Introdução
Wan 2.6 Referências para vídeo coloca pessoas, animais ou objetos de um a três clipes curtos em uma cena nova que você descreve. Os clipes definem quem ou o que aparece; lugar, ação, câmera e luz vêm inteiramente do prompt. O resultado dura um 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. A chamada é alibaba/wan-2.6/reference-to-video e é assíncrona: crie a tarefa e depois consulte o status ou receba o callback.
Até duas imagens estáticas podem se juntar aos clipes, ou substituí-los, na mesma solicitação; somadas aos clipes, são no máximo cinco referências. As imagens são numeradas depois dos clipes, então com dois clipes a primeira imagem é character3, e não são cobradas.
Escolha o modo pelo material inicial
| O que você tem no início | Modo |
|---|---|
| uma cena ou um roteiro escrito | Wan 2.6 Texto para vídeo |
| uma imagem inicial aprovada | Wan 2.6 Imagem para vídeo |
| referências separadas de aparência, movimento ou som | Wan 2.6 Referências para vídeo |
Recursos e destaques
Os sujeitos viajam, o cenário é escrito
Os clipes de referência decidem quem ou o que aparece, e o prompt decide onde estão, o que fazem e como a câmera e a luz os tratam. Essa é a diferença em relação a imagem para vídeo, em que o quadro inicial também fixa cenário, luz e proporções. Aqui, uma apresentadora filmada uma única vez pode aparecer em um terraço ao entardecer, em outro formato, sem uma segunda diária de gravação.
Até três clipes em uma cena
Envie um clipe quando um único sujeito precisa continuar reconhecível, ou até três quando a cena pede vários ao mesmo tempo. Cite os clipes no prompt pela ordem de envio e diga o que cada um traz, para que o modelo saiba quem é a apresentadora e quem é o cachorro. Clipes cheios, com várias pessoas, dificultam saber quem deve entrar na cena.
Formato e tamanho são parâmetros, não herança
aspect_ratio é escolhido a cada solicitação: 16:9, 9:16, 1:1, 4:3 ou 3:4, todos disponíveis nas duas 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 do material de referência, então uma entrega vertical não exige clipes verticais, e o mesmo conjunto de referências pode ser entregue em vários formatos.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
prompt | Sim | A cena nova: diga o que cada clipe de referência contribui e depois ambiente, ação, câmera e luz. Mantenha abaixo de 1.500 caracteres. pelo menos 1 caracteres · no máximo 1500 caracteres |
negative_prompt | Não | O que não deve aparecer: pessoas a mais, legendas, objetos do clipe de referência que você não quer levar junto. no máximo 1500 caracteres |
reference_video_urls | Não | Até três clipes dos personagens ou objetos a escalar. pelo menos 1 itens · no máximo 3 itens |
reference_image_urls | Não | Até duas imagens estáticas de personagens ou objetos, junto com os clipes ou no lugar deles; somadas aos clipes, uma solicitação aceita no máximo cinco referências. pelo menos 1 itens · no máximo 2 itens |
aspect_ratio | Não | 16:9, 9:16, 1:1, 4:3 ou 3:4, padrão 16:9, disponível nas duas resoluções; as dimensões em pixels de cada combinação estão nas especificações. |
resolution | Não | 720p ou 1080p, padrão 720p. Define a tarifa por segundo e quanto a tarefa demora, e as duas resoluções aceitam os cinco formatos. |
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. |
seed | Não | De 0 a 2147483647. Segure-a enquanto troca um clipe de referência por vez, para que o sorteio aleatório fique constante e só se mova o que você mudou. |
Preços
Os clipes de referência entram na contagem de segundos cobrados. Como não é possível medir seus clipes antes da execução, reservamos antecipadamente o valor dos 5 segundos máximos e liberamos a parte não utilizada assim que a cobrança é fechada — você paga apenas pelos segundos realmente usados.
| Especificação | Preço |
|---|---|
| $0.065 / segundo |
| $0.0975 / segundo |
Casos de uso
Levar uma apresentadora a um lugar novo
Um clipe da pessoa e depois um prompt para o ambiente, a luz e o movimento de câmera. A aparência da apresentadora vem da referência enquanto o cenário é escrito, então uma única gravação rende material para locações que nunca estiveram disponíveis naquele dia.
