Wprowadzenie
Wan 3.0 Prime Referencje na wideo buduje na renderze Prime ujęcie o długości od 2 do 30 sekund z maksymalnie dziesięciu referencji obrazu, pięciu wideo i pięciu audio, z tymi samymi polami co Wan 3.0 Referencje na wideo. Potrzebna jest co najmniej jedna tablica referencji, plik referencyjny albo link do strony, a prompt jest opcjonalny; jeśli go piszesz, powinien mówić, za co odpowiada każda referencja. Rozdzielczość to 480p, 720p lub 1080p, domyślnie 720p, a aspect_ratio ma domyślnie wartość 16:9.
Wybierz tryb według materiału początkowego
| Materiał początkowy | Tryb |
|---|---|
| Pisany brief określa scenę, działanie, kamerę i w razie potrzeby dźwięk. | Wan 3.0 Prime Tekst na wideo |
| Zatwierdzony obraz początkowy ustala postać i kompozycję, a instrukcja kieruje późniejszym ruchem. | Wan 3.0 Prime Obraz na wideo |
| Oddzielne materiały referencyjne mogą prowadzić tożsamość, miejsce, ruch lub dźwięk, gdy każdy ma jasną rolę. | Wan 3.0 Prime Referencje na wideo |
Najważniejsze funkcje
Jedna plansza tożsamości, cała scena z tekstu
Jedna plansza może nieść osobę, a resztę wymyśli prompt. Przykład z wydmą korzysta z jednego obrazu postaci zrobionego na wprost na gładkim tle studyjnym; oświetlone księżycem pole wydm, wiatr i kilkumetrowy szal powiewający nad nią są w całości opisane. Na końcu ujęcia szal wciąż musi być przy tym samym ramieniu, więc to dobry punkt kontrolny.
Zachowanie kamery zapożyczone z klipu
Wideo referencyjne służy do ruchu i stylu kamery, a nie do twarzy. Przykład ze stylem ruchu bierze z klipu referencyjnego powolny ruch po okręgu z ręki i stosuje go do kobiety z obrazu referencyjnego, stojącej w pustym studiu – 6 sekund w 720p. Klipy referencyjne muszą być w formacie MP4 lub MOV, mieć co najmniej 16 kl./s, trwać od 1 do 15 sekund każdy i łącznie 15 sekund.
Ciągłość głosu dzięki referencjom audio
Do pięciu referencji audio WAV lub MP3, łącznie 15 sekund, pozwala utrzymać głos między ujęciami. Prowadząca, która wygląda tak samo, ale w kolejnych ujęciach brzmi inaczej, nadal nie jest ciągła, więc gdy ktoś mówi w kilku ujęciach, za każdym razem wysyłaj tę samą referencję audio. Audio i obrazy referencyjne nie są rozliczane.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Nie | Opcjonalny. Jeśli go piszesz, nazwij, za co odpowiada każda referencja, a potem opisz ujęcie: temat, jedna akcja, jeden ruch kamery, światło i dźwięk. od 1 znaków |
reference_image_urls | Nie | Od 1 do 10 obrazów jako plansze tożsamości, garderoby i scenografii. Nazwij każdy w prompcie – postać, ubranie, scenografia – inaczej zostaną uśrednione. od 1 elementów · do 10 elementów |
reference_video_urls | Nie | Do 5 klipów, każdy od 1 do 15 sekund i łącznie 15 sekund. Używaj ich do ruchu i stylu kamery, a nie do twarzy. od 1 elementów · do 5 elementów |
reference_audio_urls | Nie | Do 5 klipów, każdy od 1 do 15 sekund i łącznie 15 sekund – głos, sposób podania kwestii albo ton pomieszczenia, do którego ujęcie ma pasować. od 1 elementów · do 5 elementów |
reference_file_url | Nie | Jeden dokument, który model czyta, zanim wyreżyseruje ujęcie: karta postaci, scenariusz, lista ujęć albo brief produktu. |
reference_link_url | Nie | Jedna publiczna strona internetowa, którą model czyta jako materiał referencyjny, na przykład artykuł, strona produktu albo profil postaci. Musi otwierać się bez logowania. |
aspect_ratio | Nie | 16:9, 9:16, 1:1, 4:3, 3:4 albo adaptive, przy którym wybiera model. Domyślnie 16:9. |
enable_thinking | Nie | Każe modelowi przemyśleć polecenie i materiały referencyjne przed generowaniem. Domyślnie: |
resolution | Nie | 480p, 720p lub 1080p. Domyślnie 720p. |
duration_seconds | Nie | Dowolna liczba całkowita od 2 do 30 albo -1 dla inteligentnego czasu trwania. Domyślnie 5. |
generate_audio | Nie | Domyślnie włączone. Klip wraca z dźwiękiem już zgranym z obrazem. Domyślnie: |
enable_prompt_expansion | Nie | Domyślnie wyłączone. Po włączeniu prompt jest przepisywany przed generowaniem: pomaga przy ubogich briefach, a przy rozbudowanych raczej przeszkadza. |
seed | Nie | Od 0 do 2147483647. Trzymaj go bez zmian, żeby porównywać po jednym polu; pomiń go, jeśli zależy ci na różnorodności. |
Cennik
Wideo referencyjne doliczają się do rozliczanych sekund, a obrazy i dźwięk referencyjny nie. Ponieważ nie możemy zmierzyć Twoich klipów przed uruchomieniem zadania, najpierw blokujemy kwotę za maksymalne 15 sekund, a niewykorzystaną część zwalniamy w chwili rozliczenia — płacisz wyłącznie za faktycznie wykorzystane sekundy.
| Specyfikacja | Cena |
|---|---|
| $0.0612 / sekundę |
| $0.126 / sekundę |
| $0.252 / sekundę |
Zastosowania
Powracająca prowadząca
W każdym żądaniu serii używaj tych samych plansz obrazu dla twarzy i scenografii oraz tej samej referencji audio dla głosu. Przykład z prowadzącą zachowuje „the same presenter, the same studio” i opisuje tylko ruch – najazd kończący się na określonym kadrze – bo tożsamość niosą już referencje.
Wstawki w tym samym stylu
Gdy nowe ujęcie ma się poruszać tak jak istniejące, przekaż ten klip jako referencję ruchu, a dla postaci obraz. Napisz w prompcie, co jest czym, jak w przykładzie ze stylem ruchu: „Take the camera behaviour from the reference clip — a slow handheld orbit — and apply it to the woman in the reference image.”
Wskazówki
Licz wideo referencyjne razem z długością wyniku
Sekundy wideo referencyjnego są rozliczane razem z wynikiem, a wideo referencyjne plus duration_seconds nie może przekroczyć 30 sekund. 6-sekundowy klip stylu zostawia więc do 24 sekund wyniku. Limity referencji obowiązują w trakcie generowania, a nie przy wysyłce, więc przytnij klipy przed wysłaniem.
Twarz na obrazie, nie na wideo
Wideo referencyjne dobrze ustala styl ruchu, ale słabo nadaje się do przypięcia twarzy. Powierz tożsamość planszy obrazu, nazwij ją w prompcie, a wideo używaj tylko do tego, jak porusza się kamera lub ciało.
Nie zmieniaj zestawu referencji między ujęciami
W każdej próbie zmieniaj jedną referencję lub jedną linię promptu i trzymaj stały seed, żeby różnicę dało się powiązać z przyczyną. Ustal wygląd przy 5 sekundach i 720p, zanim wydłużysz klip, i na początku oraz na końcu każdego renderu porównuj twarz, kostium i głos z ich referencjami.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-prime/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
