成人キャラクターの画像と録音したせりふを使って、キャラクターも意図した雰囲気も保つ短い動画を作りたいとします。Wan 2.7 SpicyはNSFWの画像から動画への生成と音声入力に対応しているため、有望な選択肢です。
Wan 2.7 Spicyは、SpicyAPIで利用できる検閲なしの画像から動画への生成モデルです。 2026年9月のテストでは、成人向けのリクエストはすべて出力され、表現の緩和や拒否はありませんでした。
現在のタスクでは、720pまたは1080pで2–15秒の動画を生成できます。開始画像、必須の動作プロンプト、任意の生成音声、任意の音声トラックを受け付けます。5秒の費用は720pで$0.6175、1080pで$0.95です。音声の追加料金区分は記載されていません。
このテストで「検閲なし」が意味すること
SpicyAPIはWan 2.7 Spicyにプラットフォーム側のコンテンツフィルターを追加しません。ただし、実際の出力を評価する必要はあります。
強度の高いリクエストも、穏やかな代替表現に置き換えられることなく出力されました。別のテイクを作る場合は新しいseedを選び、2つの設定を比較する場合は同じシードを使います。Wan 2.7 Spicyのテストレポートをご覧ください。
これは動画版であり、Wan 2.7の画像生成モデルではありません
Wan 2.7 Spicyで公開されているタスクは、画像から動画への生成の1つだけです。開始画像と空ではないプロンプトの両方が必要です。テキストから静止画を作る機能、別の終了フレームの入力、複数のキャラクター参照画像の入力、アップロードした動画の延長には対応していません。
SpicyAPIのWan 2.7とWan 2.7 Proは、別の画像モデルです。キャラクターの説明しかない場合は、まず開始用の静止画を作ります。完成したクリップの音声を差し替える場合は動画編集ソフトを使ってください。このタスクは新しいクリップを生成します。
音声を扱う3つの方法
成人キャラクターのカタログでは、落ち着いた声、繰り返し使う室内の環境音、一貫した音楽の合図など、音もキャラクターの一部です。Wan 2.7 Spicyにはgenerate_audioとaudio_urlという2つの制御項目がありますが、役割は異なります。
| 目的とする結果 | 音声の設定方法 | 実際の使い方 |
|---|---|---|
| 後から音を付ける無音クリップ | generate_audioをfalseにし、audio_urlは空にします | 編集ソフトで承認済みの音声を追加します。 |
| 映像と一緒に新しい音を作る | generate_audioをtrueのままにし、欲しい環境音をプロンプトに記述します | 映像と一緒に声と環境音を生成します。 |
| 録音トラックに合わせたクリップ | audio_urlを指定し、generate_audioをtrueのままにします | 指定したトラックでリップシンクとテンポを誘導します。 |
generate_audioがfalseの場合、指定した音声も使われません。 したがって、録音をアップロードしてから音声をオフにする設定は、声を中心にしたクリップには適しません。WAVまたはMP3を使い、余裕を持った準備の目安として元ファイルを15 MB未満にします。生成動画の上限は15秒のままです。30秒の音声をアップロードしても、30秒の動画にはなりません。
送信前に、録音の長さを意図したショットの長さに合わせます。録音を厳密にそのまま使う必要がある場合はマスターを保管し、編集ソフトで選んだ動画に重ね、言葉が明瞭に聞こえるか耳で確認します。
録音したトラックを指定する場合はGenerate audioをオンにします。表示された設定では、書いた指示を保つためにPrompt expansionをオフにしています。
声を中心にしたキャラクタークリップの実践例
一通りそろった開始設定として、不透明なえんじ色のブラウスを着てカメラに向かって座る、38歳の架空の成人女性を使います。腰の少し下から頭の上までを画角に収めます。口が見える状態を保ち、両手は顔から離れた位置に置きます。柔らかい照明を1つ使い、部屋はシンプルにします。髪で口が隠れた横顔の画像は、発話を評価する開始画像には不向きです。
“Stay a little longer. I saved this moment for you.”のような短いオリジナルのせりふを録音します。これは詳しい成人向けシーンを含まない、成人キャラクターの予告です。処理する権限のある声を使い、録音を5秒に整えて、冒頭と末尾に短い静かな間を入れます。最初の試行では言葉に音楽を重ねないでください。声が聞き取りにくいと、生成とミックスのどちらが原因なのか分からなくなります。
Wan 2.7 Spicy Playgroundでは、次のように操作します。
- 承認済みの開始画像をInput image、録音トラックをInput audioとしてアップロードします。
- 720pで5秒を選び、Generate audioをオンのままにして、Prompt expansionをオフにします。
- 動作の指示を貼り付け、声を中心にしたテイクを生成します。
指示の例：
One continuous medium shot of the fictional adult woman in the opening image. She faces the viewer and speaks the supplied short line, then settles into a restrained smile. Keep the same burgundy blouse, face, chair and lighting. Both hands remain resting beside her waist and clear of her face. Stationary eye-level camera, unchanged framing. No cut, no other speaker and no music added over the voice. End with a quiet hold.
