Wprowadzenie
Wan 3.0 Pro Prime Referencje na wideo blokuje twarz, ubranie, scenografię, ruch lub głos za pomocą referencji obrazu, wideo i audio i renderuje ujęcie na Prime w 1080p, 2K lub 4K, od 2 do 30 sekund. Wymagane jest co najmniej jedno z pól reference_image_urls (od 1 do 10 uporządkowanych obrazów), reference_video_urls, reference_audio_urls (do 5 klipów w każdym), reference_file_url (jeden dokument) lub reference_link_url (jedna strona internetowa). Nazwij każdą referencję w prompcie, inaczej model uśredni je w postać niepasującą do żadnej.
Wybierz tryb według materiału początkowego
| Materiał początkowy | Tryb |
|---|---|
| Pisany brief określa scenę, działanie, kamerę i w razie potrzeby dźwięk. | Wan 3.0 Pro Prime Tekst na wideo |
| Zatwierdzony obraz początkowy ustala postać i kompozycję, a instrukcja kieruje późniejszym ruchem. | Wan 3.0 Pro Prime Obraz na wideo |
| Oddzielne materiały referencyjne mogą prowadzić tożsamość, miejsce, ruch lub dźwięk, gdy każdy ma jasną rolę. | Wan 3.0 Pro Prime Referencje na wideo |
Najważniejsze funkcje
Dwie postacie w jednym ujęciu
Przykład z dwiema postaciami wysyła dwie plansze i je nazywa: „The first image is the woman, the second is the man — keep both faces and both haircuts.” Oboje stoją po dwóch stronach stołu warsztatowego w ciemnym garażu pod wiszącą żarówką – 6 sekund w 1080p z seedem 220913 i tylko dźwiękiem pomieszczenia. To wzorzec utrzymania spójności pary przez cały odcinek.
Plansza scenografii bez ludzi
Referencje nie muszą przedstawiać ludzi. Przykład z ciągłością scenografii wysyła jedną planszę sali bokserskiej – liny, szafki, jedna wisząca lampa – i prosi o pusty kadr z kurzem unoszącym się w smudze światła i powoli kołyszącą się żarówką, nieruchoma kamera, 5 sekund w 4k bez dźwięku. Dzięki temu wszystkie ujęcia sekwencji mogą dzielić ten sam pokój.
Ruch z referencji zamiast z opisu
Referencje obrazu, wideo i audio można wysłać razem, więc ruch może pochodzić z klipu, a nie z akapitu. Wideo referencyjne to MP4 lub MOV, co najmniej 16 kl./s, od 1 do 15 sekund każde i łącznie 15 sekund; ich sekundy są rozliczane razem z wynikiem, a wideo referencyjne plus wynik mieszczą się w 30 sekundach.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Nie | Opcjonalny, ale to właśnie tutaj referencje odróżnia się od siebie – która plansza jest którą postacią, po co jest wideo, po co audio – i to tutaj podaje się działanie. od 1 znaków · do 20000 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. |
resolution | Nie | 1080p, 2k lub 4k, domyślnie 1080p. |
aspect_ratio | Nie | 16:9, 4:3, 1:1, 3:4, 9:16 albo adaptive. Domyślnie adaptive, czyli wybór po stronie modelu; podaj konkretne proporcje, kiedy format dostawy jest ustalony. |
duration_seconds | Nie | Dowolna liczba całkowita od 2 do 30, domyślnie 5, albo -1 dla trybu inteligentnego czasu trwania, który rezerwuje maksimum i rozlicza faktycznie dostarczoną długość. |
generate_audio | Nie | Domyślnie włączone. Dźwięk powstaje razem z obrazem i trafia do tego samego pliku. Domyślnie: |
enable_prompt_expansion | Nie | W tej rodzinie domyślnie włączone. Uzupełnia ubogie briefy i przepisuje szczegółowe, więc wyłącz je, gdy prompt jest już precyzyjnym opisem ujęcia. Domyślnie: |
seed | Nie | Od 0 do 2147483647. Trzymaj go na stałe, gdy dobierasz rozdzielczość albo czas trwania, inaczej każde powtórzenie zmienia dwie rzeczy naraz. |
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 |
|---|---|
| $0.234 / sekundę |
| $0.252 / sekundę |
| $0.279 / sekundę |
Zastosowania
Kostium na kilku scenach
Przykład z tancerką przenosi jedną wykonawczynię i jeden kostium z warstwowego szyfonu na trzecią scenę, tym razem z reflektorem prowadzącym za jej plecami, więc tkanina staje się przezroczysta, gdy tancerka się w niej obraca. Tancerkę i kostium niosą referencje, więc prompt opisuje tylko nowe ustawienie świateł, a przezroczysta tkanina pod światło w dużym rozmiarze dostawy prawie niczego nie ukrywa.
Pliki master do ponownego montażu
Wyrenderuj główne ujęcie zablokowane referencjami w 4K i 16:9, a potem wytnij z tego samego mastera wersję 9:16 i kwadratowy baner. Plansze referencyjne i stały seed utrzymują identyczną obsadę we wszystkich wersjach pochodnych.
Wskazówki
Nazywaj według pozycji
reference_image_urls to uporządkowana lista, więc mów o „the first image” i „the second image” i przekazuj je w tej kolejności. Przy każdym napisz, czy to postać, ubranie czy scenografia; wideo stosuj do ruchu i stylu kamery, a audio do głosu, sposobu podania kwestii lub dźwięku pomieszczenia. Obrazy i audio referencyjne nie są rozliczane.
Utrzymuj wszystko poza zmianą
W sekwencji trzymaj identyczne plansze, seed i szkielet promptu, a zmieniaj tylko linię akcji lub światła. Wyłącz enable_prompt_expansion – w tej rodzinie ma domyślnie wartość true – żeby wpisane przez ciebie nazwy nie zostały przepisane.
Sprawdź długość referencji przed wysłaniem
Limity referencji wideo i audio obowiązują w trakcie generowania, a nie przy przyjęciu zadania, więc zbyt długi klip wychodzi na jaw później, a nie przy wysyłce. Najpierw zmierz klipy, utrzymuj wideo referencyjne plus duration_seconds na poziomie najwyżej 30 sekund i szukaj rozwiązania w 1080p, zanim wyrenderujesz w 4K.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro-prime/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
