャーが機敏だったか、物が無傷のままだったかは分からないため、clip 全体を通常速度で判断します。始め、最大の動き、最後の一秒を見てください。文言を三つ変えても何も変わらなければ、フレームを替えてください。新しいフレームには、初期状態に合わせて動作を書き直す作業も伴います。

エンドポイントを切り替えるとき

• 終端フレームまたは 8 秒: Wan 2.2 Spicy を使います。シームレスなループには last_image_url を冒頭の静止画に向け、特定の場所で映像を止めたい場合は別の構図に向けます。上であげたものと同じ形式のリクエストに "duration_seconds": 8 を付けて送ってください。
• 独自のスタイルやモーションのアダプター: Wan 2.2 LoRA を使うか、内容が無検閲モデルを必要とする場合は Wan 2.2 Spicy LoRA を使い、各リストに LoRA を最大三つまで入れます。カメラや動きのスタイルは high_noise_loras、テクスチャや粒子感は low_noise_loras に入れてください。スタイル名をプロンプトにも書くと効果が二重になりがちです。強度は 480p、固定 seed で走らせます。長いシーンには LoRA ファミリーに動画延長タスクもあります。
• 単純な五秒の動作: ベースエンドポイントで十分です。

下書きの予算

ベース価格はリクエスト単位です。長さを掛けてはいけません。残す clip を 720p で作り直すと、ベース価格と秒単位の料金の両方が倍になります。速度とカメラは 480p で確かめますが、判断対象の欠陥がラベルや指のような小さなディテールなら 720p を使ってください。

次に読むもの

映像に終端フレーム、より長い尺、アダプターが必要なら、言葉を足すのではなくエンドポイントを変更します。バージョン間のポリシー差は Wan versions の記事、アダプタースロットは high noise / low noise LoRA ガイド を参照してください。