Wprowadzenie
Wan 3.0 Referencje na wideo buduje nowe ujęcie o długości od 2 do 30 sekund z przekazanych referencji: do dziesięciu obrazów, pięciu klipów wideo i pięciu klipów audio w jednym żądaniu. Musi się w nim znaleźć co najmniej jedno z pól reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url lub reference_link_url; prompt jest opcjonalny. Użyj go, gdy twarz, ubranie, miejsce albo głos mają pozostać takie same w osobno renderowanych ujęciach – text-to-video tego nie potrafi, bo przy każdym uruchomieniu wymyśla nową twarz. Wynik powstaje w 480p, 720p lub 1080p, domyślnie w 720p.
Wybierz tryb według materiału początkowego
| Materiał początkowy | Tryb |
|---|---|
| Pisany brief określa scenę, działanie, kamerę i w razie potrzeby dźwięk. | Wan 3.0 Tekst na wideo |
| Zatwierdzony obraz początkowy ustala postać i kompozycję, a instrukcja kieruje późniejszym ruchem. | Wan 3.0 Obraz na wideo |
| Oddzielne materiały referencyjne mogą prowadzić tożsamość, miejsce, ruch lub dźwięk, gdy każdy ma jasną rolę. | Wan 3.0 Referencje na wideo |
Najważniejsze funkcje
Obrazy dla wyglądu postaci, kostiumu i scenografii
reference_image_urls przyjmuje od 1 do 10 obrazów – plansze postaci, kostiumu i scenografii – w formacie JPEG, PNG bez przezroczystości, BMP lub WEBP, od 240 do 8000 pikseli na bok i do 20 MB każdy. Obrazy referencyjne nie są rozliczane. Nazwij każdy z nich w prompcie, inaczej model uśredni je w postać niepodobną do żadnego.
Wideo dla ruchu, audio dla głosu
Wideo referencyjne przenosi ruch i styl pracy kamery, a nie twarz: do pięciu klipów MP4 lub MOV po 1–15 sekund, łącznie 15 sekund, co najmniej 16 kl./s. Audio referencyjne przenosi głos, sposób podania kwestii lub dźwięk pomieszczenia: do pięciu klipów WAV lub MP3, również łącznie 15 sekund. Te limity są sprawdzane w trakcie generowania, a nie przy przyjęciu zadania, więc zmierz klipy przed wysłaniem.
30 sekund wspólnych z wynikiem
Sekundy wideo referencyjnego są rozliczane razem z wynikiem, a długość wideo referencyjnego plus duration_seconds nie może przekroczyć 30 sekund. Referencja ruchu o długości 12 sekund zostawia więc najwyżej 18 sekund wyniku. Obrazy i audio referencyjne nie wliczają się do tego limitu.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Nie | Opcjonalny. Jeśli go piszesz, najpierw nazwij, za co odpowiada każda referencja, a potem opisz ujęcie: podmiot, 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 zsynchronizowanym z obrazem. Domyślnie: |
enable_prompt_expansion | Nie | Domyślnie wyłączone. Po włączeniu prompt jest przepisywany przed generowaniem: pomaga przy ubogich briefach, a przy szczegółowych działa przeciwko tobie. |
seed | Nie | Od 0 do 2147483647. Trzymaj go na stałe, aby porównywać po jednym zmienionym polu; pomiń go, gdy chcesz 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 |
|---|---|
| $0.045 / sekundę |
| $0.09 / sekundę |
| $0.18 / sekundę |
Zastosowania
Ponowny render tej samej aktorki w znanym pokoju
Przykład z postacią i pokojem wysyła dwa obrazy i nazywa je w prompcie: „Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room.” Następnie postać przechodzi do okna przy powolnym bocznym ruchu kamery – 8 sekund w 720p z seedem 771120. Stałe plansze i stały seed przy zmianie tylko linii akcji to kształt żądania do pracy odcinkowej.
Prowadząca z dopasowanym głosem
Przykład z monologiem łączy jeden obraz dla twarzy i stroju prowadzącej z jedną referencją audio dla jej głosu. Prompt rozdziela te role, a potem opisuje nieruchomy plan średni przy kuchennym stole w porannym świetle – 10 sekund w 720p. Prowadzący, narratorzy i powracające postacie, które w każdym ujęciu muszą brzmieć tak samo, korzystają z tego wzorca.
Wskazówki
Najpierw przypisz referencje, potem opisz ujęcie
Zacznij prompt od jednego zdania na każdą referencję – który obraz to postać, który scenografia, do czego służy wideo lub audio – a potem napisz scenę: postać, jedną akcję, jeden ruch kamery, światło i dźwięk. Przekazuj obrazy w kolejności, w jakiej je wymieniasz, bo prompt wskazuje je słowami „Image 1” i „Image 2”.
Rozstrzygaj konflikty wprost
Jeśli klip z ruchem zawiera niechcianą osobę lub tło, poproś tylko o jego trajektorię kamery albo tempo. Nie dawaj dwóm referencjom tego samego zadania w nadziei, że model wybierze; zdecyduj w briefie, która odpowiada za wygląd postaci, a która za miejsce akcji.
Jedna zmiana na powtórkę
Zablokuj seed i zestaw referencji, a w każdej próbie zmieniaj jedną linię – akcję, ruch kamery albo pojedynczą referencję – tak aby każdą różnicę w wyniku dało się przypisać tej zmianie. Szukaj rozwiązania przy 5 sekundach i 720p, zanim przejdziesz do dłuższego lub większego renderu, i w każdym ujęciu porównuj twarz, strój, miejsce 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "720p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
