はじめに
Wan 3.0 Prime 参照から動画 は、Prime のレンダリングで、最大で画像 10 枚、動画 5 本、音声 5 本の参照素材から 2〜30 秒のショットを組み立てます。フィールドは Wan 3.0 参照から動画と同じです。参照の配列、参照ファイル、ウェブリンクのうち少なくとも 1 つが必要で、プロンプトは省略できますが、書く場合は各参照素材が何を担うかを示すべきです。解像度は 480p・720p・1080p(既定は 720p)、aspect_ratio の既定値は 16:9 です。
開始素材に応じてモードを選ぶ
| 開始素材 | モード |
|---|---|
| 書いたブリーフから、場面、行動、カメラ、必要に応じて音を組み立てます。 | Wan 3.0 Prime テキストから動画 |
| 承認済みの開始画像が被写体と構図を決め、指示文がその後の動きを導きます。 | Wan 3.0 Prime 画像から動画 |
| 別々の参照素材に、人物、場所、動き、音の役割を明確に割り当てられます。 | Wan 3.0 Prime 参照から動画 |
主な機能とハイライト
人物の素材 1 枚と、文章から作る場面全体
素材 1 枚で人物を担い、それ以外はすべてプロンプトで作ることもできます。砂丘のサンプルは、無地のスタジオ背景でフラットに撮った人物の画像 1 枚だけを使い、月明かりの砂丘、風、彼女の頭上になびく数メートルのスカーフはすべて文章で書いています。テイクの終わりでもスカーフが同じ腕につながっている必要があるので、確認ポイントとして好都合です。
クリップから借りるカメラの動き
参照動画は顔ではなく、動きとカメラのスタイルのためのものです。動きのスタイルのサンプルは、参照クリップからゆっくりした手持ちの回り込みを取り出し、参照画像の女性に適用しています。何もないスタジオに立つ彼女を 720p で 6 秒。参照クリップは MP4 か MOV で、16 fps 以上、1 本 1〜15 秒、合計 15 秒以内である必要があります。
参照音声で声の連続性を保つ
WAV か MP3 の参照音声を合計 15 秒以内で 5 本まで使い、テイクをまたいで声を保てます。見た目は連続していても、ショットごとに声が違う司会者は連続していません。人物が複数のショットで話すなら、毎回同じ参照音声を送ってください。参照音声と参照画像は課金されません。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | いいえ | 任意です。書く場合は、まず各参照が何を担うかを示し、続けて被写体、動作 1 つ、カメラの動き 1 つ、光と音を書きます。 1 文字以上 |
reference_image_urls | いいえ | 人物、衣装、セットのプレートとして 1〜10 枚を渡します。人物なのか衣装なのかセットなのか、プロンプトで一枚ずつ名指ししないと平均化されてしまいます。 1 件以上 · 10 件以内 |
reference_video_urls | いいえ | 最大 5 本、各 1〜15 秒、合計 15 秒までです。顔ではなく、動きやカメラワークのために使ってください。 1 件以上 · 5 件以内 |
reference_audio_urls | いいえ | 最大 5 本、各 1〜15 秒、合計 15 秒までです。カットが合わせるべき声、台詞の読み、ルームトーンに使います。 1 件以上 · 5 件以内 |
reference_file_url | いいえ | ショットを組み立てる前にモデルが読む資料を 1 つ渡せます。キャラクターシート、台本、ショットリスト、商品ブリーフなどです。 |
reference_link_url | いいえ | モデルが参考として読む公開ウェブページを 1 つ指定します。記事、商品ページ、キャラクター紹介などです。 |
aspect_ratio | いいえ | 16:9、9:16、1:1、4:3、3:4、adaptive から選びます。adaptive はモデルに選ばせる指定です。 |
enable_thinking | いいえ | 生成の前に、指示と参照素材をモデルにじっくり読み込ませます。長いドキュメントや Web ページ、複雑な参照画像に向いていますが、処理は遅くなります。 デフォルト値: |
resolution | いいえ | 480p、720p、1080p。既定は 720p。 |
duration_seconds | いいえ | 2〜30 の任意の整数秒、または -1 でスマート尺。既定は 5。 |
generate_audio | いいえ | 既定でオン。映像に固定された音付きでクリップが返ります。 デフォルト値: |
enable_prompt_expansion | いいえ | 既定でオフ。オンにすると生成前にプロンプトが書き直され、薄いブリーフには効き、詳細なブリーフとは喧嘩します。 |
seed | いいえ | 0〜2147483647。1 フィールドずつ比べるときは固定し、幅が欲しいときは外してください。 |
料金
参照動画の長さは課金対象の秒数に加算されますが、参照画像と音声は加算されません。実行前にクリップの長さを計測できないため、まず上限の15秒分を仮押さえし、精算時に未使用分を即座に解放します。実際に使用された秒数のみが課金されます。
| 仕様 | 料金 |
|---|---|
| $0.0612 / 秒 |
| $0.126 / 秒 |
| $0.252 / 秒 |
ユースケース
繰り返し登場する司会者
シリーズのすべてのリクエストで、顔とセットには同じ画像素材を、声には同じ参照音声を使います。司会者のサンプルは「the same presenter, the same studio」を保ち、動き(特定のフレーミングで終わるプッシュ)だけを書いています。人物の同一性はすでに参照素材が担っているからです。
スタイルをそろえたインサート
新しいショットを既存のショットと同じように動かしたいときは、そのクリップを動きの参照として、被写体には画像を渡します。動きのスタイルのサンプルのように、どちらが何かをプロンプトで明記してください。「Take the camera behaviour from the reference clip — a slow handheld orbit — and apply it to the woman in the reference image.」
プロンプトガイドと実践のヒント
参照動画の長さを出力と合わせて見積もる
参照動画の秒数は出力と一緒に課金され、参照動画と duration_seconds の合計は 30 秒を超えられません。6 秒のスタイル用クリップなら、出力は最大 24 秒です。参照素材の上限は送信時ではなく生成中に適用されるので、送る前にクリップを切り詰めておいてください。
顔は動画ではなく画像に任せる
参照動画は動きのスタイルを決めるのは得意ですが、顔を固定するには向きません。人物は画像素材に任せてプロンプトで名指しし、動画はカメラや体の動き方にだけ使ってください。
テイク間で参照素材のセットを変えない
1 回の試行で変えるのは参照素材 1 つかプロンプトの 1 行だけにし、seed を固定しておけば、違いを原因までたどれます。延ばす前に 5 秒・720p で見た目を固め、どのレンダリングでも最初と最後で、顔、衣装、声をそれぞれの参照素材と照らし合わせてください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-prime/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。



























