Wan 2.6 参照動画生成 API：クリップから被写体を出す

Wan 2.6 の参照動画生成は、出演させたい人物・動物・物体の短いクリップを 1〜3 本と、新しいシーンを描くプロンプトを受け取ります。クリップが誰や何を登場させるかを決め、プロンプトは被写体が立つ場所、行動、カメラと光の扱いを決めます。結果は 720p か 1080p、5 つのアスペクト比のいずれか、1 カットまたは複数のカットで、2〜10 秒の長さになります。720p で 1 秒あたり $0.065、1080p で $0.0975 で、送った参照映像の秒数も課金対象です。

映像が主役で、舞台だけが新しいときに使います。プレゼンターを 1 回だけ撮影して、複数の場所へ配置する場合です。新しいシーズン向けに製品クリップを作り直す場合にも向いています。承認済みの静止画で最初のフレーム、セット、比率を決める必要がある場合は、代わりに Wan 2.6 image-to-video を使ってください。最大 2 枚の静止画も受け付けるので、クリップと一緒に送ることも、静止画だけで送ることもできます。音声参照のフィールドはありません。Wan 2.6 のタスクのうち、Filtered tier にあるのはこの 1 つだけです。

まず Playground で試す

1. reference-to-video ページ を開き、Form ビューの Playground タブを開いたままにします。実行には入金済みのアカウントでログインします。
2. Reference videos の下で、Add a file を使ってトリミング済みのクリップを 1〜3 本追加するか、Asset URL でリンクを貼り付けます。最初に追加したクリップはプロンプトで character1、2 本目は character2、3 本目は character3 と呼びます。
3. Prompt は、このページのシーンセクションの例のように書きます。各クリップが何をもたらすかを書いてから、舞台、行動、カメラと光の扱いを決めます。
4. Resolution は 720p、Duration は短めの 5、Aspect ratio は納品する形、Shot structure は最初のテストで Single take にします。
5. Seed を決めて、クリップを 1 本ずつ差し替える間は固定します。Negative prompt は、毎回出てきてしまうものだけを指定します。
6. 参照秒数を含む価格の見積もりを確認してから実行します。キャスティングが合ったら 1080p に上げます。

リクエストで受け付けるもの

タスクは alibaba/wan-2.6/reference-to-video です。

別の Wan 2.6 タスクからフィールドをコピーしないでください。このペイロードに image_url や音声系フィールドを入れるのは、弱いプロンプトではなく契約違反です。

参照クリップを選んでトリミングする

各クリップは、被写体が 1 つだけ、フレーム内で大きく、明るい状態で、可能なら複数の角度から見えるのが理想です。被写体が小さくバックライトだと表現は近似に留まり、空の場所のクリップはモデルに キャスティングの対象を何一つ与えません。設定はプロンプトから来ます。複数人が映っているクリップは誰が キャスティングされるのかが曖昧になるので、被写体が最も鮮明に読み取れる区間だけクロップするかトリミングしてください。

アップロードする前にトリミングしてください。参照した秒数は課金対象であり、鮮明な数秒のほうが、だらだら続く長いテイク よりもよく伝わります。

2 本目や 3 本目を増やすのは、新しい被写体が必要なときだけ

追加のクリップ 1 本ごとに、モデルが整理すべきアイデンティティ・動き・背景が加わります。シーンに別の被写体が必要なとき（整備士のそばに立つ店主など）、あるいは 1 本目のクリップで物体の特徴が隠れているとき（バイクの前のカーゴボックスなど）に 2 本目を送ってください。2 人目には異なる位置と動作を割り当ててください。似た顔が似た位置にいると混ざって判別できなくなります。同じ被写体を別の服装で映した 2 本のクリップなら、送信前に 1 本に絞ってください。両方を求めるプロンプトは、妥協した結果になります。

追加したクリップが役立つか確認するには、seed、Duration、Resolution、Aspect ratio、Shot structure を固定し、クリップだけ差し替えてください。seed は実行のあいだ乱数の抽選を同じに保つため、動くのは追加したクリップだけになります。ただし、フレームが完全に一致する再実行を保証するものではありません。

クリップを軸にシーンを書く

送信した順番に、各クリップを character1、character2、character3 と呼んでください。モデルが認識するのはこの名前だけで、「Clip 1」や「整備士のクリップ」と書いても推測に頼るしかありません。まず各クリップが何をもたらすのかを書き、続けて舞台、アクション、カメラ、照明を決めます。映像がすでに見せている内容を説明し直さないでください。1,500 文字の枠を圧迫し、クリップと競合します。アクションが 1 つだけ明確な 1 カットを書き、物語を求める前にキャスティングが成功したか判断できるようにしてください。

character1 is the mechanic: keep the short silver hair and indigo apron.
character2 is the teal cargo bicycle: keep its front box and cream tires.
Place them in a quiet produce market at dawn. One continuous medium-wide shot:
character1 wheels character2 a few steps and stops beside a vegetable stall.
Slow sideways camera move, soft morning light, distant market ambience.

