Wan 3.0 API

Wan 3.0 Tekst na wideo tworzy klip o długości od 2 do 30 sekund z dźwiękiem wyłącznie na podstawie napisanego promptu. Jedynym wymaganym polem jest prompt; duration_seconds, resolution (480p, 720p lub 1080p, domyślnie 720p), aspect_ratio (domyślnie 16:9), generate_audio, enable_prompt_expansion i seed to jawne ustawienia, które możesz zostawić na wartościach domyślnych. Ponieważ żaden obraz nie zakotwicza ujęcia, model wymyśla każdą twarz, każde ubranie i każdą scenografię na podstawie tekstu. To tryb Wan 3.0 o największej swobodzie twórczej i najmniejszej kontroli nad konkretną osobą.

Wybierz tryb według materiału początkowego

Dźwięk opisany w tym samym żądaniu

generate_audio jest domyślnie włączone, więc zwrócony plik ma już dźwięk zsynchronizowany z obrazem. Przykład ze zbrojownią wykorzystuje to celowo: prompt kończy się linią „Audio:” – skórzana rękawica uderzająca o drewno, skrzypiące sznurowanie, trzaskająca pochodnia – i te dźwięki wracają razem z czynnościami, które je wywołują. Ustaw pole na false tylko wtedy, gdy ujęcie dostanie osobną ścieżkę muzyczną.

Dowolna pełna długość od 2 do 30 sekund

duration_seconds przyjmuje każdą liczbę całkowitą od 2 do 30, domyślnie 5, albo -1 dla inteligentnej długości, gdy model sam wybiera długość na podstawie promptu. Przykład z wydmą trwa domyślne 5 sekund w 720p i 16:9 – wystarczy na jeden lot z powietrza od ściany burzy aż do jej twarzy. Dłuższe klipy bardziej dryfują w wyglądzie postaci i geometrii, dlatego najpierw ustal wygląd przy 5 sekundach.

Sceny bez cenzury z samego tekstu

Rodzina działa bez cenzury i żadna scena nie wymaga flagi ani deklaracji w każdym żądaniu. Przykład z kinem samochodowym – dwie dorosłe kobiety na otwartej klapie kombi, oświetlone tylko wiązką projektora, aż do powolnego pocałunku – powstał z samego tekstu promptu przy 5 sekundach i 720p. Za zgodę, prawa, wiek i lokalne prawo wszystkich przedstawionych osób odpowiadasz ty.

Klimatyczne sceny bez obrazu źródłowego

Gdy nie ma zdjęcia miejsca, prompt musi je zbudować. Przykład z wydmą opisuje grzbiet wydmy o zachodzie słońca, nadciągającą ogromną burzę piaskową, szmaragdową jedwabną suknię powiewającą na wietrze i kamerę, która z widoku z lotu ptaka zjeżdża aż do jej twarzy – wszystko z samego zdania. Takie żądania sprawdzają się w filmach nastrojowych i materiałach do pitchu, gdzie otoczenie liczy się bardziej niż konkretna twarz.

Perspektywa pierwszoosobowa

Przykład z perspektywy pierwszej osoby napisano jako jedno ciągłe ujęcie: kamera to oczy widza, jedynym światłem jest żarówka wolframowa, a brief mówi wprost, że strój do końca pozostaje dokładnie taki, jak opisano. Określenie, co się nie zmienia, jest równie przydatne jak opis tego, co się rusza – dzięki temu model nie rozstrzyga niejednoznacznego promptu po swojemu.

# 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/text-to-video",
  "input": {
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "duration_seconds": 5
  }
}'

# 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.