Wan 2.2とは何で、どこが作りましたか

Wan 2.2はAlibabaの動画生成モデルファミリーで、2025年7月28日にApache 2.0ライセンスのオープンウェイトとして公開されました。Alibabaはテキスト→動画と画像→動画のメンバーについて480Pと720Pの対応を挙げており、このエンドポイントも同じ2段を提供します。ここで公開しているホスト型APIは、そのモデル系列を固定されたリクエスト形式でラップしたものです。

9:16に設定するのと、あとで16:9のWan 2.2クリップをクロップするのはどちらがよいですか

Wan 2.2 のテキスト→動画リクエスト自体で9:16を選んでください。このエンドポイントにクロップ手段はないので、横長のクリップを編集ソフトで縦にトリミングすると、プロンプトが配置したものも含め、各フレームの左右が失われます。配信比率のまま生成すれば、モデルが作った全体のフレームを保てます。

Wan 2.2 のテキスト→動画にネガティブプロンプトはありますか

ありません。Wan 2.2 のテキスト→動画が受け付けるのは prompt、aspect_ratio、resolution、enable_prompt_expansion、seedのみで、スキーマにネガティブプロンプトのフィールドはありません。カットに含めたくないものは、そのフレームの一部に何を置くべきかを述べる形で、プロンプト自体の中で扱う必要があります。

Wan 2.2 のテキスト→動画APIの料金はどのくらいですか

Wan 2.2 のテキスト→動画は1クリップ単位で課金され、金額を変えるリクエストフィールドは480pか720pかの解像度段だけです。プロンプトの長さ、アスペクト比、プロンプト拡張、seedはいずれも影響しません。このページのライブ価格パネルが各段の現在レートを示しています。

Wan 2.2 のテキスト→動画で enable_prompt_expansion は何をしますか

enable_prompt_expansion は、生成が始まる前に短いブリーフをより長いカット説明へ膨らませるもので、ここではデフォルトでオフです。一行だけのアイデアはたいていこれで恩恵を受けます。すでに被写体・動作・カメラ・光を書き込んだプロンプトは、このフラグをオフのままにしたほうが意図に近い結果になりがちです。

seedを固定すればWan 2.2の出力は再現可能になりますか

Wan 2.2 でseedを固定すると、2回の呼び出しにわたって1つの入力を安定させられます。ただしスキーマは、これがフレーム単位で一致する保証ではないと明記しています。プロンプトの一節だけを変える間に使うことで、2つのテイクの違いをその編集によるものだと読み取れます。バリエーションが欲しいときはseedをペイロードから外してください。

Wan 2.2 のテキスト→動画は画像→動画とどう違いますか

Wan 2.2 のテキスト→動画は言葉だけから始まり、16:9と9:16を選べる aspect_ratio フィールドを持ちます。画像→動画エンドポイントは image_url に起点フレームを必須とし、プロンプトも必要ですが、比率フィールドは一切なく、クリップの形はアップロード前のそのフレームのクロップで管理され、16:9か9:16が安全な選択肢です。クリップ長と2つの解像度段はどちらも共通です。

Wan 2.2が挙げていないパラメータを送るとどうなりますか

Wan 2.2 のテキスト→動画は呼び出しを拒否します。スキーマは閉じているので、prompt、aspect_ratio、resolution、enable_prompt_expansion、seed以外のフィールドは、静かに無視されるのではなく、そのフィールド名を挙げたバリデーションエラーとして返ってきます。ペイロードに何かを追加する前に、このページのパラメータ表を確認してください。

Wan 2.2 のテキスト→動画は実際どのくらいのプロンプト量を必要としますか

Wan 2.2 のテキスト→動画は最大5,000文字を受け付けますが、5秒のクリップが収められるのは1つの動きだけなので、実際に使うプロンプトの多くはその上限よりずっと短くなります。被写体、1つの動作、カメラの振る舞い、光があれば通常は十分です。余分な文字は同じ5秒の中の細部を買うだけで、秒数が増えることはありません。

