Wprowadzenie
Wan 2.6 Flash Referencje na wideo obsadza osoby, zwierzęta lub przedmioty z twoich referencji w nowej scenie, którą opisujesz, w szybszej i tańszej odmianie Flash modelu Wan 2.6. Wyślij do pięciu referencji – do trzech krótkich klipów, a resztę jako obrazy – albo same obrazy; miejsce, akcja, kamera i światło pochodzą w całości z promptu. Wynik trwa dowolną pełną liczbę sekund od 2 do 10, w 720p lub 1080p, w jednym z pięciu formatów, jako jedno ciągłe ujęcie albo montaż wieloujęciowy. Klipy są domyślnie ciche; włącz generate_audio, gdy scena potrzebuje własnej ścieżki dźwiękowej.
Wybierz tryb Wan 2.6 Flash według materiału początkowego
| Od czego zaczynasz | Tryb |
|---|---|
| zatwierdzona klatka początkowa | Wan 2.6 Flash Obraz na wideo |
| zdjęcia lub krótkie klipy osób i przedmiotów do obsadzenia | Wan 2.6 Flash Referencje na wideo |
Najważniejsze funkcje
Obsada ze zdjęć, klipów albo z jednych i drugich
reference_image_urls przyjmuje do pięciu obrazów, a reference_video_urls do trzech krótkich klipów, razem pięć referencji. Same obrazy wystarczą: dwa portrety to wszystko, czego trzeba, by umieścić dwie osoby w jednej scenie, a obrazy nie są rozliczane. Klip niesie to, czego fotografia nie potrafi, na przykład jak ktoś się porusza albo jak zachowuje się miejsce, kosztem tego, że jego sekundy są rozliczane razem z wynikiem.
Obsadę nazywa prompt
Wan rozpoznaje każdą referencję wyłącznie po nazwach character1, character2 i tak dalej, po kolei: najpierw klipy, potem obrazy. Nazwij każdą z nich, zanim opiszesz, co robią, na przykład character1 tańczy z character2, a model wie, kto jest kim. Cała reszta – scenografia, akcja, kamera i światło – jest zapisana w prompcie, więc osobę sfotografowaną raz można postawić na dachu nocą albo na zlanym deszczem nabrzeżu bez drugiego dnia zdjęciowego.
Dźwięk jako przełącznik, kształt jako parametr
generate_audio jest domyślnie wyłączone i zwraca sam obraz; włączone zwraca klip z wygenerowanymi głosami, efektami i tłem w dwukrotnej stawce za sekundę. aspect_ratio wybiera się przy każdym żądaniu: 16:9, 9:16, 1:1, 4:3 lub 3:4 w obu rozdzielczościach. 720p zwraca 1280×720, 720×1280, 960×960, 1088×832 lub 832×1088; 1080p zwraca 1920×1080, 1080×1920, 1440×1440, 1632×1248 lub 1248×1632. Z referencji nic nie jest dziedziczone, więc pionowa dostawa nie wymaga pionowych źródeł.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Nowa scena: nazwij każdą referencję jako character1, character2 i tak dalej, najpierw klipy, potem obrazy, napisz, co robi każda z nich, a następnie opisz otoczenie, kamerę i św… od 1 znaków · do 1500 znaków |
negative_prompt | Nie | Co nie ma się pojawić: nadmiarowe osoby, napisy, rekwizyt z referencji, którego nie chcesz przenosić. Do 500 znaków. do 500 znaków |
reference_video_urls | Nie | Do trzech krótkich klipów z obiektami lub miejscami do obsadzenia, o łącznej długości najwyżej pięciu sekund. od 1 elementów · do 3 elementów |
reference_image_urls | Nie | Do pięciu obrazów osób, zwierząt lub przedmiotów do obsadzenia, obok klipów albo zamiast nich; razem z klipami żądanie przyjmuje najwyżej pięć referencji. od 1 elementów · do 5 elementów |
aspect_ratio | Nie | 16:9, 9:16, 1:1, 4:3 albo 3:4, domyślnie 16:9, dostępne w obu rozdzielczościach. |
generate_audio | Nie | Domyślnie wyłączone, więc klip wraca z samym obrazem. Domyślnie: |
resolution | Nie | 720p albo 1080p, domyślnie 720p. Ustala stawkę za sekundę i czas trwania zadania, a obie rozdzielczości przyjmują wszystkie pięć formatów. |
duration_seconds | Nie | Dowolna pełna liczba od 2 do 10, domyślnie 5. |
shot_type | Nie | single trzyma jedno ciągłe ujęcie; multi pozwala modelowi ciąć między ujęciami wewnątrz tej samej sceny, co pasuje do sceny z rytmem. |
enable_prompt_expansion | Nie | Domyślnie wyłączone. Włączone pozwala rozwinąć jednozdaniowy pomysł w pełniejszy brief przed generowaniem; zostaw wyłączone, gdy prompt już precyzyjnie nazywa obsadę i ujęcie. Domyślnie: |
seed | Nie | Od 0 do 2147483647. Trzymaj je, podmieniając po jednej referencji, żeby losowanie zostało stałe i ruszało się tylko to, co zmieniłeś. |
Cennik
Klipy referencyjne doliczają się do rozliczanych sekund, liczonych łącznie najwyżej do pięciu sekund; obrazy są bezpłatne. Gdy długości klipu nie da się odczytać przed uruchomieniem zadania, blokujemy kwotę za maksymalne 5 sekund, a niewykorzystaną część zwalniamy w chwili rozliczenia zadania, więc płacisz tylko za faktycznie użyte sekundy.
