Wan 2.2 Image-to-Video: tempo, kadrowanie i tożsamość

Wan 2.2 Image-to-Video podąża za obrazem, który wysyłacie, i porusza wyłącznie to, o czym prompt każe mu ruszać. Dobry prompt jest więc krótki: jedna widoczna akcja, jedno zachowanie kamery i jedno zdanie o tym, co ma pozostać nieruchome. Większość porażek (ruch, który wygląda na wolny, niespodziewany zoom, zmieniająca się twarz lub produkt) wynika z pierwszej klatki albo z nakładających się instrukcji, a nie z za małej liczby słów. Ten przewodnik pokazuje strukturę, rozłożony przykład oraz sposób naprawy każdej porażki.

Co kontrolujecie w każdym endpoincie

Żaden z nich nie ma pola proporcji: klip przyjmuje kształt obrazu, więc przed przesłaniem przytnijcie do 16:9 lub 9:16. Złagodzony oznacza, że model bazowy może osłabić lub odrzucić jawną prośbę; endpointy Spicy są oznaczone jako bez ograniczeń, ale to nie gwarantuje, że każde żądanie zostanie dostarczone bez zmian. Używajcie endpointu bazowego do materiałów bezpiecznych dla pracy, a endpointów Spicy, gdy treść wymaga modelu bez cenzury; metoda tworzenia promptów poniżej jest taka sama.

Przygotujcie klatkę przed promptem

Obraz dostarcza postać, ubranie, scenerię i kierunek światła, więc prompt nie powinien ich opisywać ponownie. Powinien natomiast umożliwić ruch:

• Pokażcie całość tego, co się rusza. Akcja chodzenia wymaga nóg w kadrze; sięganie wymaga widocznej ręki i przedmiotu, a nie ręki ukrytej za kubkiem.
• Zostawcie miejsce w kierunku ruchu. Postać przy prawej krawędzi nie zrobi kroku w prawo bez wyjścia z kadru ani wymuszenia ruchu kamery.
• Usuńcie to, czego nie chcecie animować: przypadkowe osoby, nałożenia, tekst wtopiony w obraz i znaki wodne przechodzą wprost do klipu.
• Najpierw naprawcie wady źródła. Nadmiarowy palec albo zawieszony kubek na zdjęciu pojawi się również w wideo.

Struktura promptu

Piszcie w tej kolejności: kto lub co i jak się rusza, potem kamera, potem to, co zostaje nieruchome, albo to, co robi światło. Wygląd zostawcie obrazowi.

Oto prawdziwy przykład ze strony modelu Wan 2.2. Źródłem jest całopostaciowy portret studyjny z jednolitym szarym tłem, 720p:

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.

Działa to, bo każdy takt jest widoczną zmianą względem pozycji wyjściowej, kamera jest wprost opisana jako unieruchomiona, a zakończenie to utrzymana poza, na której można ciąć. Postać ma miejsce, by podejść do kamery, ponieważ źródłem jest klatka obejmująca całą sylwetkę z podłogą przed nią.

Ujęcie produktowe stosuje ten sam schemat, a ruch przypada na kamerę albo światło, z wyraźną linią o tym, czego poruszać nie wolno:

The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move.

Tutaj widoczną pracę wykonuje wyłącznie światło: etykieta i sylwetka pozostają stabilne, kiedy pas przesuwa się po szkle, a żądany łuk kamery jest ledwo zauważalny. Jeśli potrzebujecie wyraźnie widocznego obrotu, poproście o większy ruch kamery osobno, bez zmiany światła w tym samym zdaniu.

Spróbujcie w Playground

1. Otwórzcie Wan 2.2 image to video, zostańcie w zakładce Playground w widoku Form i zalogujcie się, aby uruchomić.
2. Dodajcie pierwszą klatkę w polu Input image (JPG, PNG lub WEBP, do 10 MB), przyciętą do wybranego kształtu.
3. Wklejcie prompt w Prompt albo otwórzcie Playground z wypełnionym przykładem całopostaciowym.
4. Podczas szkicowania zostawcie Resolution na 480p, ustawcie Seed i dodajcie zoom, sudden reframing, cuts, second person w Negative prompt, jeśli kamera się rusza. Prompt expansion zostawcie wyłączone dla precyzyjnej akcji; włączcie je tylko dla pomysłu w jednym zdaniu.
5. Uruchomcie, a potem powtórzcie ten sam klip, który zostaje, w 720p z tym samym seedem.

Następnie API

Gdy prompt zadziała, wyślijcie to samo żądanie z kodu. Pola i wyniki znajdziecie w dokumentacji API.

{
  "model": "alibaba/wan-2.2/image-to-video",
  "input": {
    "image_url": "https://example.com/your-full-body-portrait.png",
    "prompt": "She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.",
    "negative_prompt": "zoom, sudden reframing, cuts, second person",
    "resolution": "480p",
    "seed": 14327
  }
}

Szkicujcie w 480p, a potem wyślijcie klip, który zostaje, z "resolution": "720p" i tym samym seed.

Niech zrobi to Agent. Asystent może wykonać to samo wywołanie przez CLI (npx @spicyapi/cli tasks create --model alibaba/wan-2.2/image-to-video --input-file input.json --wait, z obiektem input tego żądania w input.json), serwer MCP (npx --yes --package=@spicyapi/mcp spicyapi-mcp) albo Agent Skill (npx skills add spicyapi-ai/spicy-skill). CLI i MCP pokazują cenę i pytają o potwierdzenie przed utworzeniem zadania.

