Wan 2.7 text-to-image API の enable_thinking は何をしますか？

enable_thinking はレンダリング前にプロンプトへ推論パスを通すフィールドで、このエンドポイントでは既定で有効です。この推論パスこそが、複数の被写体、明示された位置関係、要素をまたいでそろえた光といった複合的な指示を漂わせない仕掛けです。false にすれば下書きが速く返ります。Alibaba のドキュメントは、この推論パスが入力画像なしで送られたプロンプトにのみ適用されると記しており、それが edit エンドポイントに同等のフィールドがない理由です。

Wan 2.7 text-to-image API はどのフィールドを受け付けますか？

6 つです。prompt は必須で、aspect_ratio、resolution、num_outputs、seed、enable_thinking は任意です。それ以外は受け付けません。width や height のフィールドはなく、negative prompt も参照画像の入力もありません。認識されないキーは黙って無視されるのではなく拒否されるので、テスト中にスペルミスのあるフィールド名をすぐ見つけられます。

いつ Wan 2.7 Pro の text-to-image に移るべきですか？

ここでの 2k でもまだ小さいときだけです。Wan 2.7 Pro の text-to-image は独自の resolution フィールドを持ち、約 1,600 万画素の 4k 段があります。これはこのエンドポイントにはありません。引き換えになるのは枚数です。Pro には num_outputs フィールドがなく、1 回のリクエストにつき 1 枚しか返さない一方、Wan 2.7 は最大 4 枚を返します。

Wan 2.7 text-to-image API のプロンプトはどう書けばよいですか？

Wan 2.7 text-to-image では、目が構図を組み立てる順番で場面を書きます。被写体、その動作、カメラの位置、そして光です。要素どうしの関係を名指ししてください。それが推論パスの解決対象であり、名詞を並べただけのリストでは何も解決させられません。探っている間は seed を未指定にしておき、構図が近づいたら固定してください。

Wan 2.7 text-to-image のプロンプトはどれくらいの長さにできますか？

1 つの prompt フィールドに最大 5,000 文字まで書けます。被写体、構図、光、スタイルを複数のフィールドに分けず 1 つの説明にまとめるのに十分な余裕です。別立ての negative prompt パラメータはないので、除外したい要素も同じ prompt に書く必要があります。

Wan 2.7 text-to-image で正確なピクセルの幅と高さを指定できますか？

Wan 2.7 text-to-image に width や height のフィールドはありません。aspect_ratio が 7 つの値から形を、resolution が 1k か 2k でサイズを決めます。正確なピクセルが必要な納品枠には、後からトリミングかリサイズをしてください。Alibaba 自体の API はより幅広い比率の範囲を受け付けますが、このエンドポイントが公開しているのはこの 7 つの値のリストで、それ以外は拒否されます。

Wan 2.7 text-to-image にプラットフォーム側のコンテンツフィルターは加わっていますか？

いいえ。Wan 2.7 text-to-image はプラットフォーム側のコンテンツフィルター層なしで動作し、リクエストボディにもリクエストごとのコンテンツ宣言はありません。受け付ける 6 つのフィールドは prompt、aspect_ratio、resolution、num_outputs、seed、enable_thinking です。境界がどこにあるかはモデル自身が決めており、このページに表示されているコンテンツ区分が、構築前に確認しておく場所です。

Wan 2.7 text-to-image API の課金方法は？

Wan 2.7 text-to-image は生成された画像 1 枚あたり米ドルで課金されるので、呼び出しの請求額を動かすのは num_outputs だけです。4 枚なら 4 枚分の料金になります。プロンプトの長さ、アスペクト比、解像度に個別の追加料金はありません。実勢レートはこのページの上部にあり、送信前に表示される見積もりは指定した枚数を反映しています。

