テキストから動画と画像から動画の違いは何ですか。

テキストから動画は、プロンプトからクリップ全体を作り、16:9 か 9:16 とネガティブプロンプトを選べます。画像から動画は、送った静止画から始まるので、被写体、セット、形がそこで決まります。LoRA の枠、長さ、解像度はどちらも同じで、1 秒あたりの料金が違います。

LoRA はいくつ付けられますか。

1 つの枠につき 3 つまでで、枠は loras、high_noise_loras、low_noise_loras の 3 つです。各項目は、重みへの直接 URL と、0 から 4 の強度（既定は 1）です。

ウェイトはどこに保存されますか。

利用者のホスティングです。各ファイルは、指定された URL から実行のあいだだけ取得され、何も保存されません。非公開のままにしたいウェイトは、署名付きリンクの向こうに置いてください。

どのリンクが使えますか。

ウェイトファイルへの直接ダウンロードリンクなら、必ず使えます。画像から動画では、ファイルは 1 GB までで、Civitai のモデルページや Hugging Face の /blob/ リンクもファイルに解決されます。テキストから動画では、.safetensors ファイルそのものにリンクしてください。リポジトリのページやログインが必要なものは、実行が失敗します。

クリップはどれくらいの長さにできますか。

ちょうど 5 秒か 8 秒です。duration_seconds は列挙型なので、6 のような値は丸められずに拒否されます。

LoRA を送らないとどうなりますか。

ベースモデル単体になります。3 つの LoRA の配列はすべて既定で空ですが、このファミリーの料金は、LoRA に対応していないバージョンとは別です。

LoRA の強度はいくつから始めればいいですか。

既定の 1 からです。プロンプトと seed を固定したまま、0.5 から 1.5 の間で動かしてください。1.5 を超えるあたりから、スタイルが被写体をスタイル付けするのではなく食い始めるのが普通です。

Wan 2.2 LoRA API｜自前の LoRA、規制なしの NSFW 動画

Q: 3 つの LoRA の枠はどう違いますか。

Wan 2.2 は 2 つの工程でノイズを除去します。high_noise_loras は構図と動きが決まる高ノイズ側の専門家に、low_noise_loras はディテールと質感が定まる低ノイズ側の専門家に付き、loras は両方に同時に効きます。高ノイズ用と低ノイズ用の 2 つのファイルで公開されている LoRA は、対応する 2 つの枠に入れます。

alibaba/wan-2.2-lora/text-to-video

Wan 2.2 LoRA のテキストから動画は、Alibaba の Wan 2.2 A14B モデルで、文章で書いた場面を 5 秒か 8 秒のクリップにします。480p か 720p、横長の 16:9 か縦長の 9:16。自前の LoRA を、高ノイズ側の工程、低ノイズ側の工程、またはその両方に 3 つまで読み込め、プロンプト、ウェイト、結果のいずれにもフィルターはかかりません。

最低価格 $0.048/秒

モデルを実行 API を見る

入力

テキストから動画

プロンプト

ネガティブプロンプト

アスペクト比

解像度料金に影響

長さ料金に影響

スタイル LoRA1/3

Vintage Cinematic Redmond Wan22

高ノイズ段階の LoRA0/3

低ノイズ段階の LoRA0/3

シード値

セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち

サンプル出力

延長

動画アップスケール

動画編集

{
  "model": "alibaba/wan-2.2-lora/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 5,
    "loras": [
      {
        "path": "https://huggingface.co/artificialguybr/Vintage-Cinematic-Redmond-Wan22/resolve/main/Vintage-Cinematic-Redmond-WAN22.safetensors",
        "scale": 1
      }
    ],
    "seed": 510531,
    "prompt": "Vintage Cinematic Color. Night in a mountain log cabin during a thunderstorm. An adult woman in her early thirties with dark tousled hair sits on a sheepskin rug in front of a roaring stone fireplace, in an oversized flannel shirt worn open over a cream silk camisole, knees drawn up, a glass of red wine in her hand. Lightning flashes blue-white through the dark doorway behind her while the firelight paints her face amber; she pulls the slipping shirt back onto her shoulder, turns her head and gives the camera a slow, smouldering look. Warm brown tones, deep shadows, slow push-in, 35mm, film grain, shallow depth of field."
  }
}