Poprawianie wolno wyglądającego ruchu

Wolne klipy wynikają zwykle z jednej z czterech przyczyn, a każda wymaga innej poprawki:

• Słowa nastroju. „Calm”, „dreamy” i „cinematic” sugerują spowolnienie. Usuńcie je i opiszcie gest w zwykłej prędkości z ukończonym stanem końcowym.
• Za dużo akcji na klip. Wstanięcie, przejście przez pokój i nalanie napoju nie zmieszczą się w pięciu sekundach. Ograniczcie się do jednego gestu albo podzielcie to na kilka klipów, każdy zaczynający się od własnej klatki.
• Zbyt mała akcja. Minimalny ruch odczytuje się jako statyczny. Nazwijcie część, która się rusza, i miejsce, do którego dociera.
• Brak zakończenia. Jeśli ręka wciąż się przemieszcza w ostatniej klatce, skróćcie drogę albo dodajcie utrzymaną pozę końcową.

Na endpointach Spicy opcja 8-sekundowa pomaga przy akcji, która naprawdę potrzebuje więcej czasu.

Poprawianie niechcianego zoomu i cięć

Nazwijcie ruch kamery, którego chcecie, bo „dynamic camera” dopuszcza każdy z nich: zoom zmienia skalę, dolly zmienia pozycję kamery, pan obraca obraz, a orbita krąży wokół postaci. Aby utrzymać kamerę, powiedzcie to wprost („locked camera, fixed medium distance”) i dodajcie na endpoincie bazowym krótki prompt negatywny, na przykład zoom, reframing, cuts. Spicy i Spicy LoRA nie mają pola negatywnego, więc polegajcie na instrukcji pozytywnej.

Zanim obwinicie kamerę, sprawdźcie tło. Jeśli punkty orientacyjne stoją w miejscu, a postać rośnie, postać pochyliła się ku obiektywowi; poproście o mniejszy ruch do przodu. Jeśli zmienia się skala całej kadry, to wina kamery, więc zmieńcie wyłącznie zdanie o kamerze, a resztę zostawcie bez zmian. Portret z płytką głębią ostrości i rozmytym tłem utrudnia ocenę, dlatego zacznijcie od źródła z rozpoznawalnymi cechami tła.

Poprawianie dryfu tożsamości

Porównajcie pierwszą, środkową i ostatnią klatkę oraz obejrzyjcie obroty i przesłony, w których model musi wymyślić ukryte szczegóły. Trzy poprawki pokrywają większość przypadków:

• Ograniczcie ruch jednoczesny. Mały gest przy nieruchomej głowie i nieruchomej kamerze lepiej zachowuje tożsamość niż pełny obrót z orbitą. Wracajcie do ruchu po jednym fragmencie.
• Dopasujcie prompt do obrazu. Jeśli klatka pokazuje ciemną kurtkę, a prompt mówi o niebieskiej koszuli, prosicie o zmianę.
• Wybierzcie lepsze źródło. Jeśli liczy się bok albo tył, na przykład druga strona etykiety produktu, wyślijcie klatkę, która to pokazuje; model nie odczyta tego, czego nie widzi.

Mocne cienie mogą wyglądać jak zmiana tożsamości, dlatego porównujcie również kształt i wzór, nie tylko kolor.

Poprawiajcie po jednym

Uruchamiajcie to samo zdjęcie, tę samą rozdzielczość i ten sam seed, a przy każdej próbie zmieniajcie jedno zdanie: najpierw akcja, potem tempo, potem kamera. Oceniajcie cały klip w normalnej prędkości, bo obrazy nieruchome nie pokażą, czy gest był żywy ani czy przedmiot pozostał nienaruszony. Obserwujcie początek, największy ruch i ostatnią sekundę. Jeśli trzy zmiany sformułowania nic nie naprawią, zmieńcie klatkę; nowa klatka oznacza też napisanie akcji od nowa tak, by pasowała do nowego stanu początkowego.

Kiedy zmienić endpoint

• Klatka końcowa albo 8 sekund: użyjcie Wan 2.2 Spicy. Skierujcie last_image_url na swoje pierwsze zdjęcie, aby uzyskać pętlę bez szwu, albo na inną kompozycję, aby zakończyć ujęcie w konkretnym miejscu; wyślijcie to z "duration_seconds": 8 w takim samym kształcie żądania jak wyżej.
• Własny adapter stylu lub ruchu: użyjcie Wan 2.2 LoRA albo Wan 2.2 Spicy LoRA, gdy treść wymaga modelu bez cenzury, z maksymalnie trzema LoRA na każdej liście. Style kamery lub ruchu umieśćcie w high_noise_loras, a teksturę lub ziarno w low_noise_loras. Nie nazywajcie stylu również w prompcie, bo zwykle podwaja to efekt. Sprawdźcie różne wartości siły w 480p z ustalonym seedem. Do dłuższej sceny rodzina LoRA ma też zadanie rozszerzenia wideo.
• Prosta pięciosekundowa akcja: endpoint bazowy wystarczy.

Budżetowanie prób

Cena bazowa jest za żądanie, więc nie mnożcie jej przez długość. Ponowne wyrenderowanie wybranego klipu w 720p podwaja cenę bazową i stawki za sekundę. Tempo i kamerę sprawdzajcie w 480p, ale używajcie 720p, gdy oceniany defekt to drobiazg, na przykład etykieta albo palec.

Co dalej

Gdy ujęcie potrzebuje klatki końcowej, dłuższego ujęcia albo adapterów, zmieńcie endpoint zamiast dodawać słowa. Różnice polityki między wersjami opisuje artykuł o wersjach Wan, a gniazda adapterów — przewodnik po LoRA high noise i low noise.