Wan 3.0 API: tekst na wideo, obraz na wideo czy referencja na wideo

Wan 3.0 to jedna rodzina modeli z trzema wejściami, a sposób, od którego zaczynasz, decyduje, co możesz kontrolować, za co płacisz i — w tym API — jak traktuje treści bez cenzury. To, czy wyślesz słowa, klatkę still czy stos referencji, sprowadza się do jednego pytania.

Krótka odpowiedź: zapytaj, co nie może się zmienić w klipie:

• Jeszcze nic, wciąż szukasz sceny: tekst na wideo. Wystarczy jedno pole, prompt.
• Pierwsza klatka (a opcjonalnie ostatnia): obraz na wideo. Obraz trafia dokładnie jako klatka pierwsza, więc prompt musi tylko opisać ruch.
• Postać, pokój, głos albo styl ruchu, który ma się powtarzać: referencja na wideo. Do dziesięciu obrazów, pięciu klipów i pięciu ścieżek audio, plus opcjonalny dokument lub strona internetowa, każdy z własną rolą w prompcie.

Wszystkie trzy zwracają od 2 do 30 sekund z dźwiękiem w tym samym pliku, w 480p, 720p lub 1080p na bazie i Prime (poziomy Pro renderują 1080p, 2K lub 4K, a 2K i 4K powiększane są z renderu 1080p). Pozostałe modele wideo znajdziesz w katalogu API wideo bez cenzury.

Trzy zadania obok siebie

We wszystkich trzech zadaniach czas trwa od 2 do 30 sekund albo -1, aby model sam wybrał długość (30 s rezerwuje się z góry, a opłata jest rozliczana według dostarczonej długości).

Jeśli wyślesz pole, którego zadanie nie wymienia, na przykład image_url do zadania tekst na wideo, wywołanie utworzenia zwróci 400. Weź schemat ze strony modelu, zamiast kopiować sąsiedni endpoint.

Ile kosztuje klip

Cena za sekundę jest taka sama dla wejścia tekstowego, obrazowego i referencyjnego.

Referencja na wideo dokłada jeden szczegół: sekundy każdego wideo referencyjnego są rozliczane dodatkowo do wyniku, a klipy referencyjne plus wynik muszą zmieścić się w 30 sekundach. Obrazy, audio, dokumenty i strony referencyjne nie są rozliczane. Wycena lub rezerwacja zadania z klipami referencyjnymi zakłada maksimum 15 sekund; płacisz tylko za sekundy faktycznie zużyte.

Starszy Wan 2.6 to alternatywa o stałej długości: tekst na wideo i obraz na wideo zwracają dokładnie 5, 10 lub 15 sekund w 720p (0,09 $ za sekundę) lub 1080p (0,135 $). Jego zadanie referencja na wideo to inna umowa: przyjmuje do trzech klipów referencyjnych i żadnych obrazów, a nosi etykietę Filtered content zamiast Unrestricted.

Tekst na wideo: napisz ujęcie, nie klimat

Używaj go, gdy scena jest jeszcze otwarta, nie ma zatwierdzonego obrazu albo chcesz jednego długiego ujęcia z własnym dźwiękiem. Nic nie kotwiczy pierwszej klatki, więc umieść w prompcie wszystko, co widz ma zobaczyć: postać, jedno działanie, jeden ruch kamery, potem światło i dźwięk. Jedno jasne działanie bije długą listę przymiotników. Szukaj gdzie indziej, gdy kompozycja otwarcia ma pasować do zatwierdzonego obrazu: to jest obraz na wideo.

{
  "model": "alibaba/wan-3.0/text-to-video",
  "input": {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation rolls down the glass while the camera pushes in slowly. Cool side light, no cut. Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": true
  }
}

To żądanie kosztuje 10 x 0,09 $ = 0,90 $ na bazie Wan 3.0. Pomagają trzy nawyki:

• Ustal wygląd po 5 sekundach, zanim poprosisz o 30. Dłuższe klipy bardziej dryfują, więc zły pomysł taniej wyłapać krótko.
• Przy długich ujęciach podziel prompt na taktowane beaty. Jeden przykład społeczności zapisał po jednym dwusekundowym beacie na działanie (ciasto, sos, dodatki, piekarnik) plus jedną linię ciągłości dla 15-sekundowego klipu.
• Wyłącz rozbudowę promptu, gdy brief jest precyzyjny. Pomaga przy szczupłych promptach i szkodzi rozbudowanym; w zadaniu tekst na wideo na Wan 3.0 Pro jest domyślnie włączona.