Wan 2.2 API — 画像から 5 秒の動画

alibaba/wan-2.2/text-to-video

Alibaba の Wan 2.2 text-to-video は、書いたショットを無音の 5 秒クリップにします。16:9 か 9:16、480p か 720p を選べ、プロンプト拡張と、同じ結果を再現するシードも使えます。

エンドポイントごとにフィルタリングの扱いが異なります：画像から動画 — 置き換え, テキストから動画 — フィルターあり。

最低価格 $0.24/回

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353/5000

アスペクト比

解像度料金に影響

プロンプト自動拡張

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/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "enable_prompt_expansion": false,
    "prompt": "Cast: one man and one woman. The camera stays on the two of them inside the one coat. Snow falls on an empty platform; two people are wrapped inside one overcoat, breath clouding between them, the platform lamp flickering. Her bare legs under the shared coat, both of them pressed inside it; close. Cinematic, heavy film grain, sodium lamp in snow blue."
  }
}

はじめに

Wan 2.2 テキストから動画 は、書いたプロンプトだけからクリップを生成します。1 回のリクエストで返るのは、16:9 または 9:16、480p または 720p の無音の 5 秒動画 1 本です。プロンプトは最大 5,000 文字で、必須項目はこれだけです。アスペクト比の既定値は 16:9、解像度は 480p で、プロンプト拡張はオンにしない限り使われません。

手元の素材で Wan 2.2 のモードを選ぶ

手元にあるもの	モード	リクエストに必要なもの
書き起こしたシーンや台本	Wan 2.2 テキストから動画	プロンプト、16:9 または 9:16
そのまま生かしたい静止画	Wan 2.2 画像から動画	画像とプロンプト、画面比は画像で決まる

主な機能とハイライト

長さは 5 秒で固定

テキストから動画には尺の設定がなく、どのテイクも必ず 5 秒です。そのため、送信する前にリクエストの長さがわかります。5 秒に収まるのは、被写体、ひとつの動作、ひとつのカメラワークからなる 1 ビートで、いくつもの出来事を並べた流れではありません。プロンプトもその分量に合わせて書くと結果が安定します。

2 つの画面比と 2 つの解像度

アスペクト比は既定の 16:9 か、縦型配信向けの 9:16 です。正方形や 4:3 は用意されていないため、正方形で納品したい場合は 16:9 で生成して編集時にトリミングしてください。解像度は 480p と 720p で、料金が変わるのはこの設定だけです。下書きには 480p を使うのが自然な選び方です。

映像のみ

クリップには音声トラックが含まれず、音声の設定もありません。見る人に感じてほしいことは、すべて画面に映す必要があります。公開中の雪のホームの例では、環境音に頼る代わりに、降る雪、寒さで白くなる息、ちらつくホームの灯りでリズムを作っています。

任意のプロンプト拡張とシード

プロンプト拡張をオンにすると、短い指示が生成前により詳しい内容に書き直されます。シードには 0 から 2147483647 までを指定でき、乱数源を固定して 1 か所ずつ変更を比べられます。ただし、2 回目の実行でフレーム単位まで同じクリップになることは保証されません。

リクエストパラメーター

Wan 2.2 · 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	ショットそのものを最大 5,000 文字で書きます。誰が、どんな動作を 1 つ、カメラの動きを 1 つ、そして光。 1 文字以上 · 5000 文字以内
`aspect_ratio`	いいえ	16:9 または 9:16 で、既定は 16:9 です。このエンドポイントに正方形と 4:3 はありません。 `16:9` · `9:16` · デフォルト値: `16:9`
`resolution`	いいえ	480p または 720p で、既定は 480p です。料金を変える設定はこれだけです。 `480p` · `720p` · デフォルト値: `480p`
`enable_prompt_expansion`	いいえ	既定はオフです。オンにすると、短い指示が生成前に詳しい内容に書き換えられます。デフォルト値: `false`
`seed`	いいえ	0 から 2147483647 までです。1 か所ずつ変えて比べるときは固定し、バリエーションが欲しいときは省略してください。 `≥ 0` · `≤ 2147483647`

