Wan 2.6 のテキストから動画 API は 4K や 1080p 超に対応していますか？

Wan 2.6 のテキストから動画は 720p か 1080p で描画され、resolution フィールドはそれ以外の値を受け付けないため、このエンドポイントでは 1080p が上限です。5 つのアスペクト比はすべて両方の段で使え、フィールドを省略すると 720p になります。1 秒あたりの単価を決めるのも resolution です。

Wan 2.6 は音声を生成しますか？

はい。Wan 2.6 のテキストから動画は映像と同時に生成された音声を返し、このエンドポイントにそれを切るフィールドはありません。audio_url は任意で、録音されたセリフや音楽を添付すれば、プロンプトだけからリズムを推測するのではなく、そのファイルにクリップのペースを合わせられます。

Wan 2.6 のテキストから動画のプロンプトはどのくらいの長さまで書けますか？

Wan 2.6 のテキストから動画の prompt フィールドは最大 1,500 文字で、最低 1 文字は必要です。被写体、1 つの動作、1 つのカメラワーク、光、音についての一言を書くには十分な長さで、shot_type が multi のときは 3〜4 つの番号付きショットにも使えます。除外事項は negative_prompt に書き、別枠で数えられます。

Wan 2.6 のクリップに添付できる音声ファイルはどんなものですか？

Wan 2.6 は audio_url に WAV または MP3 のファイルを受け付け、長さは 3 秒から 30 秒、サイズは 15 MB までです。クリップより長いトラックはクリップの長さに合わせて切られ、短いトラックでは残りの部分に音声が付きません。選んだ duration_seconds にファイルの長さを合わせておくとよいでしょう。

Wan 2.6 の画面から余計な要素を除くにはどうすればいいですか？

Wan 2.6 のテキストから動画の negative_prompt には、映ってほしくないものを最大 500 文字で書けます。字幕、ロゴ、余計な人物、テイクをまたいで出てくる色などです。1,500 文字の prompt とは別に扱われるので、除外リストが場面描写のスペースを奪うことはありません。

Wan 2.6 のテキストから動画でフレームレートやファイル形式を指定できますか？

いいえ。Wan 2.6 のテキストから動画のリクエストボディは prompt、negative_prompt、aspect_ratio、resolution、duration_seconds、shot_type、audio_url、enable_prompt_expansion、seed という固定のフィールドしか受け付けず、それ以外は拒否されるため、フィールド名の誤字はすぐにエラーになります。形と長さは aspect_ratio、resolution、duration_seconds から決まります。

Wan 2.6 のテキストから動画 API は規制なしですか？

Wan 2.6 のテキストから動画は、こちら側の独自コンテンツフィルターを一切かけずに稼働しているので、実際に当たる境界はモデル自身のものです。同意、権利、送るすべてのプロンプトと生成されるすべての人物について、責任は利用者側に残ります。

Wan 2.6 のテキストから動画 API の料金はどのように決まりますか？

Wan 2.6 のテキストから動画 API は、選んだ解像度に応じた単価で、納品される動画の秒数に対して課金されます。aspect_ratio、shot_type、audio_url の有無は料金に影響しないため、同じ長さなら 9:16 のクリップも 16:9 のクリップも同じ料金です。フォーム上の見積もりは現在の選択をそのまま反映します。

Wan 2.6 の同じ結果をもう一度出すことはできますか？

確実にはできません。Wan 2.6 では seed は再現性の保証ではなく比較のための補助として扱われるため、prompt、比率、解像度、長さ、seed をすべて同じにしても 2 回の実行で結果が変わることがあります。残したいテイクが得られたらそのファイルを保存し、seed を固定したまま 1 度に 1 つのフィールドだけを変えてください。

Wan 2.6 のテキストから動画と画像から動画の違いは何ですか？

Wan 2.6 のテキストから動画は書いたプロンプトから始まり aspect_ratio を指定できますが、画像から動画はアップロードした最初のフレームから始まり、独自の比率フィールドは持たずそのフレームの比率に従います。長さ、解像度、shot_type、audio_url、negative_prompt、seed はどちらのエンドポイントでも同じように扱われます。

