Introdução
Wan 2.6 Flash Referências para vídeo leva pessoas, animais ou objetos das suas referências para uma cena nova que você descreve, no nível Flash do Wan 2.6, mais rápido e de menor custo. Envie até cinco referências, no máximo três delas clipes curtos e o resto imagens estáticas, ou só imagens estáticas; lugar, ação, câmera e luz vêm inteiramente do prompt. O resultado dura qualquer número inteiro de segundos de 2 a 10, em 720p ou 1080p, em uma de cinco proporções, como tomada contínua ou edição com vários planos. Os clipes saem sem som por padrão; ative generate_audio quando a cena precisar da própria trilha sonora.
Escolha um modo do Wan 2.6 Flash pelo material inicial
| O que você tem no início | Modo |
|---|---|
| um quadro inicial aprovado | Wan 2.6 Flash Imagem para vídeo |
| fotos ou clipes curtos das pessoas e objetos a escalar | Wan 2.6 Flash Referências para vídeo |
Recursos e destaques
Escale a partir de imagens, clipes ou os dois
reference_image_urls aceita até cinco imagens estáticas e reference_video_urls até três clipes curtos, somando no máximo cinco referências. Só com imagens já basta: dois retratos são tudo o que se precisa para pôr duas pessoas na mesma cena, e as imagens estáticas não são cobradas. Um clipe leva o que uma fotografia não leva, como o jeito de alguém se mover ou o comportamento de um lugar, ao custo de os segundos dele serem cobrados junto com a saída.
O prompt dá nome ao elenco
O Wan identifica cada referência apenas pelos nomes character1, character2 e assim por diante, em ordem: primeiro os clipes, depois as imagens estáticas. Cite cada uma antes de descrever o que fazem, por exemplo character1 dançando com character2, e o modelo sabe quem é quem. Todo o resto — o cenário, a ação, a câmera e a luz — é escrito, então uma pessoa fotografada uma única vez pode ser colocada em um terraço à noite ou num cais encharcado de chuva sem uma segunda sessão de fotos.
Som como interruptor, formato como parâmetro
generate_audio vem desligado por padrão e devolve só imagem; ligado, o clipe volta com vozes, efeitos e som ambiente gerados pelo dobro da tarifa por segundo. aspect_ratio é escolhido a cada solicitação: 16:9, 9:16, 1:1, 4:3 ou 3:4 em qualquer uma das resoluções. O 720p devolve 1280×720, 720×1280, 960×960, 1088×832 ou 832×1088; o 1080p devolve 1920×1080, 1080×1920, 1440×1440, 1632×1248 ou 1248×1632. Nada é herdado das referências, então uma entrega vertical não exige fontes verticais.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
prompt | Sim | A cena nova: cite cada referência como character1, character2 e assim por diante, primeiro os clipes e depois as imagens estáticas, diga o que cada uma faz e depois o cenário, a… pelo menos 1 caracteres · no máximo 1500 caracteres |
negative_prompt | Não | O que não deve aparecer: pessoas a mais, legendas, um objeto de uma referência que você não quer levar junto. Até 500 caracteres. no máximo 500 caracteres |
reference_video_urls | Não | Até três clipes curtos dos sujeitos ou lugares a escalar, somando no máximo cinco segundos. pelo menos 1 itens · no máximo 3 itens |
reference_image_urls | Não | Até cinco imagens estáticas das pessoas, animais ou objetos a escalar, junto com os clipes ou no lugar deles; somadas aos clipes, uma solicitação aceita no máximo cinco referênc… pelo menos 1 itens · no máximo 5 itens |
aspect_ratio | Não | 16:9, 9:16, 1:1, 4:3 ou 3:4, padrão 16:9, disponível nas duas resoluções. |
generate_audio | Não | Desligado por padrão, então o clipe volta só com imagem. Valor padrão: |
resolution | Não | 720p ou 1080p, padrão 720p. Define a tarifa por segundo e quanto a tarefa demora, e as duas resoluções aceitam as cinco proporções. |
duration_seconds | Não | Qualquer número inteiro de 2 a 10, padrão 5. |
shot_type | Não | single mantém uma tomada contínua; multi deixa o modelo cortar entre planos dentro da mesma cena, o que combina com uma cena que tem ritmo. |
enable_prompt_expansion | Não | Desligada por padrão. Valor padrão: |
seed | Não | De 0 a 2147483647. Fixe-a enquanto troca uma referência por vez, para que o sorteio aleatório fique constante e só se mova o que você mudou. |
Preços
Os clipes de referência entram nos segundos cobrados, contados até cinco segundos no total; imagens estáticas são gratuitas. Quando a duração de um clipe não pode ser lida antes da execução, reservamos o valor do máximo de 5 segundos e liberamos a parte não usada assim que a tarefa é fechada, então você paga apenas pelos segundos realmente usados.