| Rozdzielczość | Generuj dźwięk: Nie | Generuj dźwięk: Tak |
|---|---|---|
| $0.0225 / sekundę | $0.045 / sekundę |
| $0.03375 / sekundę | $0.0675 / sekundę |
Zastosowania
Dwie osoby w jednej scenie
Portret każdej z osób, a potem prompt opisujący, gdzie są i co się między nimi dzieje. Przykład z dachem na tej stronie zaczyna się od dwóch obrazów i niczego więcej, z włączonym dźwiękiem, żeby scena niosła własny wiatr i odgłosy miasta.
Przeniesienie obiektu w nowe miejsce
Krótki klip lub obraz osoby, a potem nowa scenografia, światło i ruch kamery. Wygląd pochodzi z referencji, a miejsce jest opisane, więc jeden plan zdjęciowy daje materiał z lokalizacji, które tego dnia nie były dostępne.
Połączenie miejsca z osobą
Klip z miejscem i obraz osoby obsadzają je razem: przykład z nabrzeżem na tej stronie używa pięciosekundowego klipu z portu jako character1 i portretu jako character2, a kobieta idzie przez miejsce, w którym nigdy nie była filmowana.
Szybkie szkice obsady
Flash stawia czas realizacji i koszt ponad ostatni stopień tekstury, co pasuje do testowania kilku obsad, scenerii i ruchów kamery w 720p, zanim zdecydujesz się na ostateczne ujęcie.
Wskazówki
Nazwij każdą referencję przed akcją
Zacznij od obsady – character1, dorosła kobieta w zielonej sukience-halce; character2, dorosły mężczyzna w białej koszuli – a potem scenografia, akcja, kamera i światło, w granicach 1500 znaków. Ponowne opisywanie tego, co referencje już pokazują, zużywa ten limit i może z nimi konkurować. Użyj negative_prompt do tego, co ciągle się pojawia, a nie powinno: dodatkowych osób, napisów albo rekwizytu, który podąża za obiektem do nowej sceny.
Wybieraj referencje, które model potrafi odczytać
Najlepiej przenoszą się obrazy i klipy, w których obiekt jest duży w kadrze i dobrze oświetlony; obiekt, który pozostaje mały lub pod światło, zwykle wraca tylko w przybliżeniu. Obrazy dobrze oddają kolor i wygląd, a kształt i ruch wierniej wracają z klipu. Obrazy wysyłaj jako JPEG, PNG bez przezroczystości, BMP lub WEBP, od 240 do 8000 pikseli z każdej strony i do 20 MB, a klipy jako MP4 lub MOV.
Policz sekundy przed wysłaniem
Rozliczane sekundy to długość wyniku plus klipy referencyjne, każda zaokrąglona w górę do pełnych sekund i co najmniej sekunda na klip, przy czym klipy liczą się łącznie najwyżej do pięciu sekund; obrazy nic nie dodają. Render 5-sekundowy z dwóch obrazów jest rozliczany jako 5 sekund; z jednym klipem 3-sekundowym – jako 8. Stawka zależy od rozdzielczości i podwaja się przy włączonym generate_audio. Wgrane klipy mogą dodać łącznie do pięciu sekund, a szacunek na żywo przed wysłaniem pokazuje kwotę; gdy długości klipu nie da się odczytać wcześniej, szacunek zakłada pięć sekund, a końcowe rozliczenie używa zmierzonej długości.
Dostosuj dołączony przykład
Zacznij od przykładu z dachem: dwa obrazy w reference_image_urls, aspect_ratio 16:9, duration_seconds 5, resolution 720p i włączone generate_audio. Podmień obsadę i inscenizację, zachowując ten kontrakt wejściowy bez zmian.
character1, an adult woman in a dark green silk slip dress, and character2, an adult man in an open-collar white linen shirt, slow-dance on a city rooftop at night, foreheads almost touching. Her hand slides up the back of his neck as he pulls her closer by the waist; she laughs quietly against his cheek. String lights sway in the wind, the city glows behind them. Slow handheld orbit around the pair, warm practical light, shallow depth of field, film grain. Sound: soft wind, distant traffic, her low laugh, a saxophone drifting up from a bar below.
Sprawdź wynik, zanim zaczniesz poprawiać
Odtwórz cały klip, a nie pierwszą sekundę: przy dłuższych czasach podobieństwo odpływa ku końcowi. multi opłaca się głównie od około 6 sekund w górę, a jego wybór włącza też enable_prompt_expansion dla tego żądania. Przy porównaniach trzymaj seed i podmieniaj po jednej referencji; stałe losowanie nie obiecuje powtórzenia identycznego klatka po klatce. Wygenerowane klipy są usuwane po 14 dniach, więc skopiuj to, co chcesz zachować.
Szybki start z API
# 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"generate_audio": false,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