Wan 2.6 API — 無検閲のテキスト・画像から動画

alibaba/wan-2.6/text-to-video

Alibaba の Wan 2.6 text-to-video は、書いたショットやショットリストを音声付きの 5・10・15 秒にします。720p か 1080p、5 種のアスペクト比、ワンカットかマルチショットを選べます。

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 — 規制なし, テキストから動画 — 規制なし, 参照素材から動画 — フィルターあり。

最低価格 $0.09/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350/1500

ネガティブプロンプト0/500

アスペクト比

解像度料金に影響

長さ料金に影響

51015

入力音声0/1

音声ファイルをここにドロップ、またはここから選択 · 1 ファイル・1 件 90 MB まで・MP3 · WAV

ショット構成

ワンカットマルチカット

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-2.6/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 5,
    "shot_type": "single",
    "enable_prompt_expansion": false,
    "prompt": "A couple in a rain-streaked car at night: she leans across from the passenger seat and takes his face in both hands. The window fogs where her shoulder presses it. Rain runs down the glass, headlights sweep past and go. Slow push in from the back seat, warm dashboard glow against cold rain light. Cinematic, shallow depth of field, heavy film grain."
  }
}

はじめに

Wan 2.6 テキストから動画 は、書いたショット、または番号付きのショットリストを、ちょうど 5 秒、10 秒、15 秒のいずれかの長さで、720p または 1080p のクリップにします。必須なのは prompt だけです。そのほかはすべて既定値があり、16:9、720p、5 秒、1 カットの連続撮り、プロンプト拡張オフになっています。クリップは映像と同時に生成された音声付きで返り、audio_url を使えば、録音したセリフや音楽のキューに合わせて動かすこともできます。

開始素材に応じてモードを選ぶ

手元にあるもの	モード
書いたシーンや台本	Wan 2.6 テキストから動画
承認済みの開始画像	Wan 2.6 画像から動画
見た目、動き、音それぞれの参照素材	Wan 2.6 参照から動画

主な機能とハイライト

5 種類の画面比を両方の解像度で

aspect_ratio は 16:9、9:16、1:1、4:3、3:4 を受け付け、どの比率も 720p と 1080p の両方で使えます。入力画像から何も引き継がないため、フィールドを 1 つ変えるだけで、同じブリーフを横長のマスターと縦型の短尺版の両方に書き出せます。解像度は秒単価とタスクの所要時間を決めるので、プロンプトを詰める段階では既定の 720p が向いています。

1 カットか、計画されたシーケンスか

shot_type は、1 カットの連続撮りである single と、同じクリップの中で複数のショットにカットを割れる multi を切り替えます。multi のリクエストは、enable_prompt_expansion の値にかかわらず必ずプロンプト拡張をオンにして実行されます。カット割りはブリーフを拡張する過程で計画されるためです。オチのある短い物語には multi、カバレッジよりも連続性が大事なときは single を選びます。

音も同じ生成で

音声は映像と一緒に生成されるため、プロンプトの最後に音について 1 文書くと、聞こえる音が変わります。音がすでにある場合は、audio_url に 3〜30 秒、15 MB までの WAV または MP3 を渡すと、口の動きや動作のテンポがそのファイルに合わせて進みます。長いトラックはクリップの長さで切られ、短いトラックの場合は残りの部分が無音になります。

