はじめに
Wan 2.5 画像から動画 は、image_url で送った静止画を、音声つきの 5 秒または 10 秒のクリップに変えます。画像が被写体、衣装、セット、光の向き、クリップの縦横比を決め、任意の prompt（最大 1,500 文字）がその後に起こることを描きます。このエンドポイントには縦横比のフィールドがないため、送る前に画像を納品用の形にトリミングしてください。静止画がなく書いたアイデアだけの場合は、テキストから始めるエンドポイントを使います。
開始素材で Wan 2.5 のモードを選ぶ
| 手元にある素材 | モード |
|---|---|
| 書いたシーンや台本 | Wan 2.5 テキストから動画 |
| 承認済みの開始画像 | Wan 2.5 画像から動画 |
主な機能とハイライト
開始フレームが見た目を決める
image_url は JPEG、PNG、BMP、WebP を 20 MB まで受け付け、各辺は 240〜8,000 ピクセルです。ラベル、シルエット、衣装など、そのファイルにすでに写っているものは改めて説明する必要がないため、プロンプトは動き、カメラ、音に言葉を使えます。
映像と同時に生成される音声、または手持ちの音声に合わせる
どのクリップも映像と一緒に生成された音声つきで返ります。録音したセリフや音楽のきっかけでタイミングを決めたいときは、audio_url に WAV または MP3（3〜30 秒、15 MB まで）を追加します。顔はフレームから、口のタイミングは音声から決まります。クリップより長い音声は末尾が切られ、短い場合は残りが無音になります。
2 つの長さと 3 つの解像度
duration_seconds はちょうど 5 か 10、resolution は 480p、720p（既定）、1080p です。上位の解像度ほど秒単位の料金が高く、返ってくるまでの時間も長くなります。短いクリップのほうが手や髪が崩れにくいため、10 秒に進む前に 5 秒で動きを固めてください。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
image_url | はい | 先頭フレーム。被写体、衣装、セット、光の向き、クリップの比率はすべてここから来るので、先にトリミングしてください。 1 文字以上 |
prompt | いいえ | 任意。フレームの後に起きること。 1500 文字以内 |
negative_prompt | いいえ | 出てはいけないもの。2 人目の人物、字幕、画像から何度も持ち込まれる小物など。 500 文字以内 |
resolution | いいえ | 480p・720p・1080p、既定は 720p。上の段ほど秒単価が高く、返ってくるまで時間がかかります。 |
duration_seconds | いいえ | 5 か 10 のどちらかちょうど。短いほど手や髪が崩れにくいので、まず 5 秒で見た目を決めましょう。 |
audio_url | いいえ | クリップが追いかけるセリフや音楽のきっかけ。話し声やビートが狙った位置に来るようになります。 1 文字以上 |
enable_prompt_expansion | いいえ | 既定はオフ。一行のアイデアならオンに、すでに具体的な動作を書いているならオフのままにします。 デフォルト値: |
seed | いいえ | 0 から 2147483647 まで。同じ画像から解像度や長さを比べるときに固定し、ランダムにしたいときは 0 を送らずに項目ごと省略します。 |
料金
| 仕様 | 料金 |
|---|---|
| $0.045 / 秒 |
| $0.09 / 秒 |
| $0.135 / 秒 |
ユースケース
1 枚の商品写真から製品の動きを作る
公開されている美容液ボトルの例は、商品の静止画を送り、窓の光の帯がガラスの上を滑るあいだにカメラがゆっくり 4 分の 1 周するよう指示するだけです。ボトル自体は動きません。フレームがラベルとシルエットをすでに固定しているので、プロンプトは光と動きだけを担い、720p・5 秒で描画されます。
録音したセリフを話すポートレート
承認済みのポートレートを image_url に、セリフの音声を audio_url に送ります。人物の見た目は画像から、口のタイミングはファイルから決まるため、確認はリップシンクではなく話し方に向けられます。
細部を守りながら長めに撮るスタジオテイク
スリップドレスの例は、スタジオのポートレートから 1080p で 10 秒を生成します。重心の移動、レンズへの振り向き、ゆっくりした 2 歩を固定カメラで捉えます。ネガティブプロンプト「extra people, text, jewellery changes」により、長い尺のあいだにアクセサリーが変わったり人物が増えたりするのを防いでいます。
雨や水など、音の発生源が見える場面
傘の例では、2 人がほとんど動かずに立ち、頭上の傘を雨が叩きます。動きは水が担い、音には目に見える発生源があります。このように出来事が途切れず続く場面では、たいてい 5 秒で足ります。
プロンプトガイドと実践のヒント
まずフレームを準備する
納品用の形にトリミングし、欲しい衣装、セット、光が画像にすでに写っているか確認します。クリップは画像の縦横比を保ち、見た目も引き継ぐので、静止画の誤りはそのまま動画に持ち込まれます。
動きだけを書く
プロンプトは任意ですが、はっきりした動作の一文があると動きがずっと安定します。動作を 1 つ、カメラの動きを 1 つ、音についてのメモを書きます。2 人目の人物、字幕、小道具など、フレームが繰り返し呼び戻すものは negative_prompt に入れます。一行のアイデアなら enable_prompt_expansion をオンにし、プロンプトがすでに正確な動作描写ならオフのままにします。
公開例を応用する
公開例の duration_seconds 5、resolution 720p から始め、image_url には公開アクセスできる自分の画像を指定します。
The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move. Quiet room tone, no music.
フレームがラベルとシルエットを固定し、プロンプトはカメラの弧と動く光だけを求めています。
シードを固定してテイクを比べる
同じフレームから解像度や長さを比べるときは seed を固定し、1 回の実行で変えるのは 1 項目だけにします。ランダムに引きたいときは 0 を送るのではなく、フィールドを省きます。納品前には音声つきでクリップ全体を再生してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.5/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。
