Wprowadzenie
Wan 2.6 Spicy Obraz na wideo to jedyny endpoint rodziny modeli Wan 2.6 Spicy. Autoryzowany kadr początkowy staje się dokładnie 5, 10 lub 15 sekundami w 720p lub 1080p, zwracanymi razem z dźwiękiem. Kadr niesie garderobę, ciało, scenografię, światło i format obrazu; prompt niesie ruch. Nic w żądaniu nie oznacza klipu i nie jest wymagana żadna deklaracja przy każdym żądaniu.
Wymagane jest tylko pole image_url. Prompt, prompt negatywny, ścieżka dźwiękowa, typ ujęcia, rozszerzanie promptu i seed są opcjonalne.
Najważniejsze funkcje
Trzy stałe długości
duration_seconds to zamknięta lista wartości 5, 10 i 15, a nie zakres. Wysłanie 7 zwraca błąd walidacji zamiast zaokrąglonego klipu, więc zawsze wiesz, za ile sekund płacisz, a montaż da się zaplanować wokół trzech długości. Woda, włosy i dłonie trzymają się dobrze przy pięciu sekundach, a przy piętnastu bardziej się rozjeżdżają, co warto wziąć pod uwagę przed wyborem najdłuższej opcji.
Własna ścieżka przez audio_url
Klipy zawsze wracają z dźwiękiem; nie ma przełącznika, który by go wyłączał. Gdy kwestia mówiona albo motyw muzyczny ma trafić w konkretną klatkę, wyślij je przez audio_url, a klip dopasuje do nich ruch ust i tempo. Plik musi być w formacie WAV lub MP3, trwać od 3 do 30 sekund i mieć nie więcej niż 15 MB.
Osobne pole na wykluczenia
negative_prompt służy do odsuwania, w maksymalnie 500 znakach, drugiej osoby, rekwizytu, tekstu na ekranie albo znaku wodnego, który kadr uparcie odtwarza. Prompt, do 1500 znaków, zostaje wolny na ruch. Ponowne opisywanie stroju czy scenografii w prompcie zachęca model do przerysowania tego, co kadr już ustalił.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
image_url | Tak | Kadr początkowy. Kostium, ciało, scenografia, kierunek światła i proporcje klipu biorą się właśnie stąd, więc najpierw przytnij go do formatu dostawy. |
prompt | Nie | Opcjonalny. Opisz, co dzieje się po kadrze – jedno działanie, jedno zachowanie kamery, jedna uwaga o dźwięku. do 1500 znaków |
negative_prompt | Nie | To, co nie ma się pojawić: druga osoba, rekwizyt, tekst na ekranie, znak wodny, który plansza uporczywie powtarza. Jedyne miejsce, w którym da się coś wykluczyć. do 500 znaków |
duration_seconds | Nie | Dokładnie 5, 10 albo 15. Każda inna wartość zostaje odrzucona, a nie zaokrąglona, więc opłacana długość nigdy nie jest zaskoczeniem. |
resolution | Nie | 720p lub 1080p, domyślnie 720p. Przesuwa zarówno cenę, jak i czas, po którym zadanie wraca. |
audio_url | Nie | Ścieżka dźwiękowa, za którą podąża klip, prowadząca synchronizację ust i tempo. Użyj jej, gdy wypowiedziana kwestia albo muzyczny akcent mają trafić w konkretną klatkę. |
seed | Nie | Od 0 do 2147483647. Trzymaj go na stałe, gdy porównujesz rozdzielczości albo długości z tej samej planszy. |
shot_type | Nie | Single trzyma cały klip w jednym ciągłym ujęciu. Multi pozwala modelowi ciąć między ujęciami, co pasuje do krótkiej sceny, ale łamie ścisłą ciągłość. |
enable_prompt_expansion | Nie | Domyślnie wyłączone, więc prompt trafia dalej dokładnie tak, jak go napiszesz. Włącz je, aby uzupełnić ubogi brief. Domyślnie: |
Cennik
| Specyfikacja | Cena |
|---|---|
| $0.095 / sekundę |
| $0.1425 / sekundę |
Zastosowania
Woda i światło
Opublikowany przykład z basenem zaczyna się od kadru pływaczki wynurzającej się z basenu na dachu o zmierzchu. Ponieważ kadr zawiera strój, wodę i miasto za nią, prompt mówi tylko, że ona wstaje dalej, zaczesuje włosy do tyłu i otwiera oczy w stronę kamery. Trwa pięć sekund w 720p.