動きを抑えると、発話の演技を目で確認できます。声と口の動きが使える状態になってから、2つ目のショットで身振りを加えます。最初の試行で頭を回す動き、口を横切る手、動くカメラを組み合わせると、音声に合わせた演技が成立しているか判断しにくくなります。
出力を音声付きで再生します。せりふを聞き取れますか。別の声が現れていませんか。口の動きは言葉に合わせて始まり、終わっていますか。最後の笑顔で顔がゆがんでいませんか。無音の予告としては使えても、声を中心にしたクリップとしては使えない場合があります。視聴者が実際に何を聞き、何を見るかに基づいて判断します。
録音が途中で切れる場合は、長い演技を5秒のクリップに収めようとせず、短いせりふを用意します。発話中に顔が変わる場合は、正面の静止画に戻り、頭の動きをなくします。正確な発話が引き続きうまくいかない場合は、使える無音テイクを残し、目に見える口の動きと音声を合わせる必要がない場合に限り、後から録音を加えます。
意図したシーンから離れないようにする
Wan 2.7 Spicyは、プロンプトで求めた以上の動きを加えることがあります。依頼が控えめな予告である場合、追加のキャラクター、衣装の変更、予定外の成人向けシーンによって、技術的には完成した動画でも使えなくなります。バリエーションに費用をかける前に、必要な演技を指定します。
制御しやすいショットにするには、必要な1つの動作とその終了点を記述します。開始画像、衣装、部屋を変えてはいけない場合は明示します。演技の指示をすべて書き終えている場合は、Prompt expansionをオフにします。拡張はデフォルトでオンになっており、生成前にプロンプトを書き換えます。オフにすると、送信した説明がこの拡張処理で変更されず、自分の言葉が生成に渡されます。
ネガティブプロンプト欄は最大500文字を受け付けます。座っている例には、次を使います。
additional person, outfit change, scene change, zoom, camera cut, hand across face, subtitles, watermark
カメラの動きが残る場合は、肯定的な指示も修正します：“stationary eye-level camera, same waist-up framing from beginning to end.” 意図した動きが依然として別のシーンになる場合は、ショットの設計を変えるか、別のモデルを評価します。同じ不要な解釈の動画を繰り返し購入する必要はありません。
どれくらいの予算が必要ですか
公開料金は720pで出力1秒あたり$0.1235、1080pで$0.19です。掲載された料金表では、生成音声にも指定音声にも別料金は追加されません。
| クリップの長さ | 720p | 1080p |
|---|---|---|
| 2秒 | $0.247 | $0.38 |
| 5秒 | $0.6175 | $0.95 |
| 10秒 | $1.235 | $1.90 |
| 15秒 | $1.8525 | $2.85 |
2秒で開始フレームが動くか確認できますが、上記の5秒のせりふには短すぎます。720pで5秒のテイクを3本作ると$1.8525です。1080pで5秒の再生成を1本追加すると、開始画像と録音を除いた合計は$2.8025になります。10人のキャラクターにこの4回試行の手順を使う場合、動画生成の費用は$28.025です。
1080pでの再生成は新しいテイクであり、選んだ720pクリップの高解像度化ではありません。表情、タイミング、発音が変わる可能性があります。音声をオフにしても、料金表上の割引はありません。
Wan 2.7 Spicyでは、無音、生成音声、指定トラックの各設定で、5秒720pの料金は同じ$0.6175と記載されています。指定トラックを使うには音声をオンにします。
別のタスクが適している場合
完成した開始画像があり、必要に応じて録音音声を入力して短い成人向けクリップを作りたい場合にWan 2.7 Spicyを使います。2–15秒の範囲で、最長時間の料金を払わずに、必要な短い場面に長さを合わせられます。
- 録音トラックを使うクリップを安く作りたい場合： Wan 2.6 Spicyは
audio_urlに対応し、720pで5秒の費用は$0.475です。長さは5/10/15秒の固定で、音声のオン・オフ切り替えはありません。 - 終了フレームや15秒を超える動画が必要な場合： Wan 3.0 Spicyには終了画像の入力があり、2–30秒のクリップを480pで$0.057/sから生成できます。音声を生成しますが、手持ちの音声ファイルは入力できません。Wan 3.0の動画時間ガイドをご覧ください。
- 録音音声と正確な短い時間指定が必要な場合： 720pまたは1080pで、2から15までの整数秒の長さを指定するならWan 2.7 Spicyを選びます。
