alibaba/wan-3.0/reference-to-videoAlibaba の Wan 3.0 reference-to-video は、画像 10 枚・動画 5 本・音声 5 本までで人物・衣装・ロケーション・声を一貫させます。480p〜1080p の 2〜30 秒で、プロンプトは任意です。
プレイグラウンド
この実行例は、このエンドポイント向けに書き下ろしたものです。プロンプトとサンプル素材の URL は、ご自身がアクセスできるものに差し替えてください。送信前に、最新の見積もりとモデルの提供状況もあわせてご確認ください。
- 出力5 秒
two-refs-deco-casino 参照は 3 枚、役割も 3 つで、アップロード順に名前で呼びます。Image 1 が女性、Image 2 が男性、Image 3 がカジノです。彼女のフィンガーウェーブとフリンジの黒いドレス、彼の燕尾服とゆるめた蝶ネクタイ、そして金色のドーム、シャンデリア、ルーレット台はすべて画像から来ています。プロンプトが足すのは動きだけです。彼女が幸運を願って玉に息を吹きかけ、彼がホイールを回し、彼女が笑って彼の蝶ネクタイを指でなぞる。`duration_seconds` は `5`、`720p`、`16:9` です。
- 720p
- 16:9
- audio
- 出力8 秒
character-and-room `reference_image_urls` は 2 つの役割を固定順序で保持します——1 番目がキャラクター、2 番目が部屋——プロンプト内の「最初の画像」「2 番目の画像」がラベル構文なしにそのまま対応します。彼女の顔、髪、黒いスリップドレスは 1 番目から、ランプ、扉口、彼女が向かう窓は 2 番目から引き継がれます。`resolution` `720p`、`duration_seconds` `8` で、ゆっくりした横移動が窓まで彼女を追いかけます。`seed` `771120` でこの横断を再現できます。
- 771120
- 720p
- 16:9
- 出力10 秒
voice-matched-monologue `reference_audio_urls` が声を、`reference_image_urls` が顔と服装を供給します——2 つの参照はそれぞれ別の役目を果たし、見慣れた顔に合わない声が乗ると、絵が正しくても違和感が生まれます。プロンプトが付け加えるのは演出だけで、キッチンテーブルに座り、片手でマグカップを持ち、話す前にカメラへ視線を上げます。`duration_seconds` `10` と `resolution` `720p` は、その一拍分の余裕を残します。
- 720p
- 10s
この例は 出力秒 あたり $0.045 からです。設定を変更すると、プレイグラウンドの概算料金がその場で更新されます。