Wan 2.7 text-to-image は 4K 出力に対応していますか？

いいえ。Wan 2.7 text-to-image が提供する解像度段は 1k と 2k の 2 つで、Alibaba のドキュメントはこのモデルで 4K に対応していないと明記しています。4k 段が存在するのは両家族を通じて Wan 2.7 Pro の text-to-image だけで、他にはありません。両家族の編集系エンドポイントはいずれも 2k で頭打ちです。

Wan 2.7 Text to Image API – テキストから画像

alibaba/wan-2.7/text-to-image

Alibaba の Wan 2.7 text-to-image は、描く前に推論で構図を設計します。1 リクエスト 1〜4 枚を約 100 万画素・7 種の比率で返し、シードで比較を安定させられます。

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：画像編集 — 規制なし, テキストから画像 — 置き換え。

最低価格 $0.03/枚

モデルを実行 API を見る

入力

テキストから画像

プロンプト502/5000

アスペクト比

深い思考

解像度

カラーパレット0/10

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

編集

レイヤー分解

動画化

{
  "model": "alibaba/wan-2.7/text-to-image",
  "input": {
    "aspect_ratio": "3:2",
    "enable_thinking": true,
    "num_outputs": 1,
    "resolution": "2k",
    "prompt": "Cinematic film still, post-apocalyptic scrapyard. Close on the middle plane: oil-stained bandages wrapped around a scavenger's torso, sweat cutting tracks through the dust on the skin. Three scavengers occupy three distinct depth planes, the nearest one's oil-stained bandages filling the foreground out of focus, a shaft of dust-thick light cutting diagonally across all three. 35mm, deep staging with shallow focus on the middle plane, heavy grain, rust orange and dust grey, restrained and tasteful."
  }
}

はじめに

Wan 2.7 テキストから画像は、文章のアートディレクションから新しい画像を作ります。構図、被写体、光、視覚的な優先順位をブリーフから設計する必要があるときに使います。

手元の素材から Wan 2.7 のモードを選ぶ

最初に手元にあるもの	モード
文章のビジュアルブリーフ	Wan 2.7 テキストから画像
狙いを定めた変更が必要な画像	Wan 2.7 画像編集

主な機能とハイライト

9 枚編集は、書いたとおりに描きます

参照画像を渡せば、image-to-image は送ったブリーフのとおりに描きます。衣装も画面の組み方もそのままです。このプラットフォームには内容のフラグもリクエストごとの申告もなく、それは 2 本のエンドポイントで変わりません。違うのはモデルの側です。text-to-image は踏み込んだプロンプトに対して、控えめな画面を返します。このページのカフェの画像は text-to-image で、オーバーサイズの白いシャツ、窓には雨、という画面です。テキスト側のエンドポイントは、おおよそそのあたりで止まります。

マスクを塗らずに、最大 9 枚をまとめます

image-to-image は 1 リクエストで素材を 1〜9 枚受け取るので、衣服、顔、部屋、色の参照が同じ編集に入れます。プロンプトで各素材の役割を書いてください。ラベルのない積み上げは平均されます。9 枚の編集が濁って返ってくる最も多い原因がそれです。

描く前に、構図を組み立てます

Wan 2.7 は描く前に画面を設計します。それは空間の判断が要るところに現れます。誰が手前にいるのか、手が何を持っているのか、光源がどこにあるのか、といった点です。ここでは、被写体がはっきりして関係がひとつ明快な長い記述が、キーワードの山に勝ちます。

