Wprowadzenie
Wan 3.0 Pro Referencje na wideo utrzymuje twarz, ubranie, scenografię, ruch lub głos w kolejnych ujęciach dzięki referencjom obrazu, wideo i audio i dostarcza wynik w 1080p, 2K lub 4K, od 2 do 30 sekund. Wyślij 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). Prompt jest opcjonalny, ale to w nim każda referencja dostaje zadanie i w nim opisujesz akcję.
Wybierz tryb według materiału początkowego
| Materiał początkowy | Tryb |
|---|---|
| Pisany brief określa scenę, działanie, kamerę i w razie potrzeby dźwięk. | Wan 3.0 Pro Tekst na wideo |
| Zatwierdzony obraz początkowy ustala postać i kompozycję, a instrukcja kieruje późniejszym ruchem. | Wan 3.0 Pro Obraz na wideo |
| Oddzielne materiały referencyjne mogą prowadzić tożsamość, miejsce, ruch lub dźwięk, gdy każdy ma jasną rolę. | Wan 3.0 Pro Referencje na wideo |
Najważniejsze funkcje
Jeden master, kilka kadrów
Ujęcie zablokowane referencjami i wyrenderowane w 4K daje master, z którego da się wyciąć zarówno baner, jak i wersję pionową. Przykład z ubraniem wysyła jedną planszę płaszcza – „Keep the coat from the reference exactly — cut, colour and stitching” – i renderuje 6 sekund w 4k bez dźwięku, gdy modelka raz obraca się na ciemnej scenie, a rąbek unosi się i opada.
W rozmiarze dostawy dryf widać lepiej
Twarz zmieniająca się między ujęciami od razu rzuca się w oczy w wysokiej rozdzielczości, co pomaga przy odbiorze: renderuj każde ujęcie sekwencji w rozmiarze dostawy i porównuj je obok siebie, zanim coś zatwierdzisz. Poziomy 2k i 4k powstają przez powiększenie natywnego renderu 1080p, więc raczej ujawniają niespójności renderu, niż je ukrywają.
Limity referencji
Obrazy i audio referencyjne nie są rozliczane; sekundy wideo referencyjnego rozlicza się razem z wynikiem. Referencje wideo i audio mają każda limit 15 sekund łącznie, każdy klip trwa od 1 do 15 sekund, a wideo referencyjne plus duration_seconds musi zmieścić się w 30 sekundach. Te limity obowiązują w trakcie generowania, a nie przy wysyłce, więc najpierw sprawdź długość klipów.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Nie | Opcjonalny, ale to tutaj mówisz, do czego służy każda referencja – który obraz jest postacią, który klip niesie ruch, które audio jest głosem – i co właściwie dzieje się w ujęciu. 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; wskaż proporcje, gdy format dostawy jest ustalony. |
duration_seconds | Nie | Dowolna liczba całkowita od 2 do 30, domyślnie 5, albo -1 dla inteligentnej długości, która rezerwuje maksimum i ustala się na faktycznie dostarczonej długości. |
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 skąpe opisy i przepisuje szczegółowe, więc wyłącz je, gdy prompt jest już precyzyjnym opisem ujęcia. Domyślnie: |
seed | Nie | Od 0 do 2147483647. Ustal go na czas dobierania rozdzielczości lub długości, inaczej każdy kolejny przebieg 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 |
|---|---|
| $0.144 / sekundę |
| $0.16 / sekundę |
| $0.184 / sekundę |
Zastosowania
Ujęcia serialowe z nazwaną twarzą i scenografią
Przykład z twarzą i scenografią wysyła dwie plansze i jedną linię akcji: „The first image is the character — keep her face, hair and the black gown. The second image is the room.” Postać idzie od drzwi do okna przy powolnym bocznym ruchu kamery – 8 sekund w 1080p z seedem 640117. Używaj tych samych plansz i seeda w każdym ujęciu odcinka i zmieniaj tylko akcję.
Ci sami ludzie, inne światło
Przykład z trzema porami dnia utrzymuje dwoje ludzi i jedno mieszkanie, podczas gdy zmienia się światło: poranek przy oknie, zmierzch na blacie kuchennym, noc na balkonie. To trudny przypadek ciągłości, bo wszystko poza światłem musi zostać bez zmian. Ludzi i pokój niosą referencje, a prompt opisuje tylko to, co się różni.
Wskazówki
Nazywaj referencje po kolei
reference_image_urls jest uporządkowane, więc nazywaj obrazy „the first image” i „the second image” i przekazuj je w tej kolejności. Przy każdym napisz, czy to postać, ubranie czy scenografia. Wideo referencyjne wykorzystuj do ruchu i stylu kamery, a nie do twarzy, a audio do głosu, sposobu podania kwestii lub dźwięku pomieszczenia.
Do finalnego renderu wyłącz rozszerzanie promptu
W tej rodzinie enable_prompt_expansion ma domyślnie wartość true i przepisuje szczegółowe briefy, co może rozmyć przydzielone role. Wyłącz je, gdy nazwy referencji i linia akcji są gotowe, zablokuj seed i pierwsze rendery rób w 1080p przy 5 sekundach.
Powiększaj tylko zatwierdzone ujęcie
Gdy ujęcie działa w 1080p, wyślij dokładnie to samo ciało żądania z resolution ustawionym na 2k lub 4k. Zostaw aspect_ratio na adaptive, chyba że kadr dostawy jest ustalony, i na początku oraz na końcu dostarczonego pliku sprawdź powtarzające się szczegóły – twarz, krój ubrania, układ pokoju.
Szybki start z API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