実行のたびに現れてくるもの（余分な人物、画面上のキャプション、クリップに写った小道具など）には negative_prompt を使い、除外項目を最初にすべて書き並べるのは避けてください。試行ごとに変えるのは 1 点だけにしてください。作業場の要素が市場に紛れ込む場合は、行き先を明確にしてクリップをトリミングしてください。服装・カメラ・時間を一度に変えると、どの修正が効いたのか分かりません。

1カットまたはマルチショット

single は 1 回の連続したテイクをそのまま保ちます。動きの途中で被写体が入れ替わらないかを確認できるため、最初のテストにはこれが適しています。multi はモデルがシーンの中でカットを入れる形です。2〜3 秒のクリップにはカットの余地がほとんどないため、6 秒程度から効果が出ます。カットの指定はプロンプト内の番号付きショットリストで行います。たとえば中景での到着のあと、バイクが停止するクローズアップを続けます。カットのあとで被写体が同じかを確認してください。

形、サイズ、長さ

アスペクト比はクリップから読み取るものではなく、リクエストでの選択です。そのため 1 組の参照資料を複数の形で納品でき、縦の納品に縦のソース映像は必要ありません。選んだフレームに合わせてシーンを書いてください。全幅の市場パノラマは 9:16 の納品には合いません。横の結果を後から切り取るのではなく、最終の比率を試してください。切り取りはうまくいかなかった部分を隠してしまうことがあるためです。

Duration は価格を決める最大の要素で、似姿がずれていく部分でもあります。最初の 1 秒だけでなくクリップ全体を通しで再生し、長い長さに決める前に最後の 1 秒を注意深く確認してください。Resolution はレートとレンダリング時間を決めます。被写体の誤りを直す効果はないので、キャスティングは 720p で確定させ、最終稿で 1080p に上げてください。

それからコードで実行する

Python SDK（pip install spicyapi）をインストールし、サーバー環境で SPICY_API_KEY を設定し、プレースホルダーのリンクを使用可能なクリップに差し替えて実行してください。

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="alibaba/wan-2.6/reference-to-video",
    input_data={
        "prompt": "character1 is the mechanic and character2 is the teal cargo bike. At a quiet "
                  "produce market at dawn, character1 wheels character2 forward and stops beside "
                  "a vegetable stall. One medium-wide continuous shot, slow sideways camera move, "
                  "distant market ambience.",
        "reference_video_urls": [
            "https://example.com/mechanic.mp4",
            "https://example.com/cargo-bike.mp4",
        ],
        "duration_seconds": 5,
        "resolution": "720p",
        "aspect_ratio": "16:9",
        "shot_type": "single",
        "seed": 26017,
    },
    idempotency_key=str(uuid.uuid4()),
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
print(output_assets(final)[0]["url"])  # copy the clip to your own storage now

見積もり、待機、リトライ、コールバック、エラーコードは tasks guide と Python SDK リファレンス で説明しています。結果には有効期限があるので、retention and delivery も参照してください。このタスクに音声の入力や設定はありませんが、生成された音声付きのクリップが返ってきます。聞きたい内容をプロンプトで指定し（たとえば環境音）、特定の音声が必要なら編集で差し替えてください。

Agent に実行させる

アシスタントに生成を任せるとき、3 つの公式ツールはいずれも価格を表示し、課金される呼び出しの前に確認を求めます。

• CLI. 同じ input オブジェクトを input.json に置き、spicyapi tasks create --model alibaba/wan-2.6/reference-to-video --input-file input.json --wait を実行します。ローカルのクリップは spicyapi files upload ./mechanic.mp4 で spicy:// のアドレスが返り、reference_video_urls で使えます。CLI docs も参照してください。
• MCP server. アシスタントに MCP server を追加して、次のように依頼します。"Cast the person in /path/to/mechanic.mp4 into a dawn produce market on Wan 2.6 reference-to-video, 5 seconds, 720p." spicyapi_upload_file でファイルをアップロードし、spicyapi_task_create を呼び出すと、価格の確認で止まります。
• Skill. npx skills add spicyapi-ai/spicy-skill で Agent Skill を入れると、コーディングアシスタントがフィールドを推測せず実際のモデルスキーマを読みます。