リクエストパラメーター

Wan 2.7 · Text to Image 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	画面を書きます。被写体、動作、カメラの位置、そして光とレンズです。 1 文字以上 · 5000 文字以内
`aspect_ratio`	いいえ	指定できるのは 1:1、4:3、3:4、16:9、9:16、3:2、2:3 で、既定は 1:1 です。画素の予算はどれも同じなので、横長の比率は横に広いだけで大きくはなりません。 `1:1` · `4:3` · `3:4` · `16:9` · `9:16` · `3:2` · `2:3` · デフォルト値: `1:1`
`enable_thinking`	いいえ	生成を始める前にプロンプトを検討させます。オフにすると明らかに速くなり、詳細なプロンプトであれば品質はほとんど変わりません。デフォルト値: `true`
`num_outputs`	いいえ	1〜4 枚で、どれも同じブリーフに対する別々の seed です。seed 以外は動いていないので、1 つのレイアウトの 4 通りの読み方をそのまま比べられます。 `≥ 1` · `≤ 4` · デフォルト値: `1`
`resolution`	いいえ	1k か 2k で、既定は 1k です。2k は 1k の 4 倍の画素数になり、縦横の形は `aspect_ratio` に従います。 `1k` · `2k` · デフォルト値: `1k`
`color_palette`	いいえ	3〜10 色の任意の配色テーマです（推奨は 8 色）。各色を #RRGGBB の 16 進コードで入力し、必要なら画像の何パーセントを占めるかも指定します。 3 件以上 · 10 件以内
`seed`	いいえ	0〜2147483647 の整数です。固定したまま 1 節ずつ変えてください。 `≥ 0` · `≤ 2147483647`

料金

$0.03 / 枚

ユースケース

制作前にビジュアルのコンセプトを探る

テキストから画像は、まだ何も決まっていない 1 枚のためのエンドポイントです。残さなければならない顔も服も部屋もないときに使います。被写体、動作、カメラの位置、光、レンズを書き、num_outputs で最大 4 通りを一度に頼めます。それぞれが同じブリーフに対する別の seed で、1 枚ずつ課金されます。

絵コンテのキービジュアルを作る

静止画を 3:2 か 9:16 で生成し、画像から動画のエンドポイントに冒頭のフレームとして渡します。動画のプロンプトは動きだけを担えばよくなるので、衣装とポーズを正確にクリップへ持ち込むいちばん確実な方法です。

キャンペーンのビジュアル体系を作る

seed を 1 つ、プロンプトの骨組みを 1 つ固定し、aspect_ratio を 1:1、3:2、9:16 と変えて、プロフィール、バナー、ストーリーのカードを作ります。画素数はどの比率でも同じなので、横長の画は広くなるだけで、大きくはなりません。

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

装飾より先に構図を書く

光、素材、スタイルより先に、被写体、その動作、カメラの位置を書きます。Wan 2.7 は描く前に画面を設計するので、形容詞を積み上げるより、空間の関係を 1 つはっきり書くほうが効きます。

seed を固定し、1 つだけ変える

狙いに近い 1 枚が出たら seed を固定し、衣装、光、比率のうち 1 か所だけを変えます。同じ seed なら乱数が保たれるので、見える違いは変えた部分によるものです。ただし、まったく同じ画像が返る保証はありません。

使い回す前に画素数を確かめる

既定の 1k では、どの比率を選んでも画面は約 101 万〜105 万画素です。resolution: 2k にするとその約 4 倍になります。文章だけだと seed ごとに新しい顔が作られるので、特定の人物を保ちたいなら参照画像を使う画像編集に切り替えてください。enable_thinking をオフにすると目に見えて速くなります。

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-2.7/text-to-image",
  "input": {
    "prompt": "A ceramic teapot on a linen cloth, soft window light, muted palette",
    "resolution": "1k",
    "num_outputs": 1,
    "aspect_ratio": "1:1"
  }
}'

# 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。

1 ピクセルも描く前に構図を確定させます

Wan 2.7 text to image API はプロンプトを 1〜4 枚の画像に変換します。その前に内部で一度推論を通し、レイアウト、物体どうしの関係、光の当たり方を先に決めます。効果が出るのは複合的な指示です。複数の被写体、明示された位置関係、画面全体で一貫して読める光源。画布は 7 つのアスペクト比と 1k / 2k の 2 段の解像度から決まります。

