Introdução
Wan 3.0 Pro Prime Referências para vídeo trava um rosto, uma peça de roupa, um cenário, um movimento ou uma voz com referências de imagem, vídeo e áudio e renderiza a cena em 1080p, 2K ou 4K, com 2 a 30 segundos, no render Prime. É obrigatório enviar pelo menos um entre reference_image_urls (de 1 a 10 imagens ordenadas), reference_video_urls, reference_audio_urls (até 5 clipes cada), reference_file_url (um documento) e reference_link_url (uma página web). Dê nome a cada referência no prompt; caso contrário, o modelo faz uma média e gera um sujeito que não bate com nenhuma.
Escolha o modo pelo material inicial
| Material inicial | Modo |
|---|---|
| Um briefing escrito define cena, ação, câmera e, quando necessário, som. | Wan 3.0 Pro Prime Texto para vídeo |
| Uma imagem inicial aprovada fixa sujeito e composição; a instrução direciona o movimento seguinte. | Wan 3.0 Pro Prime Imagem para vídeo |
| Referências separadas podem orientar identidade, local, movimento ou som, com uma função clara para cada uma. | Wan 3.0 Pro Prime Referências para vídeo |
Recursos e destaques
Dois personagens em uma cena
O exemplo dos dois personagens envia duas placas e dá nome a elas: "The first image is the woman, the second is the man — keep both faces and both haircuts." Os dois ficam um de cada lado de uma bancada em uma garagem escura, sob uma lâmpada pendurada, 6 segundos em 1080p com a semente 220913 e só o som ambiente. É o padrão para manter um casal consistente ao longo de um episódio.
Uma placa de cenário sem pessoas
Referências não precisam ser pessoas. O exemplo de continuidade de cenário envia uma placa de uma academia de boxe — cordas, armários, uma única luz pendurada — e pede um quadro vazio com poeira flutuando no facho e a lâmpada balançando devagar, câmera travada, 5 segundos em 4k sem áudio. Assim, todas as cenas de uma sequência podem dividir o mesmo ambiente.
Movimento por referência, não por texto
Referências de imagem, vídeo e áudio podem ir juntas, então o movimento pode vir de um clipe em vez de um parágrafo. Vídeos de referência são MP4 ou MOV, com pelo menos 16 fps, de 1 a 15 segundos cada e 15 segundos no total; os segundos deles são cobrados junto com a saída, e vídeo de referência mais saída ficam dentro de 30 segundos.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
prompt | Não | Opcional, mas é aqui que as referências são separadas umas das outras — qual chapa é qual personagem, para que servem o vídeo e o áudio — e a ação é declarada. pelo menos 1 caracteres · no máximo 20000 caracteres |
reference_image_urls | Não | De 1 a 10 imagens como referências de identidade, figurino e cenário. Nomeie cada uma no prompt — personagem, peça, cenário —, senão elas viram uma média. pelo menos 1 itens · no máximo 10 itens |
reference_video_urls | Não | Até 5 clipes, cada um de 1 a 15 segundos e 15 segundos no total. Use-os para movimento e estilo de câmera, não para um rosto. pelo menos 1 itens · no máximo 5 itens |
reference_audio_urls | Não | Até 5 clipes, cada um de 1 a 15 segundos e 15 segundos no total — uma voz, a leitura de uma fala ou o som ambiente que o plano precisa acompanhar. pelo menos 1 itens · no máximo 5 itens |
reference_file_url | Não | Um documento que o modelo lê antes de dirigir a cena: uma ficha de personagem, um roteiro, uma lista de planos ou um briefing de produto. |
reference_link_url | Não | Uma página web pública que o modelo lê como referência, por exemplo um artigo, uma página de produto ou um perfil de personagem. Ela precisa abrir sem login. |
resolution | Não | 1080p, 2k ou 4k, padrão 1080p. |
aspect_ratio | Não | 16:9, 4:3, 1:1, 3:4, 9:16 ou adaptive. Padrão adaptive, que deixa o modelo escolher; nomeie uma proporção quando o formato de entrega for fixo. |
duration_seconds | Não | Qualquer número inteiro de 2 a 30, padrão 5, ou -1 para duração inteligente, que reserva o máximo e cobra a duração realmente entregue. |
generate_audio | Não | Ligado por padrão. O som é gerado junto com a imagem e chega dentro do mesmo arquivo. Valor padrão: |
enable_prompt_expansion | Não | Ligada por padrão nesta família. Ela completa briefings magros e reescreve os detalhados, então desligue assim que o prompt for uma descrição precisa de plano. Valor padrão: |
seed | Não | De 0 a 2147483647. Fixe enquanto ajusta resolução ou duração; do contrário cada reexecução muda duas coisas ao mesmo tempo. |
Preços
Os vídeos de referência entram na contagem de segundos cobrados; imagens e áudio de referência, não. Como não é possível medir seus clipes antes da execução, reservamos antecipadamente o valor dos 15 segundos máximos e liberamos a parte não utilizada assim que a cobrança é fechada — você paga apenas pelos segundos realmente usados.
| Especificação | Preço |
|---|---|
| $0.234 / segundo |
| $0.252 / segundo |
| $0.279 / segundo |
Casos de uso
Um figurino em vários palcos
O exemplo da bailarina leva uma artista e um figurino de chiffon em camadas para um terceiro palco, agora com o canhão seguidor atrás dela, de modo que o tecido fica translúcido enquanto ela gira. As referências carregam a bailarina e a peça, então o prompt descreve só a nova montagem de luz, e um tecido translúcido contra a luz quase não esconde nada em um tamanho de entrega grande.
Masters que serão reeditados
Renderize uma cena principal travada por referências em 4K e 16:9 e depois recorte do mesmo master uma versão 9:16 e um banner quadrado. As placas de referência e uma semente fixa mantêm o elenco idêntico em todas as derivações.
Guia de prompt e dicas práticas
Nomeie pela posição
reference_image_urls é uma lista ordenada, então chame as imagens de "the first image" e "the second image" e envie-as nessa ordem. Para cada uma, diga se é um personagem, uma peça de roupa ou um cenário; use vídeo para movimento e estilo de câmera e áudio para uma voz, uma leitura de fala ou o som ambiente. Imagens e áudio de referência não são cobrados.
Fixe tudo menos a mudança
Em uma sequência, mantenha idênticos as placas, a semente e o esqueleto do prompt e mude só a linha de ação ou de luz. Desligue enable_prompt_expansion — nesta família o padrão é true — para que os nomes que você escreveu não sejam reescritos.
Confira a duração das referências antes de enviar
Os limites das referências de vídeo e áudio valem durante a geração, não quando a tarefa é aceita, então um clipe acima do limite só é detectado depois, e não no envio. Meça os clipes antes, mantenha o vídeo de referência somado a duration_seconds em 30 segundos ou menos e explore em 1080p antes de renderizar em 4K.
Início rápido da API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro-prime/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