料金

1 回のリクエストで 5 秒のクリップが 1 本返ります。

料金
仕様	料金
`480p`	$0.24 / リクエスト
`720p`	$0.48 / リクエスト

ユースケース

絵コンテの下書きをまとめて作る

絵コンテの各ビートを 1 本ずつのプロンプトに書き、リスト全体を 480p で生成します。5 秒あればフレーミングと動きは十分に判断できます。どのリクエストも長さが同じで、料金は解像度だけで決まるため、送信前にバッチ全体の費用がわかります。採用したテイクは、同じプロンプトとシードのまま 720p で生成し直してください。

SNS 向けの縦型クリップ

アスペクト比を 9:16 にして、ひと続きの動作をひとつ書きます。公開中のナイトマーケットの例はまさにその形で、720p で生成されています。黄色いレインコートの若い女性が屋台で串を受け取り、電球の列の間を煙と湯気が立ちのぼり、彼女が振り返ってカメラのほうへ歩いてくるところを、手持ちのゆっくりしたプッシュインで捉えています。

ショットのアイデアが動きとして成立するか確かめる

720p のテイクに進む前に、アイデアを安く試せます。灯台の階段の例は、ランタンを持った年配の男性が螺旋階段の最後のひと回りを上り、低い位置のカメラがそれを追うという、ひとつの動作とひとつのカメラ位置だけで書かれ、16:9、480p で生成されています。

主なユースケースのチュートリアルを見る

プロンプトガイドと実践のヒント

1 ビートを決まった順序で書く

被写体、ひとつの動作、ひとつのカメラワーク、最後に光の順に書きます。形容詞を重ねるより、はっきりした動詞のほうが結果を大きく動かします。階段の最後のひと回りを上り、窓の前で立ち止まる男性と書けば、5 秒の中に始まりと終わりが生まれます。

文字数はシーンの追加ではなく描写に使う

5,000 文字あれば、衣装、セット、天候、光まで書き込めますが、5 秒に 2 つ目の出来事は入りません。指示にいくつもの出来事が含まれる場合は、別々のリクエストに分けて、編集でつなげてください。

修正の間はシードを固定する

シードを 1 つ決め、動詞、カメラワーク、アスペクト比など 1 か所だけを変えている間は同じ値を使います。ナイトマーケットの例はシード 250728 を固定しており、プロンプトを直しても同じフレーミングで見比べられます。バリエーションがほしいときはシードを省略してください。

プロンプト拡張は早めに決める

ひと言のアイデアしかない段階なら、プロンプト拡張をオンにするとサービス側で詳しい指示に書き起こしてくれます。プロンプトがすでに被写体、動作、カメラ、光を指定しているなら、書いたとおりに実行されるようオフのままにし、拡張した結果は拡張なしの結果と比べて判断してください。

テキストだけでは足りない場面を見極める

プロンプトだけでは、特定の顔や製品を実行ごとに同じ姿で保つことはできません。承認済みの静止画と被写体を一致させる必要があるときは、Wan 2.2 画像から動画に切り替え、見た目は画像に任せてください。

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

# 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。

書いた1カットが、固定5秒のクリップになる

Wan 2.2 のテキスト→動画 API は、最大5,000文字で書いたカットを、音声なしの5秒動画1本に変換します。解像度は480pか720p、比率は16:9か9:16のいずれかです。この2つの解像度は、Alibabaが2025年7月に公開したオープンウェイトのWan 2.2のテキスト→動画・画像→動画モデルで示しているものと同じです。課金は秒単位ではなく1クリップ単位なので、混雑した街の場面も固定アングルのポートレートも、同じ解像度段なら料金は同じになります。