リクエストパラメーター

Wan 2.6 · 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	ショットそのものです。誰が、動作を 1 つ、カメラの動きを 1 つ、そして光と音を書きます。 1 文字以上 · 1500 文字以内
`negative_prompt`	いいえ	入れてはいけないものです。字幕、ロゴ、余計な人物、何度も出てしまう色などを書きます。 500 文字以内
`aspect_ratio`	いいえ	16:9、9:16、1:1、4:3、3:4 から選び、既定は 16:9 です。5 種類ともどちらの解像度でも使えます。 `16:9` · `9:16` · `1:1` · `4:3` · `3:4` · デフォルト値: `16:9`
`resolution`	いいえ	720p または 1080p で、既定は 720p です。秒単価と処理時間が変わります。 `720p` · `1080p` · デフォルト値: `720p`
`duration_seconds`	いいえ	5・10・15 のいずれかちょうどです。それ以外は丸めずに拒否されます。 `5` · `10` · `15` · デフォルト値: `5`
`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です。口の形と動きのテンポがこのファイルに合わせて進みます。
`shot_type`	いいえ	single はワンカットを保ち、multi ではモデルが複数ショットに切り分けます。カット割りはプロンプトを広げる段階で組まれるため、multi のリクエストでは `enable_prompt_expansion` が自動でオンになります。 `single` · `multi` · デフォルト値: `single`
`enable_prompt_expansion`	いいえ	既定はオフです。オンにすると短い説明が生成前に詳しく書き直されます。デフォルト値: `false`
`seed`	いいえ	0 から 2147483647 までです。変更を 1 つずつ比べるときは固定し、バリエーションがほしいときは省略します。 `≥ 0` · `≤ 2147483647`

料金

料金
仕様	料金
`720p`	$0.09 / 秒
`1080p`	$0.135 / 秒

ユースケース

音まで書き込んだ雰囲気のある 1 カット

公開済みの港の例は、1 カット撮りの型を示しています。黄色い防水コートの漁師が濡れたロープを巻き取り、通り過ぎるフェリーを見上げて手を挙げます。カメラは積まれた木箱の後ろからのゆっくりしたドリー 1 本だけです。プロンプトの最後に音の指定があるため、降り続く雨、長いフェリーの汽笛、ロープのきしみが、別トラックなしで映像の下に入ります。設定は 16:9、5 秒、720p です。

SNS 向けの縦型ショートストーリー

パン屋の例は、9:16、10 秒、1080p のクリップに番号付きのショットを 3 つ求めています。夜明けに上がるシャッター、パン生地を成形する粉だらけの手、天板を入れるとオレンジ色に光るオーブンの扉です。shot_type が multi なので番号付きの各行がそれぞれ 1 カットになり、固定した seed によって、言い回しを調整するあいだも結果のぶれが抑えられます。

撮影前のルック開発

まだ存在しないシーンの舞台、光、テンポを試すなら、書いたブリーフだけで十分です。ただし、特定の顔や製品を実行ごとに同じに保つことはできません。人物やパッケージを見分けられる状態で残す必要が出てきたら、先に画像を作り、開始画像が見た目を決める画像から動画へ作業を移してください。

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 カットは 4 つの要素で書く

single では、被写体を示し、動作を 1 つ、カメラの動きを 1 つ指定してから、光と音についての 1 行を加えます。港のプロンプトはこの順序どおりに書かれているので、結果を判断しやすくなっています。ドリーが木箱の後ろにとどまったまま、ロープ、視線、挙げた手がすべて起きているかどうかを見ればよいからです。

Late evening on a rain-soaked harbour quay. A fisherman in a yellow oilskin coils a wet rope, looks up at a passing ferry and raises a hand. Slow dolly from behind a stack of crates, sodium lights reflecting in the puddles. Audio: steady rain, a long ferry horn, the rope creaking.

multi ではショットに番号を振る

multi では、各行を「Shot 1:」「Shot 2:」のように始め、行ごとに画角と被写体を決めます。1 行に出来事は 1 つです。1 行で 2 つの出来事を書いた時点で、カットの境目をこちらで決められなくなります。複数ショットの編集には長めの尺が必要なので、10 秒か 15 秒を選んでください。

除外したいものはメインのブリーフから外す

字幕、ロゴ、余計な人物、何度も出てくる色は、最大 500 文字の negative_prompt に書き、プロンプト本体は 1,500 文字未満に収めます。1 カットの場合、プロンプトがショットを正確に記述できているなら enable_prompt_expansion はオフのままにし、1 行のアイデアをふくらませたいときにオンにします。

変更は 1 度に 1 つだけ比べる

seed は 0〜2147483647 を受け付けます。カメラの動き、画面比、single と multi の違いなど、変えるものを 1 つに絞るあいだは固定し、バリエーションがほしいときは省略します。比較を安定させる道具であって、フレーム単位で同一の再生成を約束するものではありません。5 秒、10 秒、15 秒以外の長さは丸められず、エラーとして拒否されます。

