O Wan 2.5 texto para vídeo pode começar a partir de uma imagem em vez de um prompt?

Não, o Wan 2.5 texto para vídeo aceita apenas texto: não há campo de imagem, referência ou primeiro quadro no corpo da requisição. O endpoint imagem para vídeo desta família cobre esse caso, recebendo uma única imagem inicial via image_url e herdando as proporções dessa imagem, o que também explica por que aspect_ratio existe na rota de texto e não nessa.

A API do Wan 2.5 texto para vídeo renderiza em 4K?

Não, a API do Wan 2.5 texto para vídeo para em 1080p. resolution aceita 480p, 720p ou 1080p e usa 720p por padrão, sem nada acima desse nível neste endpoint, então uma entrega em 4K precisa de uma etapa própria de upscaling depois que o arquivo é retornado. O nível escolhido também define a taxa por segundo.

Como controlo o som de um clipe do Wan 2.5 texto para vídeo?

O Wan 2.5 texto para vídeo tira a direção do som de prompt, já que o endpoint não tem campo para descrever som nem interruptor que silencie o clipe. Ambiência, diálogo ou uma nota de que a cena permanece silenciosa entram na mesma descrição da ação e do movimento de câmera. Uma tomada gravada passa por audio_url, e a duração dela importa: um arquivo mais longo é cortado no fim do clipe, um mais curto deixa o restante em silêncio.

Qual é o prompt mais longo aceito pela API do Wan 2.5 texto para vídeo?

prompt no Wan 2.5 texto para vídeo comporta até 1.500 caracteres e é o único campo obrigatório, com mínimo de um caractere. negative_prompt é contado separadamente e limitado a 500. Qualquer coisa maior falha na validação, então corte um tratamento longo para um sujeito, uma ação e um movimento de câmera antes de enviar.

O que negative_prompt faz de diferente de escrever 'sem X' no prompt?

negative_prompt é um campo separado no Wan 2.5, de até 500 caracteres, feito especificamente para manter legendas, pessoas extras ou uma cor recorrente fora do quadro. Escrever uma negação como 'sem legendas' dentro do texto principal do prompt é lido com menos confiabilidade do que colocar a mesma exclusão neste campo dedicado.

Quando enable_prompt_expansion deve ficar desligado no Wan 2.5 texto para vídeo?

Deixe enable_prompt_expansion desligado no Wan 2.5 sempre que estiver comparando dois renders, porque ele reescreve o briefing antes da geração e um briefing reescrito deixa de ser a entrada enviada. O campo vem desligado por padrão. Ligue para uma ideia de uma linha que ainda não tem câmera, luz ou ritmo escritos.

Uma única requisição do Wan 2.5 texto para vídeo pode gerar mais de um clipe?

Não, cada requisição do Wan 2.5 texto para vídeo descreve um único clipe, e o esquema não tem campo de contagem ou lote. Um conjunto de variações são, portanto, várias tarefas, cada uma criada com sua própria Idempotency-Key. Manter seed fixo entre elas e mudar um único campo por tarefa mantém a comparação legível.

Quanto custa a API do Wan 2.5 texto para vídeo?

O Wan 2.5 texto para vídeo cobra por segundo de vídeo entregue, e só dois campos movem o total: resolution, que define a taxa por segundo em seus três níveis, e duration_seconds, que decide quantos segundos são pagos. audio_url, negative_prompt, aspect_ratio e seed não têm custo próprio. A estimativa ao vivo acima do Playground acompanha a seleção atual.

O que acontece se eu enviar um campo que o Wan 2.5 texto para vídeo não define?

O Wan 2.5 texto para vídeo rejeita um campo que seu esquema não define, em vez de ignorá-lo. Um erro de digitação como duration em vez de duration_seconds volta como erro de validação, não como um clipe gerado silenciosamente com a duração padrão de cinco segundos, então o erro aparece já na primeira chamada.

O que uma tarefa concluída do Wan 2.5 texto para vídeo retorna?

Uma tarefa concluída do Wan 2.5 texto para vídeo retorna um único mp4 com o som já incluído. O endpoint funciona de forma assíncrona, então a chamada de criação devolve um id de tarefa e o arquivo aparece quando o render termina: consulte esse id ou registre uma URL de callback para ser avisado. Nada precisa ser buscado ou mixado antes da entrega.