はじめに

Wan 2.2 LoRA テキストから動画 は、Alibaba の Wan 2.2 A14B モデルで、文章のプロンプトから 5 秒か 8 秒のクリップを描画し、その上に自前の LoRA ウェイトを載せます。横長の 16:9 か縦長の 9:16 を 480p か 720p で選び、ネガティブプロンプトを加え、3 つの枠それぞれに LoRA を 3 つまで付けられます。プラットフォームはプロンプト、ウェイト、クリップのいずれにもコンテンツフィルターを加えません。

手元の素材からモードを選ぶ

手元にあるもの	モード
文章で書いた説明	Wan 2.2 LoRA テキストから動画
動かしたい開始フレーム	Wan 2.2 LoRA 画像から動画

主な機能とハイライト

2 人の専門家、3 つの LoRA の枠

Wan 2.2 A14B は、ノイズ除去を、レイアウトと動きを決める高ノイズ側の専門家と、ディテールを仕上げる低ノイズ側の専門家に分担させます。high_noise_loras と low_noise_loras はそれぞれ片方の専門家を、loras は両方を対象にします。Hugging Face や Civitai にある Wan 2.2 の LoRA の多くは、高ノイズ用と低ノイズ用のファイルが対になって公開されており、2 つの枠はそれをそのまま受け取れます。

横長も縦長もネイティブで描画

16:9 は 832×480 か 1280×720、9:16 は 480×832 か 720×1280 で返ります。縦長のクリップは、横長のカットから切り抜かれるのではなく、スマホ向けの構図で作られます。

再現しやすい実行

当社のテストでは、同じ seed と同じ入力で、同一のクリップがバイト単位で返りました。これにより、LoRA の強度の掃引が正確になります。scale を 1 つだけ変え、ほかをそのままにすれば、見える違いは LoRA によるものです。

ネガティブプロンプト

画像から動画のエンドポイントと違い、こちらは negative_prompt を受け付け、ブレ、余分な指、迷い込む文字など、ショットに入れたくないものを指定できます。

リクエストパラメーター

Wan 2.2 LoRA · Text To Video のリクエストパラメーター
パラメーター	必須	説明
`prompt`	はい	必須です。人物、動作、カメラの動きを普通の文章で書き、画面の誰についても年齢を明記してください。 1 文字以上
`negative_prompt`	いいえ	クリップに入れたくないもの。ブレ、余分な指、文字、透かしなど。
`aspect_ratio`	いいえ	16:9（既定）か 9:16。どちらもネイティブで描画され、正方形やほかの比率の選択肢はありません。 `16:9` · `9:16` · デフォルト値: `16:9`
`resolution`	いいえ	480p（既定）か 720p。720p は 1 秒あたりの料金が高く、時間もおよそ 2 倍かかります。 `480p` · `720p` · デフォルト値: `480p`
`duration_seconds`	いいえ	ちょうど 5 か 8。それ以外の値は丸められずに拒否されます。 `5` · `8` · デフォルト値: `5`
`loras`	いいえ	両方の専門家に効く {path, scale} を 3 つまで。scale は 0 から 4 で、既定は 1。デフォルト値: `[]` 3 件以内
`high_noise_loras`	いいえ	構図と動きが決まる高ノイズ側の専門家に、LoRA を 3 つまで。対になった Wan 2.2 LoRA の高ノイズ用ファイルは、ここに入れます。デフォルト値: `[]` 3 件以内
`low_noise_loras`	いいえ	ディテールと質感が定まる低ノイズ側の専門家に、LoRA を 3 つまで。対になった Wan 2.2 LoRA の低ノイズ用ファイルは、ここに入れます。デフォルト値: `[]` 3 件以内
`seed`	いいえ	0 から 2147483647。当社のテストでは、同じ seed と同じ入力で同一のクリップが返りました。 `≥ 0` · `≤ 2147483647`