Obraz na wideo: klatka to sufit

Używaj go, gdy pierwsza klatka nie podlega dyskusji: packshot produktu ze stałym kadrem, zatwierdzona tablica postaci, klatka kluczowa z wcześniejszego klipu. Obraz ustala garderobę, wnętrze i światło, więc prompt niesie tylko ruch. Szukaj gdzie indziej, gdy scena jest jeszcze otwarta (tekst na wideo) albo gdy postać ma powracać w kilku ujęciach (referencja na wideo). Pomiń aspect_ratio, a klip odziedziczy kształt obrazu; sprzeczna wartość go przycina.

last_image_url sprawia, że klip kończy się dokładnie na drugim obrazie. Przekazanie tego samego pliku jako pierwszej i ostatniej klatki daje pętlę bez sklejania, jak w tym przykładzie butelki produktu: obrót o ćwierć, tak że poświata przechodzi przez szkło, potem powrót do początku.

Ten sam obraz co image_url i last_image_url, dźwięk wyłączony; 5 s w 1080p kosztuje 0,90 $.

{
  "model": "alibaba/wan-3.0/image-to-video",
  "input": {
    "image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "last_image_url": "https://cdn.spicyapi.ai/models/examples/inputs/e82b71db9e3d0e5f.png",
    "prompt": "The bottle rotates a quarter turn so the highlight travels across the glass, then returns to its starting angle. Locked camera, single soft key from the left, no music.",
    "duration_seconds": 5,
    "resolution": "1080p",
    "generate_audio": false,
    "seed": 20260907
  }
}

Opisz klatkę, którą dostarczyłeś, a potem ruch; nigdy inny pokój. Gdy prompt nazwie scenę inną niż klatka still, Wan 3.0 może otworzyć się na stillu, a potem przeciąć na nową scenę. Sam last_image_url jest odrzucany; potrzebuje image_url.

Referencja na wideo: daj każdej referencji zadanie

Używaj go, gdy coś musi się powtarzać: ta sama postać w kilku ujęciach, konkretny pokój, głos, ruch lub styl kamery. Wan 3.0 czyta referencje w kolejności, w której je podajesz, a prompt mówi, która jest którą; inaczej model uśrednia je w postać, która nie pasuje do żadnej. Szukaj gdzie indziej, gdy pojedynczy zatwierdzony still mówi już wszystko: dodatkowe referencje konkurują ze sobą i nie dają automatycznie większej kontroli. Poniższy przykład zachowuje postać z pierwszego obrazu i pokój z drugiego.

Ilustracja dekoracyjna, nie wynik modelu ani schemat poniższego przykładu.

{
  "model": "alibaba/wan-3.0/reference-to-video",
  "input": {
    "reference_image_urls": [
      "https://cdn.spicyapi.ai/models/examples/inputs/a4d8d93ce949c527.png",
      "https://cdn.spicyapi.ai/models/examples/inputs/27753da99f960815.png"
    ],
    "prompt": "The first image is the character: keep her face, hair and the black slip dress exactly. The second image is the room. She crosses from the doorway to the window and leans against the frame, looking out. Slow lateral track, one practical lamp, night ambience.",
    "duration_seconds": 8,
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "seed": 771120
  }
}

Dwa obrazy referencyjne, brak wideo referencyjnego: 8-sekundowy klip kosztuje 8 x 0,09 $ = 0,72 $.

Co możesz mu podać:

• Obrazy (do 10) dla tożsamości, garderoby i tablic wnętrza. Zdjęcie prawdziwej osoby jest często odrzucane przez kontrolę twarzy ("The input content is suspected to include real human faces"). Używaj postaci ilustrowanych, renderowanych w 3D albo generowanych. Odrzucone zadania nie są rozliczane.
• Wideo (do 5 klipów, od 1 do 15 s każdy, łącznie 15 s) dla ruchu i stylu kamery, a nie dla twarzy. Sprawdź długości klipów przed wysłaniem; limity są egzekwowane w trakcie generowania, nie przy akceptacji.
• Audio (do 5 klipów, łącznie 15 s) dla głosu albo szumu pomieszczenia.
• Jeden dokument lub jedną publiczną stronę internetową (nie oba), którą model czyta dla postaci, garderoby, otoczenia i akcji: plik PDF, DOCX, TXT lub Markdown do 100 MB i 50 stron albo strona otwierająca się bez logowania. Dołączenie którejkolwiek z nich włącza thinking (niedostępne na poziomach Pro) i rozbudowę promptu, chyba że sam je ustawisz. Tutorial twórcy pokazuje ten pomysł; nieudane odczytanie strony nie jest rozliczane.