API do Wan 2.5: vídeo NSFW sem censura com som

alibaba/wan-2.5/text-to-video

O text-to-video Wan 2.5 da Alibaba transforma uma cena escrita em um clipe de 5 ou 10 segundos com som gerado, em 480p, 720p ou 1080p. Escolha 16:9, 9:16, 1:1, 4:3 ou 3:4 e, se quiser, envie uma faixa de áudio para acompanhar.

A partir de $0.045/s

Executar modelo Ver API

Entrada

Texto para vídeo

Prompt374/1500

Prompt negativo0/500

Proporção

Resoluçãoafeta o preço

Duraçãoafeta o preço

510

Áudio de entrada0/1

Solte um arquivo de áudio aqui ou procure no computador · 1 arquivo · Máx. 90 MB · MP3 · WAV

Expansão do prompt

Seed

Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução

Resultado de exemplo

Estender

Ampliação de vídeo

Edição de vídeo

{
  "model": "alibaba/wan-2.5/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "resolution": "720p",
    "duration_seconds": 5,
    "enable_prompt_expansion": false,
    "prompt": "After closing in a dim jazz bar, a woman in a red satin slip dress and a man in a loosened white shirt slow-dance alone between the empty tables; she pulls him closer by his tie until their faces almost touch, then leans back in his arms and laughs. Warm amber practicals, haze in the light beams, slow orbit around them. Cinematic, shallow depth of field, heavy film grain."
  }
}

Introdução

Wan 2.5 Texto para vídeo gera um clipe de 5 ou 10 segundos com som a partir de um prompt escrito. O único campo obrigatório é prompt, com até 1.500 caracteres; todo o resto tem valor padrão: 16:9, 720p, cinco segundos e expansão de prompt desligada. Use quando ainda não existe uma imagem aprovada e o cenário, a ação e a câmera precisam vir do texto. Se você já tem o quadro inicial, o endpoint baseado em imagem mantém o sujeito e as proporções desse quadro.

Escolha o modo do Wan 2.5 pelo material inicial

O que você tem no início	Modo
uma cena ou um roteiro escrito	Wan 2.5 Texto para vídeo
uma imagem inicial aprovada	Wan 2.5 Imagem para vídeo

Recursos e destaques

Imagem e som em uma única passada

O clipe volta com o áudio já no arquivo: ambiência, efeitos e vozes são gerados junto com a imagem, então vale escrever uma linha como "Audio: gulls, a splash, her breath". Para que o movimento e o formato da boca sigam uma gravação que você já tem, envie audio_url, um WAV ou MP3 de 3 a 30 segundos e até 15 MB. Uma faixa mais longa que o clipe é cortada no final; uma mais curta deixa o restante do clipe em silêncio.

Cinco formatos, três resoluções, duas durações

aspect_ratio aceita 16:9, 9:16, 1:1, 4:3 e 3:4, e resolution aceita 480p, 720p e 1080p. Os dois estão ligados: em 480p só são renderizados quadros horizontais, verticais e quadrados, então 4:3 e 3:4 exigem 720p ou mais. duration_seconds é exatamente 5 ou 10, e um valor como 7 é rejeitado em vez de arredondado. A resolução também define o preço por segundo e o tempo de processamento.

Exclusões e comparações controladas

negative_prompt aceita até 500 caracteres e é o lugar de legendas, logotipos, pessoas a mais ou uma cor que insiste em aparecer. seed (de 0 a 2147483647) mantém a fonte aleatória fixa enquanto você muda um campo por vez, sem garantir um quadro idêntico. enable_prompt_expansion vem desligado; ligado, reescreve um briefing curto em um mais completo antes da geração.