料金

選んだ解像度で、動画 1 秒ごとに課金されます。720p は 480p より 1 秒あたりの料金が高くなります。アスペクト比によって料金は変わらず、LoRA の読み込みに別料金はかかりません。

料金
仕様	料金
`480p`	$0.048 / 秒
`720p`	$0.084 / 秒

ユースケース

1 つのルックでシリーズを

スタイル LoRA を読み込み、場面のリストを書きます。クリップごとに新しいショットですが、セット全体で描画は同じままです。

フィード向けの縦長クリップ

横長のクリップをリフレームせずに、ショート動画のプラットフォーム向けに 720p の 9:16 で描画できます。

自前のウェイトで規制なしのコンセプトを

プロンプトも LoRA ファイルも審査されません。当社のテストでは「軽め」と「中程度」の段階は書いたとおりに返り、最も強いリクエストは拒否されずに和らげられて返りました。

プロンプトガイドと実践のヒント

被写体、動作、光、カメラ

普通の文章がよく効きます。画面に誰がいて何歳か、始まりから終わりまで何をするか、どこで、どんな光の中で起こるかを書き、最後にカメラの動きを 1 つ添えます。次は、暖炉の作例の元になったプロンプトで、720p、16:9、5 秒、loras に Vintage Cinematic LoRA を強度 1 で入れて実行しました。最初の 3 語がこの LoRA のトリガーです。

Vintage Cinematic Color. Night in a mountain log cabin during a thunderstorm. An adult woman in her early thirties with dark tousled hair sits on a sheepskin rug in front of a roaring stone fireplace, in an oversized flannel shirt worn open over a cream silk camisole, knees drawn up, a glass of red wine in her hand. Lightning flashes blue-white through the dark doorway behind her while the firelight paints her face amber; she pulls the slipping shirt back onto her shoulder, turns her head and gives the camera a slow, smouldering look. Warm brown tones, deep shadows, slow push-in, 35mm, film grain, shallow depth of field.

LoRA がベースに合っているか確かめる

別のモデル向けに学習した LoRA はエラーなく受け付けられ、何も変えません。掃引の前に、同じプロンプトと seed で LoRA ありとなしを実行してください。2 つのクリップが同一なら、そのファイルは Wan 2.2 に合っていません。

ページではなくファイルをリンクする

path は .safetensors ファイルそのものを指す必要があります。リポジトリのページやログインが必要なファイルでは、実行が失敗します。

下書きは小さく

当社のテストでは、5 秒の 480p クリップに約 1 分、720p のクリップに約 2 分かかりました。プロンプトと LoRA の scale は 480p で固めてから、720p か 8 秒で描き直してください。

API クイックスタート

# 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-2.2-lora/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "duration_seconds": 5,
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "480p"
  }
}'

# 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"

認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。

自前の LoRA ウェイトで、テキストから動画も画像から動画も動画延長も。1 つの枠に 3 つまで。

Wan 2.2 LoRA の作例

テキストから動画・720p・16:9・5 秒・FollowCam LoRA の 2 ファイルを high_noise_loras と low_noise_loras に
5 秒
テキストから動画・720p・9:16・5 秒・loras に Vintage Cinematic LoRA（強度 0.7）
5 秒
image-to-video・5 秒・隣の開始フレームから生成
5 秒
上のクリップで image_url として送った静止画
5 秒
6 秒
5 秒
5 秒
5 秒

主なスペック

エンドポイント: 3; 文章で書いた場面からのテキストから動画、開始フレームからの画像から動画、クリップを続ける動画延長。
LoRA の枠: 3×3; loras、high_noise_loras、low_noise_loras のそれぞれに LoRA を 3 つまで。
LoRA の scale: 0–4; LoRA ごとの強度で、既定は 1。1.5 を超えるあたりから、スタイルが被写体を食い始めます。
クリップの長さ: 5/8 秒; ちょうど 5 秒か 8 秒です。その中間の値は受け付けません。
解像度: 720P; 480p か 720p。480p が既定で、料金も安い段階です。
テキストから動画の形: 16:9; 横長の 16:9 か縦長の 9:16。画像から動画は開始フレームの形に従います。