参照秒数を予算に含める

課金される秒数は出力の長さと参照クリップの長さの合計です。各クリップは整数秒に切り上げられ、参照秒数は合計で最大 5 秒までしか数えられません。5 秒の出力に 3 秒のクリップを 1 本使うと 8 秒として請求されます。同じ出力でも、合計 9 秒のクリップを 3 本使うと 10 秒です。送信前のライブ見積もりで金額を確認できます。クリップの長さを事前に読み取れない場合、保留額は参照 5 秒として計算され、最終請求は実測した長さで確定します。

価格は記事執筆時点のカタログ価格です。短くきれいな参照資料ほど安くなります。課金される秒数が減り、モデルにも被写体が伝わりやすくなるからです。リトライは 1 回分の実行費用です。

結果を確認して直す

人物と物体は別に判断してください。一方が保たれてもう一方が崩れることがあるためです。人物については、顔と服装が振り向いてもカットのあとでも変わらず、余分な人物が被写体に割り込まないことを確認します。物体については、色だけでなく形が残っているか（カーゴボックス、車輪の本数）を確認します。普通のティール色のバイクもティールだからです。作業場のドアや道具のラックなど、クリップから持ち込んだ小物がないかチェックします。

2〜3 回修正しても被写体が定まらないなら、力で押すのではなくタスクを切り替えます。合成したスチルを image-to-video にするか、下のモデルのいずれかを使います。繰り返し使うショットは、クリップとリクエスト全体、編集前の出力を一緒に保存してください。

コンテンツ区分と同意

Wan 2.6 の image-to-video と text-to-video はUncensored ですが、reference-to-video は Filtered です。2026 年 9 月のテストでは、明示的な参照クリップが拒否されました。アダルト向けのキャスティングは別のタスクで行ってください。どの Wan バージョンが uncensored かも参照してください。参照によるキャスティングは認識できる顔を、実際には起きなかったシーンに持ち込むことになります。架空のキャラクターか、本人の同意を得た実写映像を使ってください。また、視聴者が録画と誤認しうる場面では、生成結果を生成物として明示してください。

速さ重視の Flash ティア：Wan 2.6 Flash reference-to-video

10 月 14 日から、Wan 2.6 Flash reference-to-video で、Wan 2.6 の高速・低価格な Flash ティアでも同じキャスティングができるようになりました。送るものが変わる点は 3 つあります。

• 静止画が増えます。 reference_image_urls は 2 枚ではなく最大 5 枚で、reference_video_urls の最大 3 本と合わせて参照は合計 5 件まで。画像はどちらのタスクでも課金されず、クリップは上で説明したとおり秒数が加算されます（合計 5 秒まで）。
• 音声はスイッチで切り替えます。 generate_audio の既定はオフで、映像のみが返ります。料金は 720p で 1 秒あたり $0.0225、1080p で $0.03375 です。オンにすると、生成された声・効果音・環境音が加わり、$0.045 または $0.0675 になります。このページのタスクは常に音声付きで、720p で 1 秒あたり $0.065 です。
• Uncensored です。 10 月 14 日のテストでは、アダルト向けの参照を含むリクエストも依頼どおりに返り、拒否されたものはありませんでした。

プロンプトでは参照を character1、character2 のように、クリップが先、静止画が後の順で呼びます。呼び出し名は alibaba/wan-2.6-flash/reference-to-video です。Flash は細部の描き込みを少し譲って待ち時間を縮めるので、キャスティングの下書き、量産、アダルト向けのシーンに向いています。1 テイクでフルの Wan 2.6 ティアの細かな質感まで出したいときは、このページのタスクのままにしてください。

別のモデルのほうが合う場合

参照が 3 本までのクリップと 2 枚までの静止画で、720p の最も安いキャスティング（Wan 3.0 の $0.09 に対して 1 秒あたり $0.065）と、任意のマルチショットカットが必要なら、Wan 2.6 reference-to-video のままにしてください。クリップをトリミングし、プロンプトでそれぞれに名前を付け、720p でシングルショットとしてテストし、実行前に reference-to-video タスクを開いて自分のクリップの実際の価格を確認してください。