Jeśli pierwsza klatka musi być dokładna, użyj zadania obraz na wideo. Referencja na wideo może dostać polecenie rozpoczęcia od obrazu (zobacz przewodnik po promptach Wan 3.0 firmy Alibaba), ale tylko obraz na wideo to gwarantuje.

Co zmienia się przy pracy bez cenzury

Brak cenzury to nie jeden przełącznik w Wan; wybrane zadanie zmienia wynik. Na podstawie naszych testów z września 2026 (pełna siatka w teście Wan bez cenzury):

• Wan 3.0 base zwróciła każdy poziom intensywności w teście, od łagodnego do silnego, dla wejścia tekstowego, obrazowego i referencyjnego, ale poszła też dalej, niż prosiłeś: prompt o temacie powściągania często wracał jako inna scena z dwojgiem dorosłych, czasem z dodatkową osobą.
• Obraz na wideo Wan 3.0 Prime złagodził scenę z dwojgiem dorosłych, podczas gdy Prime w tekście i w referencji ją zwrócił. Jeśli twoja praca zaczyna się od obrazu, najpierw spróbuj Wan 3.0 base.
• Wan 3.0 Spicy i Prime Spicy istnieją tylko jako obraz na wideo (od 0,057 $ za sekundę w 480p). Same z siebie ciążą ku treściom dla dorosłych i często zmieniają albo zdejmują ubranie. Jeśli strój ma zostać, użyj Wan 3.0 base.
• Referencja na wideo Wan 2.6 odmówiła naszego materiału referencyjnego.

Zachowanie różni się między endpointami, więc uruchom własny prompt na tym, który wybierzesz. Aby kontynuować historię ponad 30 sekund, zobacz łączenie klipów.

Najpierw wypróbuj w Playground

Każde zadanie ma własną stronę z zakładką Playground (zostań w widoku Form; zaloguj się kontem z saldem, aby uruchomić). Uruchom tam krótki, tani klip, zanim napiszesz jakikolwiek kod.

1. Otwórz stronę swojego zadania: tekst na wideo, obraz na wideo lub referencja na wideo.
2. Wypełnij wejścia, których wymaga zadanie. Tekst na wideo: Prompt. Obraz na wideo: Input image, plus Closing frame, jeśli klip ma kończyć się na drugim obrazie; Prompt jest opcjonalny. Referencja na wideo: Reference images, Reference videos i Reference audio (co najmniej jedno z wejść referencyjnych); w prompcie powiedz, co każde z nich steruje.
3. Ustaw Resolution na 480p, a Duration na 5. Oba są oznaczone jako wpływające na cenę, a szacunek na stronie aktualizuje się po zmianie.
4. Zostaw Generate audio włączone, chyba że sam oceniasz klip, i wyłącz Prompt expansion, gdy prompt będzie precyzyjny. Ustaw Seed, jeśli chcesz porównać dwie zmiany.
5. Naciśnij Run model, obejrzyj klip w Output, a potem zwiększ rozdzielczość i długość, gdy wygląd będzie już właściwy.

Widok JSON obok Form pokazuje treść żądania, a zakładki z kodem obok pokazują to samo wywołanie, więc klip działający tutaj można skopiować do swojego kodu.

Potem uruchom to z kodu

Zainstaluj Python SDK (pip install spicyapi), ustaw SPICY_API_KEY w swoim środowisku i uruchom to. Używa treści tekst na wideo z powyższego przykładu; podmień identyfikator modelu i input dla pozostałych dwóch zadań. Pokazuje cenę i czeka na twoje tak przed utworzeniem zadania:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment
MODEL = "alibaba/wan-3.0/text-to-video"
body = {
    "prompt": "A ceramic bottle stands on a brushed-steel counter. One bead of condensation "
              "rolls down the glass while the camera pushes in slowly. Cool side light, no cut. "
              "Sound: a faint fridge hum and the tick of the droplet landing.",
    "duration_seconds": 10,
    "resolution": "720p",
    "aspect_ratio": "9:16",
    "generate_audio": True,
}