プレイグラウンドを開く

プロンプト長: 最大5,000文字
クリップ長: 固定5秒 — duration フィールドなし
解像度: 480pまたは720p（デフォルト480p）、価格を決定
アスペクト比: 16:9または9:16、デフォルト16:9
音声: なし、映像のみ
seed: 0〜2,147,483,647、任意

秒単位ではなくクリップ単位: プロンプトの内容が価格を動かすことはないこのエンドポイントは1クリップにつき1価格で、リクエスト上で料金を左右するのは解像度段だけです。5秒の群衆シーンも5秒の静止ポートレートも、480pなら同じ料金になるので、100件のプロンプトを解像度段だけから見積もれます。
縦横比は送信前に決める: 16:9か9:16かを書く前に選ぶaspect_ratio はリクエスト時に指定するもので、生成後にクロップする手段はAPI側にありません。違う比率で返ってきたクリップは編集ソフトで再クロップするしかないので、まず配信フレームを固定してから、それに合うカットの構図を書きます。
任意のリライト: プロンプト拡張はデフォルトで無効enable_prompt_expansion のデフォルトは false なので、送った文章がそのまま生成に届きます。ブリーフが一行だけの薄いものなら有効にし、すでに被写体・動作・カメラ・光を書き込んだプロンプトなら無効のままにします。

Wan 2.2 API が得意なこと

1リクエスト、1クリップ、1価格

呼び出しごとに必ず5秒の動画が1本返り、時間の長短を指定するフィールドはありません。これによりコスト計画からduration要素が消え、リクエストは実行された解像度段だけで価格が決まり、プロンプトの言い回しがその数字を変えることはありません。

2つの配信比率、それ以外はない

16:9と9:16が、このエンドポイントがレンダリングする2つの比率で、送信時に aspect_ratio で選びます。正方形も4:3もカスタムの幅・高さもないので、他の比率が必要な配置は、この2つのどちらかを撮ってから切り出す必要があります。

任意ステップとしてのプロンプト拡張
一行のアイデアでも、生成が始まる前に、より長いカット説明へと膨らませることができます。ブリーフが薄いときに役立ちます。すでに被写体・動作・カメラ・光を含むプロンプトなら、このフラグを外しておくほうが送った言葉に近い結果になります。
seedで変化点を1つに絞る
文章だけを編集しながらseedを固定しておくと、2つの出力を互いに比較できます。スキーマは、これがフレーム単位で一致する保証ではなく、片方の入力を固定して片方だけ動かす手段にすぎないと明記しています。
安く下書きし、当たりだけ再レンダー
480pは同じプロンプトを720pより低い価格で実行できるので、カットをまだ詰めている段階は安い解像度段のままにできます。当たったプロンプトとseedを720pで再送信すれば、そのアイデアを上位の解像度段でもう一度レンダーできます。ただし同じフレームではなく近いテイクになると考えてください。
標準的な非同期タスクの流れ
作成呼び出しはIdempotency-Keyを受け付け、返ってきたタスクはポーリングするか、登録したコールバックURLに届けさせるかを選べます。ネットワークタイムアウト後は、保存しておいたそのキーが既存のタスクを見つけるので、二重起動を防げます。