Parâmetros da requisição

Parâmetros da requisição de Wan 2.5 · Text to Video
Parâmetro	Obrigatório	Descrição
`prompt`	Sim	A cena em si: quem, uma ação, um movimento de câmera e depois luz e som. Um verbo claro pesa mais no resultado do que uma fila de adjetivos. pelo menos 1 caracteres · no máximo 1500 caracteres
`negative_prompt`	Não	O que precisa ficar de fora: legendas, logotipos, gente sobrando, uma cor que insiste em aparecer. Só aqui as exclusões funcionam de verdade. no máximo 500 caracteres
`aspect_ratio`	Não	16:9, 9:16, 1:1, 4:3 ou 3:4; padrão 16:9. Na faixa de resolução mais baixa não há 4:3 nem 3:4. `16:9` · `9:16` · `1:1` · `4:3` · `3:4` · Valor padrão: `16:9`
`resolution`	Não	480p, 720p ou 1080p; padrão 720p. Define o preço por segundo e o tempo de processamento; a faixa mais baixa só oferece horizontal, vertical e quadrado. `480p` · `720p` · `1080p` · Valor padrão: `720p`
`duration_seconds`	Não	Exatamente 5 ou 10. Qualquer outro valor é recusado, não arredondado. `5` · `10` · Valor padrão: `5`
`audio_url`	Não	Uma fala ou deixa musical que o clipe acompanha. O formato dos lábios e o ritmo do movimento seguem esse arquivo. pelo menos 1 caracteres
`enable_prompt_expansion`	Não	Desligada por padrão. Ligada, reescreve uma descrição curta de forma mais completa antes de gerar; deixe desligada quando o prompt já descreve uma cena precisa. Valor padrão: `false`
`seed`	Não	De 0 a 2147483647. Fixe para comparar uma mudança por vez; para ter variedade, omita o campo em vez de enviar 0. `≥ 0` · `≤ 2147483647`

Preços

Preços
Especificação	Preço
`480p`	$0.045 / segundo
`720p`	$0.09 / segundo
`1080p`	$0.135 / segundo

Casos de uso

Clipes verticais com a trilha incluída

Defina aspect_ratio como 9:16 e mantenha cinco segundos para um rascunho de feed que dispensa uma etapa de áudio separada. O exemplo publicado da loja de discos vai além: dez segundos em 1080p e 9:16, um tilt lento de uma caixa de vinis até o rosto do homem e o prompt negativo "text on screen, logos, extra people" para que não apareçam legendas nem pessoas passando.

Conferir o som contra uma ação visível

O exemplo do saxofone pede dez segundos em 1080p e 16:9, com o som do instrumento acompanhando o dedilhado. Amarrar o áudio a algo que se vê (as chaves, um mergulho, o chiado de uma vitrola) dá a você uma verificação concreta na reprodução, em vez de julgar só a ambiência.

Uma fala no seu próprio tempo

Grave a fala, envie como audio_url e descreva quem fala e onde. O movimento e o formato da boca seguem o tempo do arquivo, então a revisão pode se concentrar na atuação. Quando o rosto ou o produto precisa ser específico, o texto sozinho não mantém essa aparência entre execuções; comece por uma imagem estática no endpoint de imagem para vídeo.

Ver tutoriais dos principais casos de uso

Guia de prompt e dicas práticas

Escreva a cena em uma ordem fixa

Sujeito, uma ação, um movimento de câmera, a luz e, por fim, uma linha sobre o som. Um verbo claro muda mais o resultado do que uma pilha de adjetivos. Deixe as exclusões fora do prompt e liste-as em negative_prompt. Quando o seu prompt já descreve a cena com precisão, mantenha enable_prompt_expansion desligado para que a sua redação seja usada como está.

Adapte o exemplo incluído

O exemplo publicado do porto roda com aspect_ratio 16:9, duration_seconds 5 e resolution 720p. Mantenha essa estrutura ao trocar o sujeito e o lugar.


Early morning at a stone harbour wall. An adult woman in a navy one-piece swimsuit and a white swim cap stands at the edge, shakes out her arms, then dives cleanly into flat green water and surfaces laughing, pushing her goggles up. Gulls lift off the wall behind her. Low handheld camera at water level, soft pink dawn light, mist on the water. Audio: gulls, a splash, her breath and a short laugh, distant boat engine.

Uma ação e uma posição de câmera, com o som escrito para que o mergulho e a risada caiam nos quadros certos.

Refine em cinco segundos e 720p

Fixe seed e compare uma mudança por vez: o verbo, o movimento de câmera, a linha de som. Quando a tomada funcionar, renderize de novo em 10 segundos ou em 1080p. Se uma solicitação em 4:3 ou 3:4 for rejeitada, confira primeiro a resolução: esses formatos não estão disponíveis em 480p.