シリーズ内の成人向けコンテンツへの対応は、検閲なしのWan各バージョンを比較してください。
Wan 2.7 Spicyの画像から動画への生成を開き、承認済みの成人キャラクターの静止画をアップロードして、演技が収まる最短のクリップから始めます。無音、生成音声、自分の録音から意図的に選びます。アイデアをまとめて生成する前に、実際の動画と音声を評価します。
声を中心にした設定をAPIで使う
環境変数にSPICY_API_KEYを設定し、SPICY_IMAGE_URIに開始画像のアクセス可能なURLまたはアップロード済みのspicy:// URIを設定します。SPICY_AUDIO_URIには録音トラックのアクセス可能なURLまたはアップロード済みのURIを設定します。このPython 3の例では、料金を確認した後に新しいショットを1件送信します。
import json
import os
import urllib.request
import uuid
base = "https://api.spicyapi.ai/api/v1"
headers = {"Authorization": "Bearer " + os.environ["SPICY_API_KEY"],
"Content-Type": "application/json", "User-Agent": "SpicyAPI-Blog/1.0"}
settings = {
"duration_seconds": 5,
"resolution": "720p",
"generate_audio": True,
"enable_prompt_expansion": False
}
settings["prompt"] = 'The adult speaker talks in one continuous stationary shot.'
settings["image_url"] = os.environ["SPICY_IMAGE_URI"]
settings["audio_url"] = os.environ["SPICY_AUDIO_URI"]
payload = {"model": "alibaba/wan-2.7-spicy/image-to-video", "input": settings}
def post(path, body):
request = urllib.request.Request(base + path, json.dumps(body).encode(), headers)
with urllib.request.urlopen(request, timeout=60) as response:
result = json.load(response)
if result.get("code") != 200:
raise RuntimeError(result)
return result["data"]
quote = post("/jobs/quote", payload)
if input(f"Maximum charge ${quote['maxCharge']}. Type yes to generate: ") != "yes":
raise SystemExit("Stopped before generation")
headers["Idempotency-Key"] = str(uuid.uuid4())
print("Request key:", headers["Idempotency-Key"], flush=True)
task = post("/jobs/createTask", {**payload, "quoteId": quote["quoteId"],
"expectedCost": quote["estimatedCost"]})
print("Task ID:", task["taskId"])表示されたリクエストキーは、同じリクエストを復旧するために保管します。新しいショットには新しいキーを使います。結果の配信と復旧については、タスクAPIのドキュメントで説明しています。
ショットを繰り返し作る場合は、承認済みの入力ファイルをAgentに使わせます。CLIではspicyapi tasks create --model alibaba/wan-2.7-spicy/image-to-video --input-file input.json --waitを使います。MCPでは、このモデルと入力でspicyapi_task_createを呼ぶよう依頼します。Skillでは“Use the spicyapi Skill to generate this approved shot and return the result.”と依頼します。CLIとMCPは作成前に料金を表示します。Agent連携のドキュメントをご覧ください。