Colocar um produto em uma ambientação sazonal
Envie o giro de packshot que você já tem e descreva uma superfície nova, uma estação nova, uma luz nova. O objeto mantém forma e acabamento enquanto a cena ao redor é reconstruída, e um único clipe de produto passa a servir a vários cenários de campanha sem montar a foto de novo.
Juntar dois sujeitos
Um clipe de uma apresentadora e um clipe do animal ou objeto que precisa dividir o quadro, e depois um prompt dizendo o que cada um faz. Isso resolve cenas que, de outra forma, exigiriam os dois sujeitos no set no mesmo dia.
Reaproveitar material que não dá para regravar
Um clipe de arquivo de uma apresentadora que não está mais disponível, ou uma amostra de produto que já voltou para o cliente, ainda carrega o sujeito. Envie como referência e escreva o novo cenário: o material antigo entrega o sujeito, o prompt entrega a cena.
Guia de prompt e dicas práticas
Escolha clipes que o modelo consiga ler
Funciona melhor o material curto em que o sujeito aparece grande no quadro, bem iluminado e visto de mais de um ângulo. Um sujeito que fica pequeno ou contra a luz costuma voltar só de forma aproximada. Corte antes de enviar, não depois: os segundos enviados são cobrados, e os poucos segundos em que o sujeito aparece com mais clareza costumam se transferir melhor do que uma tomada longa que se dispersa.
Escreva a cena, não a referência
Diga primeiro o que cada clipe traz, como a mulher do clipe 1 e o cachorro do clipe 2, e depois descreva cenário, ação, câmera e luz como faria em texto para vídeo, dentro de 1.500 caracteres. Descrever de novo o que o material já mostra gasta esse espaço e às vezes compete com os clipes. Use negative_prompt para o que continua aparecendo e não deveria: pessoas a mais, legendas na tela ou um objeto do clipe de referência que segue o sujeito até a cena nova.
Calcule os segundos antes de enviar
Os segundos cobrados são a duração de saída mais a duração somada dos clipes de referência, cada uma arredondada para cima em segundos inteiros, com a parte de referência contada até cinco segundos no total. Um render de 5 segundos com uma referência de 3 segundos é cobrado como 8 segundos na tarifa da resolução escolhida; o mesmo render com três clipes que somam nove segundos é cobrado como 10, porque só cinco segundos de referência contam. A estimativa em tempo real antes do envio mostra o valor, e se 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 publicado com aspect_ratio: 16:9, duration_seconds: 5, resolution: 720p e um clipe em reference_video_urls. Troque o sujeito e a encenação mantendo intacto esse contrato de entrada.
Keep character1, the amber glass bottle, exactly - its shape, colour and the marble block it stands on. Move it to a sunlit kitchen windowsill in the morning, lemons and a linen cloth beside it. The camera circles it slowly the way the reference clip does. Soft birdsong outside.
Um clipe de produto como referência, reencenado em um cômodo novo enquanto a câmera repete o seu giro lento.
Confira a semelhança antes de iterar
Assista ao clipe inteiro, não só ao primeiro segundo: a semelhança tende a se desviar no fim das durações mais longas, então confira o último segundo antes de fechar essa duração. Com 2 a 3 segundos raramente há espaço para um corte, por isso o multi compensa principalmente a partir de uns 6 segundos. Mantenha o seed fixo e troque um clipe de referência por vez ao comparar; assim o sorteio aleatório fica constante e só muda o que você alterou, 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-2.6/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"shot_type": "single",
"reference_video_urls": [
"https://example.com/reference.mp4"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