プレイグラウンドを開く

画布の予算: 1k で約 100 万画素、2k で約 400 万画素。7 つの比率に均等配分
アスペクト比: 1:1、4:3、3:4、16:9、9:16、3:2、2:3
プロンプト長: 最大 5,000 文字、場面全体を一度に書けます
1 回あたりの枚数: num_outputs で 1〜4 枚、1 枚ずつ課金されます
推論パス: enable_thinking は既定で有効、無効にすると速く返ります
シード: 0〜2,147,483,647、省略すると毎回新しい結果になります

推論: 短い指示 5 本より、まとまった 1 本推論パスの段階で曖昧さはあらかた解消されるので、構造の整った説明を一本書くほうが、注意を奪い合う短い節をいくつも並べるより結果が良くなります。
画布: 比率と解像度が画素数の予算を決めますresolution が段を選びます。1k で約 100 万画素、2k で約 400 万画素です。7 つの比率はそこから均等に画素を受け取るので、9:16 の縦位置が 1:1 の正方形より甘くなることはありません。
拡大: 4k 段は Wan 2.7 Pro にあります2k の時点ですでに 1k の 4 倍の画素数です。その先、Wan 2.7 Pro の text-to-image は独自の resolution フィールドに 4k を持ちます。Alibaba のドキュメントはこれを text-to-image に限定しており、両家族の編集系エンドポイントはすべて 2k で頭打ちです。

Wan 2.7 API が得意なこと

複合的な指示が崩れません

複数の被写体、明示された位置関係（「皿の左、影のなかにカップ」）、画面をまたいで共有される光源。これらは節と節のあいだで解釈がぶれがちですが、正しく収まりやすくなります。推論パスはプロンプト全体を 1 つの場面として読んでから描き始めるので、最初の文で述べた関係が最後まで保たれます。

極端な比率でも劣化しません

7 つの比率はそれぞれ同じ画素予算から自分の寸法を受け取るので、横長の 16:9 と縦長の 9:16 は同等の精細さで出ます。16:9 のリクエストは 1:1 より横に広いだけで大きいわけではなく、比率の選択は構図上の判断であって、ファイルに入る精細さとは無関係です。

条件をそろえた再実行
seed とリクエスト全体を控えておけば、あとで作る派生と比較できます。ただし入力がまったく同じでも同じ画像になる保証はありません。呼び出しのあいだで比率や服装の節など 1 つのフィールドだけを変えれば、固定した seed が残りの構図を近く保つので、差分は自分が変えた箇所として読み取れます。
1〜4 枚、1 枚ずつの価格
num_outputs は 1 から 4 まで動き、請求額を左右する唯一のフィールドです。画像はそれぞれ個別に課金されます。プロンプトの長さ、アスペクト比、解像度は価格に影響せず、送信前に表示される見積もりはすでにバッチ全体をカバーしています。
調整すべき品質プリセットがありません
フィールドは 6 つで、品質つまみは 1 つもありません。サンプラー設定も、間違えうるステップ数もありません。resolution がサイズを決め、既定で有効な enable_thinking だけが構図の組み立て方を変えるスイッチです。無効にすれば下書きが速く返ります。edit エンドポイントには同等のスイッチがありません。Alibaba のドキュメントはこの推論パスを、入力画像なしで送られたプロンプトに限定しているためです。

