Wan 2.2 Image-to-Video: ritmo, enquadramento e identidade

O Wan 2.2 Image-to-Video segue a imagem que você envia e move apenas o que o prompt manda mover. Por isso um bom prompt é curto: uma ação visível, um comportamento de câmera e uma linha sobre o que precisa ficar parado. A maioria das falhas (movimento com aparência de câmera lenta, zoom inesperado, um rosto ou produto que muda) vem do quadro inicial ou de instruções empilhadas, não de poucas palavras. Este guia mostra a estrutura, um clip detalhado e como corrigir cada falha.

O que você controla em cada endpoint

Nenhum deles tem campo de proporção de tela: o clip assume o formato da sua imagem, então corte para 16:9 ou 9:16 antes de enviar. Suavizado significa que o modelo base pode atenuar ou recusar solicitações explícitas; os endpoints Spicy são marcados como sem restrições, mas isso não garante que toda solicitação seja entregue sem alterações. Use o endpoint base para material seguro para o trabalho e os endpoints Spicy quando o conteúdo exigir um modelo sem censura; o método de prompting abaixo é o mesmo.

Prepare o quadro antes do prompt

A imagem fornece o sujeito, a roupa, o cenário e a direção da luz, então o prompt não deve descrevê-los de novo. Ele deve tornar o movimento possível:

• Mostre tudo o que se move. Uma ação de caminhada precisa das pernas no quadro; um alcance precisa da mão e do objeto visíveis, não de uma mão escondida atrás de uma caneca.
• Deixe espaço na direção do movimento. Um sujeito encostado na borda direita não pode dar um passo para a direita sem sair do quadro ou forçar um movimento de câmera.
• Remova o que você não quer animar: pessoas ao acaso, sobreposições, texto embutido e marcas d'água entram direto no clip.
• Corrija primeiro os defeitos da origem. Um dedo extra ou uma caneca flutuante na imagem fixa vai aparecer também no vídeo.

A estrutura do prompt

Escreva, nesta ordem: quem ou o que se move e como, depois a câmera, depois o que fica parado ou o que a luz faz. Deixe a aparência para a imagem.

Este é um exemplo real da página do modelo Wan 2.2. A origem é um retrato de estúdio de corpo inteiro com fundo cinza chapado, 720p:

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.

Funciona porque cada passo do movimento é uma mudança visível em relação à pose inicial, a câmera é declarada como travada e o final é uma pose sustentada em que dá para cortar. A figura tem espaço para andar em direção à câmera porque a origem é um quadro de corpo inteiro com o chão à frente dela.

Um plano de produto segue o mesmo padrão, com a câmera ou a luz fazendo o movimento e uma linha explícita para o que não deve se mexer:

The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move.

Aqui só a luz faz trabalho visível: o rótulo e a silhueta permanecem estáveis enquanto a faixa atravessa o vidro, e o arco de câmera pedido quase não aparece. Se você precisa de um giro claramente visível, peça um movimento de câmera maior sozinho, sem nenhuma mudança de luz na mesma frase.

Teste no Playground

1. Abra Wan 2.2 image to video, fique na aba Playground na visão Form e entre na conta para executar.
2. Adicione seu quadro inicial em Input image (JPG, PNG ou WEBP, até 10 MB), cortado no formato desejado.
3. Cole um prompt em Prompt ou abra o Playground com o exemplo de corpo inteiro já preenchido.
4. Mantenha Resolution em 480p enquanto rascunha, defina um Seed e acrescente zoom, sudden reframing, cuts, second person em Negative prompt se a câmera se mover. Deixe Prompt expansion desligado para uma ação precisa; ligue apenas para uma ideia de uma linha.
5. Execute e depois rode novamente o clip que vale a pena manter em 720p com a mesma seed.

Depois, a API

Quando um prompt funcionar, envie a mesma requisição por código. Campos e resultados estão na referência da API.

{
  "model": "alibaba/wan-2.2/image-to-video",
  "input": {
    "image_url": "https://example.com/your-full-body-portrait.png",
    "prompt": "She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.",
    "negative_prompt": "zoom, sudden reframing, cuts, second person",
    "resolution": "480p",
    "seed": 14327
  }
}

Rascunhe em 480p e depois reenvie o clip que vale a pena manter com "resolution": "720p" e a mesma seed.

Deixe um Agent fazer isso. Um assistente pode fazer a mesma chamada pelo CLI (npx @spicyapi/cli tasks create --model alibaba/wan-2.2/image-to-video --input-file input.json --wait, com o objeto input desta requisição em input.json), pelo servidor MCP (npx --yes --package=@spicyapi/mcp spicyapi-mcp) ou pelo Agent Skill (npx skills add spicyapi-ai/spicy-skill). O CLI e o MCP mostram o preço e pedem confirmação antes de criar uma tarefa.