Revise o clipe inteiro com som

Reproduza o clipe do início ao fim com áudio: a ação é legível na velocidade normal, os efeitos caem na fonte visível, mãos e cabelo se mantêm? Clipes longos se desviam mais em mãos, cabelo e detalhes finos, então compare uma tomada de 10 segundos com a versão de 5 antes da entrega.

Início rápido da 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-2.5/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "duration_seconds": 5,
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "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"

Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

Uma cena escrita vira um clipe com som próprio

O Wan 2.5 texto para vídeo transforma uma cena escrita em um clipe de 5 ou 10 segundos, com o som gerado na mesma passada que a imagem. Escolha uma entre cinco proporções e uma resolução de até 1080p, e um audio_url opcional pode direcionar o clipe para uma fala gravada ou uma trilha musical.

Abrir o Playground

Uma cena escrita vira um clipe com som próprio

Duração: 5 ou 10 segundos, nenhum outro valor é aceito
Resolução: 480p, 720p ou 1080p, padrão 720p
Proporções: 16:9, 9:16, 1:1, 4:3, 3:4, padrão 16:9
4:3 e 3:4: Só em 720p ou 1080p, não em 480p
Tamanho do prompt: Até 1.500 caracteres, campo obrigatório
Áudio: Gerado junto com o vídeo; audio_url é opcional

Áudio: O som sai da mesma requisiçãoNão há uma etapa separada de áudio. O clipe volta com som gerado junto com a imagem, e passar audio_url permite que uma fala gravada ou uma trilha musical defina o ritmo em vez disso.
Duração: Exatamente 5 ou 10 segundosduration_seconds só aceita esses dois valores. Um pedido de 7 ou 8 segundos é rejeitado, não é arredondado para a duração suportada mais próxima.
Nível de resolução: 480p limita o conjunto de proporções disponíveis4:3 e 3:4 só renderizam em 720p ou 1080p. Pedir qualquer uma delas em 480p retorna erro, então defina a resolução antes de travar o formato.

Onde Wan 2.5 é forte

Som gerado junto com a imagem

Áudio e vídeo voltam de uma única requisição, então não há uma etapa posterior de texto para fala ou música e nada para misturar. A Alibaba descreve a arquitetura do Wan 2.5 como compatível com geração de áudio sincronizada com o vídeo, e neste endpoint isso chega como um único mp4 com a trilha já embutida.

audio_url define o tempo quando há uma fala para acertar

Forneça uma fala gravada ou uma deixa musical como audio_url e o movimento e o ritmo do clipe seguem o tempo desse arquivo, em vez de um som ambiente gerado do zero que talvez não caia no compasso certo.

Cinco proporções em um único endpoint
16:9, 9:16, 1:1, 4:3 e 3:4 cobrem paisagem, retrato e quadrado a partir de um único endpoint. A resolução limita esse conjunto: 4:3 e 3:4 só renderizam em 720p ou 1080p, enquanto as outras três formas estão disponíveis em todos os níveis, incluindo 480p.
negative_prompt é o jeito confiável de excluir algo
Legendas, pessoas extras ou uma cor que continua reaparecendo devem ir em negative_prompt, não embutidas no prompt principal como 'sem X'. É um campo separado, de até 500 caracteres, feito especificamente para exclusões.
enable_prompt_expansion para briefings curtos
Desligado por padrão. Ligado, reescreve um briefing curto em uma descrição de cena mais completa antes da geração, útil quando o prompt é mais uma ideia de uma linha do que uma cena totalmente escrita com câmera e luz.
seed para comparações controladas
Fixar seed enquanto muda apenas um outro campo por vez isola o que esse campo realmente fez no resultado. Não garante repetição idêntica quadro a quadro entre chamadas, apenas uma base para uma comparação controlada.

