Wan 2.5 API

Wan 2.5 Obraz na wideo zamienia kadr wysłany w image_url w 5- lub 10-sekundowy klip z dźwiękiem. Obraz wyznacza postać, strój, scenografię, kierunek światła i proporcje klipu; opcjonalny prompt o długości do 1500 znaków opisuje, co dzieje się dalej. Ten endpoint nie ma pola proporcji obrazu, więc przed wysłaniem przytnij obraz do formatu docelowego. Jeśli masz tylko pisany pomysł i żadnego kadru, skorzystaj z endpointu opartego na tekście.

Wybierz tryb Wan 2.5 według materiału początkowego

Kadr początkowy wyznacza wygląd

image_url przyjmuje JPEG, PNG, BMP lub WebP do 20 MB, przy czym każdy bok musi mieć od 240 do 8000 pikseli. Tego, co już widać w pliku – etykiety, sylwetki, kostiumu – nie trzeba opisywać ponownie, więc prompt może poświęcić słowa ruchowi, kamerze i dźwiękowi.

Dźwięk generowany z obrazem albo w rytmie twojej ścieżki

Każdy klip wraca z dźwiękiem wygenerowanym razem z obrazem. Gdy nagrana kwestia lub muzyczny akcent ma wyznaczać tempo, dodaj audio_url – plik WAV lub MP3 o długości od 3 do 30 sekund i rozmiarze do 15 MB. Twarz pochodzi z kadru, a timing ust z dźwięku. Ścieżka dłuższa niż klip jest ucinana na końcu, krótsza zostawia resztę w ciszy.

Dwie długości i trzy rozdzielczości

duration_seconds wynosi dokładnie 5 lub 10, a resolution to 480p, 720p (domyślnie) lub 1080p. Wyższe poziomy kosztują więcej za sekundę i dłużej się przetwarzają. Krótkie klipy lepiej utrzymują dłonie i włosy, więc dopracuj ruch przy pięciu sekundach, zanim przejdziesz do dziesięciu.

Ruch produktu z jednego packshotu

Opublikowany przykład z buteleczką serum wysyła zdjęcie produktu i prosi tylko o powolny łuk kamery o ćwierć obrotu, podczas gdy pas światła z okna przesuwa się po szkle; sama buteleczka się nie rusza. Ponieważ kadr już utrwala etykietę i sylwetkę, prompt niesie wyłącznie światło i ruch, renderowane w 720p przez pięć sekund.

Portret wypowiadający nagraną kwestię

Wyślij zatwierdzony portret jako image_url, a nagranie kwestii jako audio_url. Wygląd osoby pochodzi z obrazu, a timing ust z pliku, więc przy odbiorze oceniasz sposób podania, a nie synchronizację ust.

Dłuższe ujęcie studyjne z chronionymi detalami

Przykład z sukienką na ramiączkach trwa dziesięć sekund w 1080p i wychodzi od portretu studyjnego: przeniesienie ciężaru ciała, obrót w stronę obiektywu i dwa powolne kroki przy nieruchomej kamerze. Jego negatywny prompt, „extra people, text, jewellery changes”, nie pozwala biżuterii się zmieniać ani pojawiać się dodatkowym osobom w dłuższym ujęciu.

Deszcz, woda i inne dźwięki z widocznym źródłem

W przykładzie z parasolem dwie osoby stoją niemal nieruchomo, a deszcz bębni o parasol nad nimi: ruch należy do wody, a dźwięk ma widoczne źródło. Przy tak ciągłym zdarzeniu zwykle wystarcza pięć sekund.

# 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-2.5/image-to-video",
  "input": {
    "duration_seconds": 5,
    "image_url": "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"

Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.