はじめに
Wan 3.0 には編集専用のモデルがありません。同じオールインワンモデルが、Video 1 として届いたクリップと「変えてほしい」という指示を受け取ると編集モードに切り替わります。プロンプトで触れなかった部分は元クリップから引き継がれるため、タイミング、構図、アスペクト比はそのまま残ります。
| 項目 | 値 |
|---|---|
| 入力 | 動画 |
| 出力 | 動画 |
| 開発元 | Alibaba |
| 元クリップ | MP4、1〜15 秒、各辺 240〜4096 px |
| 解像度 | 480p・720p・1080p(指定がなければ 720p) |
| 参考素材 | 任意:静止画 10 枚、音声 5 本(合計 15 秒) |
| 音声 | 編集に合わせて作り直し、オフなら音声トラックなし |
| 課金 | 元の秒数+編集後の秒数、単価は解像度で決まる |
主な機能とハイライト
ほかのモデルが断るキス
このページのクリップは、text-to-video の 5 秒 1 回で生成しています。ネオンの路地でひとつの傘を分け合う 2 人の女性、最後にキス。同じ文言は、一部の他社モデルではコンテンツフィルタで断られます。Wan 3.0 はそれを受け付け、ドリーインのあいだ 2 人の顔を保ち、同じ工程で雨の音まで返してきました。
音は映像とちゃんと合っています
音声生成は既定でオンなので、1 リクエストで 1 ファイルが返り、足音は本来のフレームに乗り、カメラが寄るにつれて雨音が上がります。走らせるべき 2 本目のジョブも、あとからの同期工程もありません。自分で音を付けるつもりのときだけオフにしてください。
画像 10 枚、クリップ 5 本、声 5 本
reference-to-video は 1 リクエストで画像 10 枚、動画 5 本、音声 5 本まで受け取るので、顔、衣装、ロケーションの素材、声がすべて同じカットに入れます。各参照が何のためのものかはプロンプトで書いてください。ラベルのない積み上げは平均され、どれにも似ていないものになります。
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
prompt | はい | 「Edit the video:」で書き始めて変更点を書き、そのあとに動かしてはいけない要素を並べます。元クリップは Video 1、追加の静止画はアップロード順に Image 1、Image 2、声や音楽のクリップは Audio 1、Audio 2 です。 1 文字以上 |
reference_image_urls | いいえ | 任意で、目指す見た目の静止画を最大 10 枚まで渡せます(ジャケット、帽子、小道具など)。プロンプトで「Image 1 の帽子」のように番号で指定してください。 1 件以上 · 10 件以内 |
video_url | はい | 編集するクリップです。長さ 1〜15 秒、各辺 240〜4096 ピクセルの MP4 を指定します。 1 文字以上 |
reference_audio_urls | いいえ | 任意で、作り直すサウンドトラックの声、話し方、音楽の手本を最大 5 本、合計 15 秒まで渡せます。プロンプトでは Audio 1、Audio 2 と呼びます。 1 件以上 · 5 件以内 |
resolution | いいえ | 480p、720p(既定)、1080p から選びます。ピクセル数と 1 秒あたりの料金はこの設定で決まりますが、画面の縦横比は元クリップに従うため、正方形のクリップは正方形のまま返ります。 |
generate_audio | いいえ | 既定でオンです。Wan 3.0 が編集後の映像に合わせて新しい音を作ります。 デフォルト値: |
seed | いいえ | 0〜2147483647 の整数を任意で指定します。同じシードを使うと 2 回の Wan 3.0 編集を比べやすくなりますが、まったく同じフレームになる保証はありません。 |
料金
Wan 3.0 の編集は参考動画と同じ考え方で課金されます。元クリップの秒数(整数秒に切り上げ)と、編集後クリップの実測秒数を、選んだ解像度の 1 秒あたり料金で合算します。編集結果は元クリップと同じ長さになるため、5 秒のクリップならおよそ 10〜11 秒分です。参考画像と参考音声は料金に影響しません。
| 仕様 | 料金 |
|---|---|
| $0.045 / 秒 |
| $0.09 / 秒 |
| $0.18 / 秒 |
ユースケース
他所で断られる無検閲のシーン
性別を問わないカップル、雨の中のキス、ひとつのフレームに収まる 2 人。ここまで率直に書いたプロンプトは、競合する動画モデルのいくつかでコンテンツフィルタに弾かれます。Wan 3.0 はそれを走らせますし、文言どおりの出力を最短で得る方法は、自分で用意した開始フレームです。
縦位置カットダウンを量で
aspect_ratio を 9:16 にし、尺を 5〜6 秒に保って、同じ撮影リストを seed で振ります。音のベッドがファイルの中に入って返るので、音楽の工程なしに API の出力をそのまま投稿できます。1 週間で 40 本という数が現実的になる理由です。
商品写真 1 枚からの商品映像
image-to-video はパックショットを開始フレームに、last_image_url を終了フレームに取るので、ボトルが回り、ハイライトを拾い、5 秒でヒーローアングルへ戻ってこられます。動きの両端が固定されているので、ラベルの文字もシルエットも生き残ります。
キャラクターを固定した連作
