Wprowadzenie
Wan 2.6 Referencje na wideo obsadza osoby, zwierzęta lub przedmioty z jednego do trzech krótkich klipów w nowej scenie, którą opisujesz. Klipy dostarczają to, kto lub co się pojawia; miejsce, akcja, kamera i światło pochodzą w całości z promptu. Wynik trwa całkowitą liczbę sekund od 2 do 10, w 720p lub 1080p, w jednym z pięciu formatów, jako jedno ciągłe ujęcie albo montaż wieloujęciowy. Wywołanie to alibaba/wan-2.6/reference-to-video i działa asynchronicznie: utwórz zadanie, a potem odpytuj jego stan albo odbierz callback.
W tym samym żądaniu do klipów można dołączyć do dwóch obrazów albo podać same obrazy; razem z klipami to najwyżej pięć referencji. Obrazy są numerowane po klipach – przy dwóch klipach pierwszy obraz to character3 – i nie są rozliczane.
Wybierz tryb według materiału początkowego
| Od czego zaczynasz | Tryb |
|---|---|
| opisana scena lub scenariusz | Wan 2.6 Tekst na wideo |
| zatwierdzony obraz początkowy | Wan 2.6 Obraz na wideo |
| osobne referencje wyglądu, ruchu lub dźwięku | Wan 2.6 Referencje na wideo |
Najważniejsze funkcje
Obiekty się przenoszą, scenerię się opisuje
Klipy referencyjne decydują, kto lub co się pojawia, a prompt – gdzie się znajdują, co robią i jak traktują je kamera i światło. Na tym polega różnica wobec trybu obraz na wideo, w którym kadr początkowy ustala też scenografię, światło i proporcje. Tutaj prezenterkę sfilmowaną raz można postawić o zmierzchu na dachu, w innym formacie, bez drugiego dnia zdjęciowego.
Do trzech klipów w jednej scenie
Wyślij jeden klip, gdy jeden obiekt ma pozostać rozpoznawalny, albo do trzech, gdy scena potrzebuje kilku naraz. W prompcie odwołuj się do klipów w kolejności wysłania i napisz, co wnosi każdy z nich, żeby model wiedział, kto jest prezenterką, a kto psem. Zatłoczone klipy z kilkoma osobami utrudniają ustalenie, kogo obsadzić.
Format i rozmiar to parametry, nie spadek po materiale
aspect_ratio wybiera się przy każdym żądaniu: 16:9, 9:16, 1:1, 4:3 lub 3:4, wszystkie dostępne 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 materiału referencyjnego nic nie jest przejmowane, więc pionowa dostawa nie wymaga pionowych klipów źródłowych, a jeden zestaw referencji można dostarczyć w kilku formatach.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Nowa scena: powiedz, co wnosi każdy klip odniesienia, a potem opisz otoczenie, akcję, kamerę i światło. Zmieść się poniżej 1500 znaków. od 1 znaków · do 1500 znaków |
negative_prompt | Nie | Co nie ma się pojawić: nadmiarowe osoby, napisy, rekwizyty z klipu odniesienia, których nie chcesz przenosić. do 1500 znaków |
reference_video_urls | Nie | Do trzech klipów z postaciami lub przedmiotami do obsadzenia. od 1 elementów · do 3 elementów |
reference_image_urls | Nie | Do dwóch obrazów z postaciami lub przedmiotami, obok klipów albo zamiast nich; razem z klipami żądanie przyjmuje najwyżej pięć referencji. od 1 elementów · do 2 elementów |
aspect_ratio | Nie | 16:9, 9:16, 1:1, 4:3 albo 3:4, domyślnie 16:9, dostępne w obu rozdzielczościach; wymiary w pikselach dla każdej kombinacji są w specyfikacji. |
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. |
seed | Nie | Od 0 do 2147483647. Trzymaj je, podmieniając po jednym klipie odniesienia, żeby losowanie zostało stałe i ruszało się tylko to, co zmieniłeś. |
Cennik
Klipy referencyjne doliczają się do rozliczanych sekund. Ponieważ nie możemy zmierzyć Twoich klipów przed uruchomieniem zadania, najpierw blokujemy kwotę za maksymalne 5 sekund, a niewykorzystaną część zwalniamy w chwili rozliczenia — płacisz wyłącznie za faktycznie wykorzystane sekundy.
| Specyfikacja | Cena |
|---|---|
| $0.065 / sekundę |
| $0.0975 / sekundę |
Zastosowania
Przeniesienie prezenterki w nowe miejsce
Jeden klip z osobą, a potem prompt opisujący pomieszczenie, światło i ruch kamery. Wygląd prezenterki pochodzi z referencji, a scenografia z opisu, więc jeden dzień zdjęciowy daje materiał z lokalizacji, które tego dnia nie były dostępne.