Sceny we dwoje
Kadr z dwiema osobami traktowany jest jak każda inna kontynuacja: klip ciągnie to, co pokazuje klatka otwierająca, i nic potem nie jest przesiewane. Przykład z garderobą zachowuje ten sam kadr przez cały klip, gdy jedna osoba porusza się za drugą; wyrenderowany w 1080p przez pięć sekund.
Postacie towarzyszące z twoją ścieżką głosową
Użyj obrazu postaci jako kadru początkowego i prześlij nagraną kwestię przez audio_url. Ruch ust i tempo podążają za twoim nagraniem, więc ta sama twarz może wygłosić scenariusz zamiast wykonywać ogólne ruchy.
Piętnastosekundowe spoty w jednym wywołaniu
Piętnaście sekund wystarcza na cały pre-roll albo kartę relacji bez montażu. Jeden kadr początkowy, jedna linijka z akcją, jedno żądanie, a ponieważ długość to jedna z trzech stałych wartości, jest ustalona przed wysłaniem.
Wskazówki
Przytnij kadr do formatu dostawy
Zdjęcie decyduje o osobie, kostiumie, miejscu, świetle i proporcjach klipu. Nie ma pola proporcji obrazu, więc przed wysłaniem przytnij je do 16:9, 9:16 albo kwadratu; późniejsze kadrowanie kosztuje ponowny render. Wysyłaj JPEG, PNG bez przezroczystości, BMP lub WEBP, od 240 do 8000 pikseli na każdym boku i nie więcej niż 20 MB.
Zbuduj klip z drobnych ruchów
Przykład ze światłem przez żaluzję składa się z dwóch drobnych ruchów: stopy zginającej się i kolana prostującego, gdy jedwab przesuwa się pod spodem. Resztę robi światło, gdy pasy pełzną, a roleta drga; kamera to ręczne kołysanie w pierwszej osobie, a nie ruch. Takie małe, konkretne działania dają kadrowi zajęcie, nie prosząc go o zmianę.
Wpisz granicę do promptu, gdy kamera stoi
W dziesięciosekundowym przykładzie z garderobą wszystko, co istotne, leży na jednej poziomej linii, a prompt wprost mówi, co ma zostać poza kadrem. Gdy kamera się nie porusza, wpisanie ograniczenia w prompcie trzyma się pewniej niż próba kadrowania wokół niego, bo musi obowiązywać przez cały klip.
Dostosuj dołączony przykład
Zacznij od opublikowanego przykładu z duration_seconds: 5, image_url: a publicly accessible URL, resolution: 720p. Podmień obiekt i ruch, zachowując bez zmian kontrakt wejściowy tego trybu.
She rises further out of the water, sheets of it running off her shoulders and swimsuit, slicks her wet hair straight back with both hands and opens her eyes toward camera, droplets scattering. Blue-hour city towers glow behind, slow-motion water detail, ambient pool lap and distant traffic.
Dokładne żądanie, z którego powstał klip tego endpointu, wygenerowany z kadru początkowego pokazanego obok.
Dopracuj w 720p, a wybraną wersję wyrenderuj w 1080p
Rozdzielczość zmienia zarówno cenę, jak i czas realizacji zadania. Dopracuj ruch w 720p, a potem wyrenderuj wybraną wersję ponownie w 1080p z tym samym kadrem i tym samym seed, który przyjmuje wartości od 0 do 2147483647. Trzymaj oba na stałe także wtedy, gdy porównujesz pięć sekund z piętnastoma; inaczej porównujesz dwa różne klipy, a nie dwa ustawienia. Seed stabilizuje losowanie, ale identyczny klip nie jest gwarantowany.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6-spicy/image-to-video",
"input": {
"duration_seconds": 5,
"image_url": "https://example.com/reference.png",
"resolution": "720p",
"shot_type": "single"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