Wan 2.2 はどんな人に向くか

パイプライン構築者
1行を二重レンダーしないリトライループ
バッチワーカーはジョブテーブルにプロンプトごとのIdempotency-Keyを1つ保持できます。リクエストがタイムアウトしてループがリトライしても、そのキーはその行のために既に作られたタスクへ解決されるので、不安定な接続の代償は待ち時間だけで、二重レンダーにはなりません。
SNS・縦型メディアチーム
配信時クロップなしで9:16をレンダー
aspect_ratio を9:16に設定すれば、最初のパスから縦長で出てくるので、そのクリップがフルハイトで表示されるフィードに届いても何も捨てる必要がありません。16:9を生成してから左右を切る方法だと、料金を払ったすべてのフレームの一部を毎回捨てることになります。
プロンプトエンジニア
seedを固定して文言変更だけを切り分ける
aspect_ratio・解像度・seedを固定したまま、検証対象の一節だけを書き換えれば、出力の変化をその1つの編集に帰属させられます。複数の変数が2回の呼び出しで同時に動く状態を避けられます。
まだ起点フレームがないチーム
言葉だけからカットを組み立てる
参照画像がまだ存在しない段階では、このエンドポイントが書かれたブリーフから被写体・動作・カメラ・光を組み立てます。フレームが選ばれ、それをもとに構築する承認が下りたら、同じファミリーの画像→動画エンドポイントで作業を前に進めます。

Wan 2.2 API の使い方

書き始める前にaspect_ratioを決める
16:9か9:16かは生成が始まると固定され、API側に後からのクロップ手段はありません。最初の結果を見てから決めるのではなく、プロンプトを書く前に配信比率を固めます。
カットを1つの動きとして書く
被写体、その1つの動作、カメラの振る舞い、光の質を明示します。5秒には一連の出来事を収める余地がないので、3つの出来事を並べたブリーフは、たいていどれも読み取れないクリップになって返ってきます。
精密なブリーフではenable_prompt_expansionを外す
このフィールドは、プロンプトが短すぎたり曖昧だったりして肉付けが必要なときだけ有効にします。すでに動作・カメラ・光を書き込んだカット説明は、先に書き直させても得るものがありません。
seedを固定したまま480pで下書きする
カットをまだ詰めている段階は安い解像度段で生成します。次の呼び出しが言い回しだけを変えるなら同じseedを使い、2つのテイクの比較を公平に保ちます。
選んだテイクを720pで再レンダーする
安い段の下書きが納品に値すると判断したら、同じプロンプトとseedを使い、解像度だけを720pに変えて再送信します。新しく書いたプロンプトからカットを作り直すのではありません。
Idempotency-Keyを付けて送信する
返ってきたタスクIDを保存し、そのタスクをポーリングするか、コールバックURLを登録して結果を受け取ります。タイムアウト後は再送信して重複を作るのではなく、その既存タスクを検索します。

Wan 2.2 の実際の例

固定した被写体への単一カメラワーク
動作を1つ、カメラの方向を1つに絞ることで、5秒という窓が処理しきれない量を抱え込まずに済みます。これはこのような固定尺のエンドポイントで最もよく起きる失敗パターンです。
```
A glassblower turns a molten orange sphere at the end of a long pipe inside a dim workshop, sparks drifting past the lens, camera slowly circling the piece at waist height, warm firelight against a dark background
```
縦型フィード向けの9:16ポートレートショット
縦位置のフレーミングと、1つだけ続くジェスチャーは、生成後のクロップを必要とせずきれいにループします。フレームがプラットフォーム側で固定される、制作者側では動かせないSNS配置ほどこれが重要になります。
```
Vertical shot of rain falling on a café awning at night, a hand reaches into frame to wipe condensation from the window, neon signage reflected on wet glass, static camera, slow motion
```
seedを固定して文言をテストする
光を表す形容詞だけを変えながらseedを固定すると、その1変数だけを2回の呼び出しをまたいで切り分けられるので、出力の違いを変わった単語のせいだと言い切れます。
```
A cyclist rides along an empty coastal road at golden hour, long shadows stretching across the tarmac, camera tracking alongside at a steady pace, warm low sun flaring at the edge of frame
```

Wan 2.2 API のよくある質問

カットを一続きの瞬間として書きます。被写体、その1つの動作、カメラの振る舞い、光の質を名指しにします。5秒には一連の出来事を収める余地がないので、3つの出来事を並べたブリーフはたいていどれも読み取れないクリップになって返ってきます。保つ価値のある瞬間を1つ選んでそれだけを描写し、残りは2回目のリクエストに回してください。