Sezonowa aranżacja produktu
Wyślij posiadany już obrót packshotu i opisz nową powierzchnię, nową porę roku, nowe światło. Przedmiot zachowuje kształt i wykończenie, a scena wokół niego powstaje od nowa, dzięki czemu jeden klip produktowy obsługuje kilka scenerii kampanii bez ponownego budowania planu.
Połączenie dwóch obiektów
Klip z prezenterką i klip ze zwierzęciem lub przedmiotem, który ma dzielić z nią kadr, a potem prompt mówiący, co robi każde z nich. To rozwiązuje sceny, które inaczej wymagałyby obecności obu obiektów na planie tego samego dnia.
Ponowne użycie materiału, którego nie da się nakręcić jeszcze raz
Archiwalny klip z prezenterką, która nie jest już dostępna, albo próbka produktu, która wróciła już do klienta, nadal niesie obiekt. Wyślij go jako referencję i opisz nową scenerię: stary materiał dostarcza obiekt, a prompt scenę.
Wskazówki
Wybieraj klipy, które model potrafi odczytać
Najlepiej przenosi się krótki materiał, w którym obiekt jest duży w kadrze, dobrze oświetlony i widoczny z więcej niż jednego kąta. Obiekt, który pozostaje mały lub pod światło, zwykle wraca tylko w przybliżeniu. Przycinaj przed wysłaniem, a nie po: wysłane sekundy są rozliczane, a kilka sekund, w których obiekt widać najwyraźniej, zwykle przenosi się lepiej niż długie, błądzące ujęcie.
Opisuj scenę, nie referencję
Najpierw nazwij, co wnosi każdy klip, na przykład kobieta z klipu 1 i pies z klipu 2, a potem opisz scenerię, akcję, kamerę i światło tak jak w trybie tekst na wideo, w granicach 1500 znaków. Ponowne opisywanie tego, co materiał już pokazuje, zużywa ten limit i czasem konkuruje z klipami. Użyj negative_prompt do tego, co ciągle się pojawia, a nie powinno: dodatkowych osób, napisów na ekranie albo rekwizytu z klipu referencyjnego, który podąża za obiektem do nowej sceny.
Policz sekundy przed wysłaniem
Rozliczane sekundy to długość wyniku plus łączna długość klipów referencyjnych, każda zaokrąglona w górę do pełnych sekund, przy czym po stronie referencji liczy się łącznie najwyżej pięć sekund. Render 5-sekundowy z jedną 3-sekundową referencją jest rozliczany jako 8 sekund według stawki wybranej rozdzielczości; ten sam render z trzema klipami o łącznej długości dziewięciu sekund – jako 10, bo liczy się tylko pięć sekund referencji. Szacunek na żywo przed wysłaniem pokazuje kwotę, a jeśli długości klipu nie da się odczytać wcześniej, szacunek zakłada pięć sekund, a końcowe rozliczenie używa zmierzonej długości.
Dostosuj dołączony przykład
Zacznij od opublikowanego przykładu z aspect_ratio: 16:9, duration_seconds: 5, resolution: 720p i jednym klipem w reference_video_urls. Podmień obiekt i inscenizację, zachowując ten kontrakt wejściowy bez zmian.
Keep character1, the amber glass bottle, exactly - its shape, colour and the marble block it stands on. Move it to a sunlit kitchen windowsill in the morning, lemons and a linen cloth beside it. The camera circles it slowly the way the reference clip does. Soft birdsong outside.
Jeden klip produktowy jako referencja, przeniesiony do nowego pomieszczenia, a kamera powtarza swój powolny ruch po okręgu.
Sprawdź podobieństwo, zanim zaczniesz iterować
Odtwórz cały klip, a nie tylko pierwszą sekundę: przy dłuższych długościach podobieństwo ma tendencję do rozjeżdżania się pod koniec, więc sprawdź ostatnią sekundę, zanim zdecydujesz się na tę długość. Przy 2–3 sekundach rzadko jest miejsce na cięcie, dlatego multi opłaca się głównie od mniej więcej 6 sekund. Trzymaj stały seed i podczas porównań wymieniaj po jednym klipie referencyjnym; losowanie pozostaje wtedy niezmienne i porusza się tylko to, co zmieniłeś, choć nie ma gwarancji identycznego co do klatki powtórzenia. Wygenerowane klipy są usuwane po 14 dniach, więc skopiuj wszystko, 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