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-2.6/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": "720p",
    "shot_type": "single"
  }
}'

# 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。

プロンプト一本で場面もカット割りも決まる

Wan 2.6 のテキストから動画は、書いたプロンプトを 720p か 1080p、5・10・15 秒のクリップに変換し、音声も映像と同時に生成されます。5 つのアスペクト比があり、どれも両方の解像度で描けます。shot_type によって、1 本の連続したカットにするか、同じプロンプト内に番号付きで書いたショットで場面を切り替えるかが決まります。

プレイグラウンドを開く

必須入力: prompt のみ
長さ: 5、10、15 秒のいずれか。それ以外の値は不可
解像度: 720p または 1080p、既定は 720p
アスペクト比: 16:9、9:16、1:1、4:3、3:4。既定は 16:9
プロンプト長: 最大 1,500 文字
ショットタイプ: single または multi、既定は single

マルチショット: 番号付きショットが計画されたカットになるプロンプトを番号付きのショットリストとして書き、shot_type を multi にすると、モデルがカットの位置を決めます。single のままだと、同じ内容は 1 本のカメラワークで全体を語る 1 テイクとして返ってきます。
音声: 音声はファイルの中に生成されるクリップには映像と同時に生成された音声が付いて返り、このエンドポイントにそれを切るフィールドはありません。任意の audio_url を使えば、録音されたセリフや音楽に合わせて動きを追わせることもできます。
画面比率: どの比率も両方の解像度で描ける5 つのアスペクト比すべてが 720p でも 1080p でも使えるので、縦位置や正方形の依頼がワイド画面より狭い解像度に限定されることはありません。1 秒あたりの単価を決めるのは aspect_ratio ではなく resolution です。

Wan 2.6 API が得意なこと

1 本のプロンプトから計画されるマルチショットのカット

1 本のプロンプト内に番号付きショットを書き、shot_type を multi にすると一連のカットになります。ブリーフを展開する段階でモデルが各トランジションを計画するため、multi のリクエストでは enable_prompt_expansion の値にかかわらず常に有効になります。single のテイクではこのフィールドは指定どおりに扱われます。

negative_prompt は除外事項を独立したフィールドに保つ

最大 500 文字で、映り込んでほしくないものを書けます。字幕、ロゴ、余計な人物、テイクをまたいで出てくる色など。1,500 文字の prompt とは別に数えられるので、場面の描写は描写のまま、除外リストは除外リストのまま残ります。

音声は指定したトラックか場面そのものに従う
audio_url には 3 秒から 30 秒、最大 15 MB の WAV または MP3 のセリフや音楽を指定でき、添付するとクリップはそのファイルにペースを合わせます。フィールドを空にしても音声は返ってきますが、その場合はプロンプトと描写された動きに合わせて生成されます。
2 段の解像度にまたがる 5 つのアスペクト比
16:9、9:16、1:1、4:3、3:4 のそれぞれが 720p と 1080p で描けるので、組み合わせは合計 10 通りです。縦位置や正方形を選んでも解像度の選択肢が狭まることはなく、フィールドを省略すると 16:9 になります。
範囲ではなく 3 つの固定された長さ
このエンドポイントの duration_seconds は 5、10、15 のいずれかしか受け付けません。それ以外の整数は価格計算の前にはじかれ、3 つのうち近い値に丸められることはありません。マルチショットの編集では、複数のカットを同じクリップに収める必要があるため、たいてい長いほうの 2 段が向いています。
比較を制御するための seed
seed は 0 から 2147483647 までの値を取り、他の条件をそろえたまま 1 つの変数だけを変えて比較するためのものです。seed を含めてすべてのフィールドが同じでも、2 回目の呼び出しで別のテイクが返ることがあるので、残したいテイクはファイルとして保存するものと考え、API に再度依頼して同じものが返ってくるとは考えないでください。