エピソードのすべてのカットで、同じ顔のプレートと衣装の静止画を reference-to-video に入れ、seed とプロンプトの骨格を使い回して、動作の行だけを変えます。別々にレンダリングした十数本のクリップをまたいで、キャストが見分けられるままになります。
プロンプトガイドと実践のヒント
変えたい部分を切り出す
編集したい部分を 1〜15 秒に切り詰めて
video_urlで送ります。編集結果はその長さと画面の形を引き継ぐので、短くするのは Wan 3.0 に頼まず先に済ませておきます。編集の指示として書く
「Edit the video:」に続けて変更点をひとつ書き、そのあとに顔、ポーズ、動き、カメラなど残すものを並べます。服や小道具を言葉で特定しきれないときだけ静止画を添え、Image 1、Image 2 と呼びます。
元クリップと見比べる
編集結果を元映像と並べてコマ送りで確認します。人物やカメラの動きが変わっていたら、プロンプトが新しい場面として読まれています。変更点だけに絞り、固定するものを改めて書いてください。
Wan 3.0 の動画編集でできること
Alibaba は Wan 3.0 を、用途別のモデル群ではなくひとつのオールインワンモデルとして作りました。クリップを Video 1 として渡し、変更を求めるプロンプトを添えると編集を行います。衣装、色、光、天気、時間帯、小道具の追加や削除、全体のスタイル、人物が話す言葉まで変えられます。プロンプトで触れていない部分は元クリップから読み取られるため、人物、その動き、カメラの軌道は編集後も残ります。
Wan 3.0 の編集に使えるクリップ
長さ 1〜15 秒、各辺 240〜4096 ピクセルの MP4 を 1 本送ります。長さが範囲外のクリップは課金前に受付を断ります。編集後のファイルは元と同じ長さ・アスペクト比で返り、5.04 秒の横長クリップなら 5.04 秒の横長映像になります。そのため長さや比率を指定する項目はありません。
Wan 3.0 への編集指示の書き方
編集を表す言葉から書き始めます。「Edit the video:」や change、replace、remove、add があると、Wan 3.0 は映像をゆるい参考ではなく編集対象として扱います。変更点を先に、固定するものをあとに書きます。たとえば「Edit the video: change her raincoat to yellow oilskin. Keep her face, her walk and the camera move exactly as in Video 1.」です。変更を 5 つ並べるより、1 回にひとつのほうが安定します。
参考画像と参考音声を使った編集
言葉で説明しにくい見た目(特定の帽子、柄の入った生地、部屋など)は、最大 10 枚の静止画で示せます。アップロード順に番号が付くので、「Image 1 の帽子をかぶる」のようにプロンプトで指定します。声や音楽の手本は最大 5 本、合計 15 秒まで Audio 1、Audio 2 として渡せます。どちらも料金には影響しません。
サウンドトラックの扱い
generate_audio がオン(既定)のとき、Wan 3.0 は編集後の映像に合わせて新しい音を作ります。窓に雨が打ちつける夜の場面なら雨音が入り、引用符で書いたセリフは実際に話されます。元クリップの音声はそのままコピーされません。オフにすると無音のファイルが返るので、元の音は編集ソフトで戻してください。
解像度と画面の形
解像度は 480p、720p、1080p の 3 段階です。この設定でピクセル数と 1 秒あたりの料金が決まり、画面の比率は元クリップのまま保たれます。1916×1082 の元クリップを 720p で編集すると 1276×720 で返り、正方形のクリップは正方形のままです。元映像にない細部を解像度で取り戻すことはできません。
Wan 3.0 の編集の課金
課金は参考動画と同じルールです。元クリップは整数秒に切り上げ、編集後のクリップは実測の秒数で数え、どちらも選んだ解像度の 1 秒あたり料金をかけます。編集結果は元と同じ長さなので、合計はクリップの約 2 倍になります。送信時には元クリップと編集後 15 秒分までを仮押さえし、結果を実測したあとで差額を解放します。
編集してよい映像
自分で撮影したか改変の許可を得ている映像で、撮影に同意した成人が映っているものだけを編集してください。実在の人物を本人が同意していない場面に置く目的で使ってはいけません。
Wan 3.0 の編集にプラットフォーム側のコンテンツフィルターはかかりません。そのぶん同意、肖像権、各地の法令への対応は利用者の責任になります。このページに掲載するサンプルは一般の閲覧者向けの内容にとどめています。
編集してよいのは、自分で撮影した映像か改変の権利を持つ映像で、出演に同意した成人が映っているものだけです。Wan 3.0 の編集で、実在の人物を本人が同意していない場面に置くことは絶対にしないでください。
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/video-edit",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"video_url": "https://example.com/reference.mp4"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。





