Para quem é Wan 2.5

Equipes de vídeo curto
Clipes verticais e quadrados a partir da mesma estrutura de prompt
9:16 e 1:1 estão disponíveis em todos os níveis de resolução, então um lote destinado a feeds e stories não precisa de um segundo modelo nem de um corte adicionado depois da geração para caber no formato da plataforma.
Conteúdo guiado por diálogo
Um clipe que cai em uma fala específica
Grave a fala, passe como audio_url e descreva quem fala e onde no texto do prompt. Movimento e ritmo seguem o tempo do arquivo em vez de um palpite gerado sobre quando a fala deveria cair.
Equipes de produto e conceito
Cobertura de paisagem e retrato sem chamadas extras
16:9 para um plano geral amplo e 9:16 para o mesmo sujeito reenquadrado na vertical, ambos a partir de um único endpoint e um único prompt, ambos com som gerado sem uma passada de renderização separada para cada formato. Só aspect_ratio muda entre as duas chamadas.
Integradores de API
Um ciclo de vida assíncrono previsível
Crie a tarefa com uma Idempotency-Key, consulte o status ou registre um callback, e o ativo retornado é um único arquivo de vídeo com o som já mixado, pronto para armazenar ou servir sem processamento adicional.

Como chamar a API Wan 2.5

Decidir a resolução antes do formato
480p só renderiza 16:9, 9:16 e 1:1. Se a cena precisar de 4:3 ou 3:4, defina resolution como 720p ou 1080p primeiro, depois escolha aspect_ratio, já que o nível mais baixo rejeita essas duas formas diretamente.
Escrever a cena, não uma legenda
Nomeie o sujeito, uma ação, um movimento de câmera, depois luz e som em prompt. Até 1.500 caracteres, e um verbo claro move mais o resultado do que uma pilha de adjetivos descrevendo a cena.
Listar exclusões em negative_prompt
Legendas, pessoas extras, uma cor indesejada que continua reaparecendo: liste-as neste campo dedicado, que comporta até 500 caracteres. Exclusões escritas aqui são lidas com mais confiabilidade do que as mesmas palavras embutidas na descrição da cena.
Adicionar audio_url só quando o tempo importa
Omita quando o som gerado combinar com a cena. Defina quando uma fala específica ou uma deixa musical precisar guiar o ritmo e os gestos labiais, e alinhe o arquivo a duration_seconds: o áudio além do fim do clipe é cortado, e um arquivo mais curto deixa o restante em silêncio.
Escolher duration_seconds e enviar
5 ou 10 são os únicos valores aceitos, qualquer outro é rejeitado. Envie a requisição com uma Idempotency-Key e guarde o id da tarefa retornado para verificações de status ou novas tentativas.
Consultar ou receber o callback
Uma tarefa concluída traz a URL do ativo na resposta de status. Vincule esse arquivo direto do armazenamento da plataforma em vez de baixar e reenviar, e guarde o id da tarefa junto, caso um render precise ser rastreado depois.

Exemplos resolvidos com Wan 2.5

Um momento de diálogo com som sincronizado

O prompt declara a ação e a deixa de som juntas, então o respingo e a fala caem em quadros que combinam em vez de se desalinhar.

A woman in a rain-slicked coat steps under a shop awning, shakes water off her umbrella, and says "finally" under her breath, neon signage reflected in the wet pavement, ambient rain and distant traffic

Uma tomada vertical construída para 9:16 desde o início

Escrita para um enquadramento em retrato desde o começo, com um prompt negativo mantendo legendas e pessoas extras fora da cena.

Close vertical shot of hands sorting vinyl records in a narrow shop, warm lamp light, a low hum of music playing from a corner speaker, camera tilts slowly upward to a face reading a sleeve

Uma cena de produto quadrada em 1080p
Enquadramento 1:1 com uma única fonte de luz nomeada no prompt, de modo que o reflexo permanece consistente ao longo do clipe curto.
```
A ceramic espresso cup rotates slowly on a marble surface, steam rising, single warm spotlight from the upper left, soft clink of the cup settling against the saucer
```

Perguntas sobre a API Wan 2.5

Escreva uma ação, um movimento de câmera e uma frase sobre o som em um único prompt, depois decida a resolução antes de aspect_ratio, já que 4:3 e 3:4 precisam de 720p ou mais. Mantenha exclusões em negative_prompt. Quando o prompt ler como uma cena escrita com câmera e luz, deixe enable_prompt_expansion desligado para que dois renders continuem comparáveis, e fixe seed enquanto muda um único campo por vez.