quote = client.quote_task(model=MODEL, input_data=body)
print("Estimated", quote["estimatedCost"], "maximum", quote["maxCharge"])
if input("Create the task? [y/N] ").strip().lower() != "y":
    raise SystemExit

task = client.create_task(
    model=MODEL,
    input_data=body,
    idempotency_key=str(uuid.uuid4()),
    quote_id=quote["quoteId"],
    expected_cost=quote["estimatedCost"],
)
print("Task", task["taskId"], flush=True)  # save it: after a timeout, look this task up instead of creating another
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise SystemExit(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(
    not asset.get("url") or asset.get("pending") or asset.get("unavailable")
    for asset in assets
):
    raise RuntimeError(f"{task['taskId']} has no complete downloadable output; look up this task before retrying")
print(assets[0]["url"])  # copy the clip to your own storage now

Dla wejść obrazu, klipu lub audio użyj publicznego linku HTTPS albo wgranego pliku (przewodnik po mediach). Wszystko poza tym wywołaniem znajdziesz w przewodniku po zadaniach i referencji Python SDK; usługa może używać webhooków. Klipy są przechowywane około 14 dni, więc skopiuj te, których chcesz (przechowywanie i dostarczanie).

Albo niech uruchomi to Agent

Gdy klipy ma uruchamiać asystent, wszystkie trzy oficjalne narzędzia pokazują cenę i pytają o zgodę przed płatnym wywołaniem.

• CLI. Umieść ten sam obiekt input w input.json, a potem:

``bash spicyapi tasks create --model alibaba/wan-3.0/text-to-video --input-file input.json --wait ``

Dla lokalnego stilla spicyapi files upload still.png zwraca adres spicy:// dla image_url. Zobacz dokumentację CLI; npx @spicyapi/cli działa bez instalacji.

• Serwer MCP. Dodaj serwer MCP do asystenta, a potem zapytaj: "Make a 10-second 9:16 clip at 720p with Wan 3.0 text-to-video from this prompt." Wywołuje spicyapi_task_create, który zatrzymuje się na twoim potwierdzeniu ceny, a następnie spicyapi_task_wait. Dla pliku na twoim komputerze używa spicyapi_upload_file.
• Skill. npx skills add spicyapi-ai/spicy-skill instaluje Agent Skill, dzięki któremu asystent programistyczny czyta żywy schemat modelu zamiast zgadywać pola.

Gdy wynik jest zły, zmień jedną rzecz

Porównując dwie próby, zmień jedno pole i trzymaj seed, prompt, czas trwania oraz rozdzielczość bez zmian. Timeouty, saldo i inne błędy ogólne opisuje referencja błędów.

Od jakiego poziomu zacząć

Zacznij na Wan 3.0 base w 480p, a potem podnieś rozdzielczość, gdy wygląd będzie właściwy. Prime jest szybsza, ale kosztuje o 36 procent więcej za sekundę w 480p albo o 40 procent więcej w 720p i 1080p; od 1080p do 4K użyj Pro. Dla stałych 5, 10 lub 15 sekund użyj Wan 2.6 z wejściem tekstowym lub obrazowym.

FAQ

Czy obraz na wideo jest lepszy niż referencja na wideo, jeśli chodzi o zachowanie twarzy?

Jeśli twarz jest w klatce otwierającej, wybierz obraz na wideo: używa obrazu dokładnie jako klatki pierwszej. Referencja na wideo służy twarzy, która ma powracać między ujęciami, a jej referencje sterują, zamiast utrwalać.

Czy obraz na wideo jest lepszy niż tekst na wideo?

Żaden nie jest lepszy w ogóle. Obraz na wideo wygrywa, gdy pierwsza klatka ma być konkretnym zatwierdzonym obrazem; tekst na wideo wygrywa, gdy wciąż odkrywasz scenę słowami i nie potrzebujesz pliku źródłowego.

Czy typ zadania zmienia cenę?

Nie. Cena za sekundę zależy tylko od poziomu i rozdzielczości; referencja na wideo dolicza rozliczane sekundy każdego klipu referencyjnego.

Krótko: słowa do odkrywania sceny, klatka still do utrwalenia pierwszej klatki, referencje do wszystkiego, co ma powtarzać się między ujęciami.