Wan 2.6 はどんな人に向くか

ストーリー仕立てのショート動画
番号付きショットから組み立てる 15 秒のクリップ
1 本のプロンプトに 3〜4 つの番号付きショットを書き、shot_type を multi、duration_seconds を 15 にすると、モデルがカットの位置を選びます。代わりに同じ長さを 1 本の連続したテイクにすると、その全体を 1 回のカメラワークで担うことになります。
商品・ブランド映像
カメラワークを制御した 1 本の連続テイク
shot_type を single のままにし、1 つの動作と 1 つのカメラワークだけを描写します。ロゴや余計な手、テイクをまたいで出てくる色など、画面に入れたくないものは negative_prompt に書いておきます。
多言語・複数チャンネル向けの出力
同じブリーフを複数のアスペクト比で描く
prompt と seed を固定したまま aspect_ratio だけを変えて呼び出せば、配信先ごとに場面の説明を書き直さずに 16:9、9:16 など 5 つの形に対応できます。
セリフ・ナレーション付きの場面
指定した音声トラックに合わせたクリップ
audio_url に録音したセリフや音楽のキューを添付すると、クリップはそのファイルにペースを合わせます。タイミングとリズムは音声が続く長さだけ録音に由来し、duration_seconds を超えるトラックはその時点で切られ、クリップの残りの秒数には音声が付かずに届きます。

Wan 2.6 API の使い方

ショットまたはショットリストを書く
single では被写体、1 つの動作、1 つのカメラワーク、光、音について prompt に書きます。multi では代わりに番号付きショットを書き、それぞれに独自のフレーミングを与えます。
aspect_ratio と解像度を選ぶ
5 つの比率から 1 つと、720p か 1080p のどちらかを選びます。比率は納品されるファイルの形を決め、1 秒あたりの単価を決めるのは resolution のほうです。
duration_seconds を 5、10、15 のいずれかにする
1 つの動作と 1 つのカメラワークなら通常 5 秒で足ります。複数のカットを同じクリップに収める必要があるマルチショットの編集では、長いほうの段が向いています。
必要なら negative_prompt と seed を加える
negative_prompt は除外事項を主要な描写から切り離しておくためのもので、seed は複数回の呼び出しをそろえて比較するためのものですが、固定しても同じクリップが返る保証にはなりません。
タスクを作成し結果を取得する
Idempotency-Key を付けて作成呼び出しを送り、返ってきた id を保存します。タスクは非同期に実行されるので、ポーリングするかコールバック URL を登録し、完成したクリップをプラットフォームのストレージから取得します。

Wan 2.6 の実際の例

3 ショットの商品ストーリー
1 本のプロンプトに番号付きショットを書き、shot_type を multi、duration_seconds を 15 にして、カットの位置を 1 本の長いカメラワークに任せるのではなく計画させます。
```
Shot 1: a ceramic mug on a wooden counter, morning light through a window. Shot 2: steam rising as coffee is poured in, close on the stream. Shot 3: hands wrapping around the warm mug, soft focus pulling to the window view beyond.
```
ゆっくりしたカメラワークの 1 本の連続テイク
16:9 で 1 つの動作と 1 つのカメラワークだけを描き、音についても prompt に書き込んで映像にきちんと乗せます。
```
A cyclist rides along a coastal road at dusk, camera tracking alongside at a steady pace, orange light low on the horizon, waves breaking against the rocks below
```
声のラインに合わせた縦型クリップ
9:16、1080p で audio_url にペースを取らせ、映像の見せ場がセリフと合うようにします。
```
A chef narrates while plating a dessert, camera close on hands arranging the final garnish, warm kitchen light, calm unhurried pacing
```

Wan 2.6 API のよくある質問

1 本のテイクを書くときは、被写体、1 つの動作、1 つのカメラワークをまず決め、そのあとで光と音について一言添えてください。そうすると、モデルが調整しなければならない要素が減り、テイクがまとまります。マルチショットのブリーフはその逆で、番号付きの各ショットに独自のフレーミングを与え、トランジションは shot_type に任せます。言葉で書いたカットは、それがつなごうとしているショットと競合してしまうからです。