はじめに
Wan 2.7 Spicy 画像から動画 は、無検閲の Wan 2.7 Spicy シリーズの 2 本のエンドポイントのうちの 1 本です。image_url の開始フレームと必須の prompt から、720p または 1080p、2〜15 秒の音声つき動画を生成します。人物、衣装、体、セット、光の向き、クリップの形は静止画が、動き、カメラ、音はプロンプトが担います。
リクエスト本文にコンテンツフラグはなく、リクエストごとの申告も審査もありません。クリップは、権利のあるフレームに写っているものをそのまま続けます。このシリーズにはテキストから動画とリファレンスのタスクがないため、新しいクリップはすべて静止画から始まります。手元のクリップの続きを作るときは動画延長を使ってください。
主な機能とハイライト
送ったフレームがそのまま動く
image_url は JPEG、透過のない PNG、BMP、WEBP を受け付け、各辺 240〜8,000 ピクセル、縦横比は 1:8 から 8:1 の間、サイズは 20 MB 以下です。アスペクト比の指定欄はないため、送った切り抜きがそのまま返ってきます。素材に写っているものは、そのままクリップに引き継がれます。
2〜15 秒の任意の整数長
duration_seconds は 2〜15 の任意の整数（既定 5）、resolution は 720p（既定）または 1080p です。どちらも料金と処理時間に影響します。10 秒を超えると手や布のぶれが目立つため、長いショットは、欲しいポーズをすでにとっているプレートから始めるのが効果的です。
生成音声か、自分のトラックか
generate_audio は既定でオンで、映像に合った環境音と効果音つきで返ります。録音したセリフや音楽のきっかけでリップシンクとテンポを動かすには、audio_url に WAV または MP3（2〜30 秒、15 MB まで）を渡し、generate_audio はオンのままにします。false にすると、渡したトラックも使われません。
プロンプト拡張は最初からオン
このエンドポイントの enable_prompt_expansion は既定で true で、追加料金なしに生成前にプロンプトを書き直します。一行のブリーフには役立ちます。動きの描写が正確になったら false にして、自分の言葉がそのままモデルに届くようにしてください。
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 | 開始フレームであり、ここでの最大のてこです。衣装、身体、セット、光の向き、クリップのアスペクト比まで、すべてここから引き継がれます。 |
prompt | はい | 必須です。動きとカメラだけに使ってください。 1 文字以上 |
negative_prompt | いいえ | 現れてはいけないものを書きます。2 人目、小道具、壁の文字、プレートが繰り返し再現してしまう透かしなどです。 500 文字以内 |
duration_seconds | いいえ | 2〜15 の任意の整数秒で、既定は 5 です。10 秒を超えると手や生地のずれが目に見えるようになります。 |
resolution | いいえ | 720p か 1080p で、既定は 720p です。料金と、タスクが返るまでの時間の両方に効きます。 |
audio_url | いいえ | クリップが追従する音声トラックで、口の動きとテンポを導きます。台詞や音楽のキューを特定のフレームに乗せたいときに使ってください。 |
seed | いいえ | 0〜2147483647 の整数です。720p と 1080p、あるいは 5 秒と 10 秒を比べるあいだは固定してください。 |
generate_audio | いいえ | 既定はオンです。クリップは映像に揃った音付きで返ります。 デフォルト値: |
enable_prompt_expansion | いいえ | 既定はオンで、追加料金はかかりません。生成前にプロンプトが書き直されるので、1 行のブリーフには有用です。 デフォルト値: |
料金
| 仕様 | 料金 |
|---|---|
| $0.1235 / 秒 |
| $0.19 / 秒 |
ユースケース
権利のあるプレートからの無検閲シーン
他の動画 API が断る場面：静止画を送り、動きを書けば、クリップが手に入ります。リクエストに内容を宣言する項目はありません。使えるのは、同意した成人と、適切にライセンスされた素材だけです。写っている全員について、権利、年齢、現地の法律に従う責任はあなたにあります。
多くのクリップで同じキャラクターを使う
1 枚のキャラクタープレートを、すべてのクリップの開始フレームとして使い回し、動作の一文だけを変えます。顔と衣装を担うのはプロンプトではなくプレートなので、ショットが変わっても同じ人物のままです。テイクを比べるときは seed も固定します。
布、風、副次的な動き
砂丘の例では、夜の砂丘で何メートルもある藍色のシルクを頭上に投げ上げます。そのあいだ、砂が稜線から流れ、ランタンの炎が揺らぎ、長い影が砂紋を横切ります。大きく柔らかい布は難しい被写体なので、5 秒全体を通してシルクが裂けたり止まったりしていないか確認してください。
自分の音声で話すクリップ
録音したセリフを audio_url でアップロードすると、クリップはそれに合わせて生成され、口の動きとテンポが手元のテイクに従います。何かを口パクするだけでなく、あなたの台本を話すキャラクターになります。
プロンプトガイドと実践のヒント
まず開始フレームを作る
静止画を納品用の形にトリミングし、欲しい人物、衣装、部屋、光の向きがすでに写っているか確認します。そのうえで、2 人目の人物、小道具、壁の文字、透かしなど、プレートが繰り返し示唆するものを negative_prompt（最大 500 文字）に入れます。プロンプトは動きのためのものなので、除外できるのはここだけです。
公開例を応用する
楽屋の例は duration_seconds 5、resolution 720p で、電球の並ぶ鏡の前のショーガールから生成されています。衣装、羽根、光はプレートがすでに担っているため、プロンプトは彼女の動きと部屋の音だけを書いています。
She finishes adjusting the sequin strap, checks herself in the bulb-lit mirror, then turns her head to camera and raises one eyebrow before stepping out of frame toward the stage. Bulbs flicker, feathers stir in the draft, smoke drifts, muffled orchestra and applause building behind the wall.
このエンドポイントのクリップを生成した実際のリクエストで、隣に表示された開始フレームから作られています。
1 回に 1 項目だけ変える
まず 5 秒・720p でショットを固め、seed を固定したまま 1080p や長い尺を試します。2 つを同時に変えると、比べても何もわかりません。10 秒を超えたら手と布のぶれを念入りに確認し、納品前には音声つきで再生してください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.7-spicy/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。