できること

2 人の専門家、3 つの枠

LoRA を高ノイズ側、低ノイズ側、またはその両方に付ける

Wan 2.2 は、2 人の専門家が担当する 2 つの工程でノイズを除去します。high_noise_loras は構図と動きが決まる高ノイズ側の専門家に、low_noise_loras はディテールと質感が定まる低ノイズ側の専門家に付き、loras は両方に効きます。Wan 2.2 の LoRA の多くは、高ノイズ用と低ノイズ用の 2 つのファイルで配布されているので、それぞれ専用の枠に入れてください。ファイル 1 つの LoRA は loras に入れます。

テキストから動画

場面を書き、横長か縦長を選ぶ

テキストから動画のエンドポイントに必要なのは、プロンプトだけです。誰が画面にいて、何をして、カメラがどう動くかを書き、16:9 か 9:16、480p か 720p、5 秒か 8 秒を選び、入れたくないものがあればネガティブプロンプトに書きます。このページの暖炉のクリップは、1 つの段落と seed、そして loras に入れたスタイル LoRA から生まれました。

画像から動画

トラッキングショットでも崩れないセルシェーディング

画像から動画のエンドポイントでは、送った静止画が開始フレームになり、被写体、衣装、セット、形のすべてがそこから決まります。カメラが追うあいだも描いた絵のスタイルを安定させることは、スタイライズされた動画のいちばん難しい部分で、3 つの LoRA の枠はそれを制御するためにあります。

自分のウェイト、自分のホスティング
ここにアップロードされるものも、保存されるものもありません
LoRA の各項目は、直接ダウンロードできる URL と強度です。ウェイトはその実行のために取得され、何も保存されないので、公開できないファイルは自分の署名付きリンクの向こうに置いておいてください。3 つの LoRA の配列をすべて空にすればベースモデル単体になりますが、このファミリーの料金は通常の Wan 2.2 とは別です。

活用シーン

動きに適用するハウススタイル
自分のルックで LoRA を学習させ、1 前後の強度で読み込めば、シリーズのどのクリップも同じ描画を引き継ぎます。新しい場面はテキストから動画で書き、手持ちのキービジュアルは画像から動画で動かしてください。どちらでも、ルックは LoRA が与えます。
規制なしスタイルの LoRA を、審査なしで
規制なしのスタイルで学習したウェイトも、ほかのファイルと同じように動きます。リクエストで内容を申告する項目はなく、LoRA が検査されることもありません。作業の限界を決めるのは、ウェイト、学習データ、送るフレームに対する利用者の権利です。
カメラのスタイルと描画のスタイルを分ける
同じリクエストで、動きやカメラの LoRA を high_noise_loras に、質感の LoRA を low_noise_loras に入れます。別々の工程に付くので、1 つに混ざったウェイトと格闘するのではなく、片方を上げてもう片方を下げられます。
フィード向けの縦長クリップ
テキストから動画は、480p でも 720p でも 9:16 をネイティブに描きます。ショート動画のフィード向けの縦長クリップは、横長の描画から切り抜かれるのではなく、スマホ向けの構図で仕上がります。

課金前に知っておくこと

image-to-video

image_url とプロンプトはどちらも必須で、アスペクト比の項目はありません。クリップは開始フレームの形になります。LoRA ファイルは 1 つあたり 1 GB までです。

text-to-video

形は 16:9 と 9:16 の 2 つだけで、480p か 720p です。正方形、4:3、1080p の選択肢はありません。クリップに音声はありません。別のベースモデル向けに学習した LoRA はエラーなく受け付けられますが、何も変わらないので、同じ seed で LoRA なしの実行と比べてください。当社で最も強いレベルのテストは、拒否されるのではなく表現が抑えられて返りました。

all

duration_seconds は 5 か 8 だけを受け付けます。それ以外の値は丸められたクリップではなく、バリデーションエラーになります。LoRA の強度が約 1.5 を超えると、スタイルがよくなる前に被写体を圧倒しがちです。1 つの枠に 3 つの LoRA を重ねると、層になるのではなく混ざるので、1 つずつ足してください。LoRA は指定した URL から取得されるため、ウェイトはログインなしでダウンロードできる必要があります。プラットフォームがウェイトファイルをホストしたり配布したりすることはありません。描かれるすべての人物と、アップロードまたはリンクするすべてのファイルについて、同意、権利、年齢、現地の法律に関する責任は利用者にあります。プラットフォームは内容を審査しません。公開ページと作例は、一般の閲覧に適したままです。