Corrija o movimento com aparência de câmera lenta

Clips lentos normalmente vêm de uma de quatro causas, e cada uma tem uma correção diferente:

• Palavras de ambiente. "Calm", "dreamy" e "cinematic" implicam câmera lenta. Remova-as e descreva um gesto em velocidade normal com um estado final concluído.
• Ação demais para o clip. Levantar, atravessar uma sala e servir uma bebida não cabe em cinco segundos. Corte para um gesto ou divida em vários clips, cada um começando no seu próprio quadro.
• Ação pequena demais. Um movimento minúsculo é lido como estático. Nomeie a parte que se move e onde ela termina.
• Sem final. Se a mão ainda está em movimento no último quadro, encurte o percurso ou acrescente uma pose final sustentada.

Nos endpoints Spicy, a opção de 8 segundos ajuda uma ação que realmente precisa de mais tempo.

Corrija o zoom e os cortes indesejados

Nomeie o movimento de câmera que você quer, porque "dynamic camera" permite qualquer um deles: um zoom muda a escala, um dolly muda a posição da câmera, um pan gira a visão e uma órbita circula ao redor do sujeito. Para fixar a câmera, diga isso de forma positiva ("locked camera, fixed medium distance") e acrescente um prompt negativo curto como zoom, reframing, cuts no endpoint base. Spicy e Spicy LoRA não têm campo negativo, então confie apenas na instrução positiva.

Antes de culpar a câmera, verifique o fundo. Se os pontos de referência ficam parados enquanto o sujeito cresce, o sujeito se inclinou para a lente; peça menos movimento para a frente. Se a escala do quadro inteiro muda, é a câmera, então altere apenas a frase da câmera e mantenha todo o resto igual. Um retrato com pouca profundidade de campo e fundo desfocado dificulta essa leitura, então comece por uma origem com características de fundo reconhecíveis.

Corrija a deriva de identidade

Compare o primeiro, o do meio e o último quadro e observe as viradas e oclusões em que o modelo precisa inventar detalhe oculto. Três correções cobrem a maioria dos casos:

• Reduza o movimento simultâneo. Um gesto pequeno com a cabeça parada e a câmera fixa preserva melhor a identidade do que uma volta completa com órbita. Devolva o movimento aos poucos.
• Ajuste o prompt à imagem. Se o quadro mostra um casaco escuro e o prompt diz camisa azul, você está pedindo uma mudança.
• Escolha uma origem melhor. Se o lado ou as costas importam, como o lado oculto de um rótulo de produto, envie um quadro que mostre isso; o modelo não consegue ler o que não vê.

Sombras fortes podem parecer mudança de identidade, então compare também forma e padrão, não só cor.

Corrija uma coisa de cada vez

Rode a mesma imagem, a mesma resolução e a mesma seed e mude uma frase por tentativa: primeiro a ação, depois o ritmo e depois a câmera. Julgue o clip inteiro na velocidade normal, porque quadros fixos não mostram se um gesto foi ágil ou se o objeto ficou intacto. Observe o começo, o maior movimento e o último segundo. Se três mudanças de frase não resolverem nada, troque o quadro; um quadro novo também significa reescrever a ação para combinar com o novo estado inicial.

Quando trocar de endpoint

• Quadro final ou 8 segundos: use o Wan 2.2 Spicy. Aponte last_image_url para a sua imagem fixa inicial para um laço sem emenda, ou para uma composição diferente para fechar a tomada em um ponto específico; envie com "duration_seconds": 8 no mesmo formato de requisição acima.
• Seu próprio adaptador de estilo ou movimento: use Wan 2.2 LoRA ou Wan 2.2 Spicy LoRA quando o conteúdo exigir um modelo sem censura, com até três LoRAs em cada lista. Coloque estilos de câmera ou de movimento em high_noise_loras e textura ou granulação em low_noise_loras. Não nomeie o estilo também no prompt, porque isso tende a duplicar o efeito. Teste várias intensidades em 480p com uma seed fixa. Para uma cena mais longa, a família LoRA também tem uma tarefa de extensão de vídeo.
• Uma ação simples de cinco segundos: o endpoint base basta.

Orce os rascunhos

O preço base é por requisição, então não o multiplique pela duração. Renderizar novamente o clip que vale a pena em 720p dobra o preço base e as tarifas por segundo. Verifique ritmo e câmera em 480p, mas use 720p quando o defeito que você está julgando for um detalhe pequeno, como um rótulo ou um dedo.

Para onde ir depois

Quando a tomada precisar de um quadro final, uma tomada mais longa ou adaptadores, troque de endpoint em vez de adicionar palavras. Para as diferenças de política entre as versões, veja o artigo sobre as versões do Wan e, para os slots de adaptador, o guia de LoRA de high noise e low noise.