Wan 2.7 はどんな人に向くか

コンセプト制作
動く要素が 2 つ以上ある場面
特定の小道具に触れているキャラクター、位置関係を指定した 2 人の被写体、複数の要素で光源を一貫させる必要がある場面。より速いモデルではキーワードの羅列に分解されがちな指示ですが、1 つのつながった文として書けば推論パスが解決する材料になります。
プロダクトと編集
物どうしの関係を書いた構図
物どうしがどう位置しているかを書きます。それが推論パスの解決対象だからです。静物写真なら、どれが手前にあるか、どれがもう一方の影に落ちるか、反射がどこに映るかを名指しし、同じ構図を seed 固定のまま 3:2 と 9:16 で描き直します。
キャラクター設定
1 つの顔立ちを軸に一式を組みます
顔立ちが決まったら seed を固定し、衣装や舞台の節だけを 1 つずつ変えて一式に広げます。固定した seed は助けになりますが、顔が揺れることもあるので毎回結果を確認してください。
大量のコンセプト出し
印刷サイズより構図の正確さが要る場面
1k は画面上でのレビューや SNS 規模の出力に合います。構図を選別している段階では enable_thinking を false にすると 1 回あたりが短くなります。納品する数枚だけ 2k に上げ、それでも足りなくなってはじめて Wan 2.7 Pro の text-to-image に移ってください。

Wan 2.7 API の使い方

まず比率を決めます
aspect_ratio はフレームの形を変える唯一のフィールドです。同じ説明でも、縦位置の画布と横長の画布では組み方が変わります。先に決めておけば、正方形向けに書いた構図が縦長や横長の画布とかみ合わない事態を避けられます。
場面全体を 1 本のプロンプトで書きます
曖昧さの解消はすでに推論の段階が担っています。構造の整った説明を一本書くほうが、競合する短い指示をいくつも並べるより強く効きます。被写体、動作、位置関係、光を同じ段落に収めてください。prompt は最大 5,000 文字受け付けるので、複合的な場面でも十分な余裕があります。
関係を明示します
「〜の後ろ」「〜の影のなか」「〜と同じ色で」といった関係を書きます。要素を横に並べるだけでは推論パスに解決させる材料がありません。関係を名指しすることこそが、実際に推論される対象です。
まず seed なしで探し、決まったら固定します
構図を探している間は seed を指定しないでおきます。近づいてきたらその seed を固定し、以後は一度に 1 つのフィールドだけ変えます。seed 未指定は呼び出しごとに新しい結果を返すので、方向を絞り込む前の選択肢の見比べに向きます。
モデルを変える前に解像度を上げます
結果がすでに正しく、あとは大きくしたいだけなら resolution を 2k にします。同じプロンプトで画素数は 4 倍になります。Wan 2.7 Pro の text-to-image はその次の段で、サイズの問題に関して追加されるのは 4k 段だけです。

Wan 2.7 の実際の例

位置関係を明示した静物

急須、布、光の関係を名指しすることで、構図がありきたりな商品写真に流れていくのを防ぎます。

A hand-thrown stoneware teapot glazed in deep celadon, resting on undyed linen beside a single dried chrysanthemum stem, soft window light from the left, fine crackle texture visible in the glaze

1 つの人物を軸にしたポートレート一式
seed を 1 つ人物の錨として固定し、以後は衣装と背景だけを呼び出しごとに変えます。推論パスは節が変わるあいだも顔の骨格を保つ助けになりますが、完全に一致する保証はありません。
```
Portrait of a woman in her thirties, short dark hair, small scar above the left eyebrow, three-quarter view, overcast daylight, muted olive coat
```
横長の画面全体に及ぶ 1 つの光源
単一の光源を名指しし、画面内のすべての物体にそれへ応答させるよう求めるのは、推論パスがまさに解決するために組まれた種類の指示です。正方形の画角でも横長の 16:9 クロップでも同じように保たれます。
```
A row of five mismatched ceramic vases on a long wooden shelf, each holding a different dried flower, one warm lamp glowing from the left edge of the frame so every vase casts a soft shadow to the right, fine dust visible in the light
```

Wan 2.7 API のよくある質問

場面全体を構造の整った 1 本の段落に書いてください。被写体、その動作、カメラの位置、そして光の順です。除外したい要素も同じ段落に含めてください。移す先となる negative prompt フィールドがないためです。まず seed を省いた状態で 1k で構図を固め、その seed を固定してから resolution を 2k に上げ、呼び出しごとに 1 節だけ変えてください。そうすれば見える差分はすべて自分が入れた変更だとわかります。