モデルリファレンス

Wan 2.2 LoRA API リファレンス

Wan 2.2 LoRA API の仕様

出品元: Alibaba
公開中のエンドポイント: テキストから動画、画像から動画、動画延長
必須の入力: prompt。画像から動画は開始フレーム（image_url）も必要
LoRA の枠: loras、high_noise_loras、low_noise_loras。それぞれ 3 項目まで
LoRA の強度: 項目ごとに 0〜4、既定は 1
ウェイトファイル: 自分でホストする直接 URL から取得。何も保存されない
クリップの長さ: 5 秒か 8 秒の固定値、既定は 5
解像度: 480p か 720p、既定は 480p
形: テキストから動画は 16:9 か 9:16。画像から動画は開始フレームに従う

Wan 2.2 LoRA API の呼び出し方

1. ウェイトをホストして直接リンクを用意する
LoRA の各項目には、.safetensors ファイルをダウンロードできる URL と、0 から 4 の強度が必要です。ログインが必要なリンクは取得に失敗するので、公開ファイルか署名付きリンクを使ってください。テキストから動画では、リポジトリのページではなくファイルそのものにリンクします。
2. エンドポイントと枠を選び、動きを書く
テキストから動画はプロンプトだけで始まり、画像から動画は開始フレームも必要です。描画のスタイルは low_noise_loras、動きやカメラのスタイルは high_noise_loras、両方に効かせたいときは loras に入れます。次の文は、このページの暖炉のクリップの元になったテキストそのものです。テキストから動画で、720p、16:9、5 秒、loras に Vintage Cinematic LoRA を強度 1 で入れて実行しました。「Vintage Cinematic Color. Night in a mountain log cabin during a thunderstorm. An adult woman in her early thirties with dark tousled hair sits on a sheepskin rug in front of a roaring stone fireplace, in an oversized flannel shirt worn open over a cream silk camisole, knees drawn up, a glass of red wine in her hand. Lightning flashes blue-white through the dark doorway behind her while the firelight paints her face amber; she pulls the slipping shirt back onto her shoulder, turns her head and gives the camera a slow, smouldering look. Warm brown tones, deep shadows, slow push-in, 35mm, film grain, shallow depth of field.」
3. seed を固定して、scale を 1 つずつ動かす
Idempotency-Key を付けて送信し、タスク ID を控えておきます。プロンプト、seed、そして画像から動画ならフレームを固定し、実行ごとに LoRA 1 つの scale だけを変えてください。まず 480p で始め、いちばんよかった組み合わせを 720p で描き直します。

モデルの概要

Wan 2.2 LoRA は、LoRA に対応した Alibaba の Wan 2.2 動画モデルで、このプラットフォームでは次のエンドポイントとして公開されています。プロンプトだけで 16:9 か 9:16 の動画を作るテキストから動画と、開始フレームを動かす画像から動画、手元のクリップを続ける動画延長です。LoRA は、ベースモデルの上に重ねる学習済みのウェイトの層で、スタイル、キャラクター、動きを操ります。どのエンドポイントも、480p か 720p で、ちょうど 5 秒か 8 秒を返し、3 つの枠それぞれに LoRA を 3 つまで受け付けます。構図と動きを決める工程には high_noise_loras、ディテールと質感が定まる工程には low_noise_loras、両方には loras です。各項目は、ウェイトファイルへの直接 URL と、0 から 4 の強度です。プラットフォームにアップロードされるものはありません。タスクは非同期で、動画 1 秒あたりの米ドルで課金されます。