| Resolução | Gerar áudio: Não | Gerar áudio: Sim |
|---|---|---|
| $0.0225 / segundo | $0.045 / segundo |
| $0.03375 / segundo | $0.0675 / segundo |
Casos de uso
Colocar duas pessoas na mesma cena
Um retrato de cada pessoa e depois um prompt dizendo onde estão e o que se passa entre elas. O exemplo do terraço nesta página parte de duas imagens estáticas e mais nada, com o som ligado para que a cena traga o próprio vento e o barulho da cidade.
Levar um sujeito para um lugar novo
Um clipe curto ou uma imagem estática da pessoa e depois o novo cenário, a luz e o movimento de câmera. A aparência vem da referência enquanto o lugar é escrito, então uma única sessão rende material para locações que nunca estiveram disponíveis naquele dia.
Combinar um lugar com uma pessoa
Um clipe de uma locação e uma imagem estática de uma pessoa escalam os dois juntos: o exemplo do cais nesta página usa um clipe de cinco segundos do porto como character1 e um retrato como character2, e a mulher caminha por um lugar em que nunca foi filmada.
Esboçar ideias de elenco com rapidez
O Flash prioriza prazo e custo em vez do último grau de textura, o que combina com testar vários elencos, cenários e movimentos de câmera em 720p antes de fechar a tomada final.
Guia de prompt e dicas práticas
Dê nome a cada referência antes da ação
Comece pelo elenco — character1, uma mulher adulta de vestido slip verde; character2, um homem adulto de camisa branca — e depois o cenário, a ação, a câmera e a luz, dentro de 1.500 caracteres. Redescrever o que as referências já mostram gasta esse espaço e pode competir com elas. Use negative_prompt para o que continua aparecendo e não deveria: pessoas a mais, legendas ou um objeto que acompanha o sujeito até a cena nova.
Escolha referências que o modelo consiga ler
Imagens e clipes em que o sujeito aparece grande no quadro e bem iluminado se transferem melhor; um sujeito que fica pequeno ou contra a luz costuma voltar só de forma aproximada. As imagens estáticas levam bem a cor e o visual, enquanto a forma e o movimento chegam com mais fidelidade de um clipe. Envie imagens em JPEG, PNG sem transparência, BMP ou WEBP, de 240 a 8.000 pixels por lado e até 20 MB, e clipes em MP4 ou MOV.
Calcule os segundos antes de enviar
Os segundos cobrados são a duração de saída mais a dos clipes de referência, cada uma arredondada para cima em segundos inteiros e com no mínimo um segundo por clipe, e a parte dos clipes conta até cinco segundos no total; imagens estáticas não somam nada. Um render de 5 segundos a partir de duas imagens é cobrado como 5 segundos; com um clipe de 3 segundos, como 8. A tarifa segue a resolução e dobra com generate_audio ligado. Os clipes que você enviar podem somar até cinco segundos, e a estimativa ao vivo antes do envio mostra o valor; quando a duração de um clipe não puder ser lida de antemão, a estimativa considera cinco segundos e a cobrança final usa a duração medida.
Adapte o exemplo incluído
Comece pelo exemplo do terraço: duas imagens estáticas em reference_image_urls, aspect_ratio 16:9, duration_seconds 5, resolution 720p e generate_audio ligado. Troque o elenco e a encenação mantendo intacto esse contrato de entrada.
character1, an adult woman in a dark green silk slip dress, and character2, an adult man in an open-collar white linen shirt, slow-dance on a city rooftop at night, foreheads almost touching. Her hand slides up the back of his neck as he pulls her closer by the waist; she laughs quietly against his cheek. String lights sway in the wind, the city glows behind them. Slow handheld orbit around the pair, warm practical light, shallow depth of field, film grain. Sound: soft wind, distant traffic, her low laugh, a saxophone drifting up from a bar below.
Confira o resultado antes de iterar
Assista ao clipe inteiro, não só ao primeiro segundo: a semelhança tende a se desviar no fim das durações mais longas. O multi compensa principalmente a partir de uns 6 segundos, e escolhê-lo também liga enable_prompt_expansion nessa requisição. Fixe o seed e troque uma referência por vez ao comparar; assim o sorteio aleatório fica constante, sem prometer uma repetição idêntica quadro a quadro. Os clipes gerados são apagados após 14 dias, então copie tudo o que quiser guardar.
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"generate_audio": false,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
