Introdução
Wan 3.0 Pro Referências para vídeo mantém um rosto, uma peça de roupa, um cenário, um movimento ou uma voz ao longo de várias cenas usando referências de imagem, vídeo e áudio, e entrega o resultado em 1080p, 2K ou 4K, com 2 a 30 segundos. Envie 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). O prompt é opcional, mas é nele que cada referência ganha sua função e que a ação é descrita.
Escolha o modo pelo material inicial
| Material inicial | Modo |
|---|---|
| Um briefing escrito define cena, ação, câmera e, quando necessário, som. | Wan 3.0 Pro Texto para vídeo |
| Uma imagem inicial aprovada fixa sujeito e composição; a instrução direciona o movimento seguinte. | Wan 3.0 Pro Imagem para vídeo |
| Referências separadas podem orientar identidade, local, movimento ou som, com uma função clara para cada uma. | Wan 3.0 Pro Referências para vídeo |
Recursos e destaques
Um master, vários recortes
Uma cena travada por referências e renderizada em 4K gera um master que pode ser recortado para um banner e para uma versão vertical. O exemplo da peça envia uma única placa de casaco — "Keep the coat from the reference exactly — cut, colour and stitching" — e renderiza 6 segundos em 4k sem áudio, enquanto a modelo gira uma vez em um palco escuro e a barra sobe e assenta.
Desvios aparecem mais no tamanho de entrega
Um rosto que muda entre cenas fica óbvio em alta resolução, o que ajuda na revisão: renderize cada cena de uma sequência no tamanho de entrega e compare lado a lado antes de decidir. Os níveis 2k e 4k são ampliados a partir de um render nativo em 1080p, então revelam as inconsistências do render em vez de escondê-las.
Orçamentos de referência
Imagens e áudio de referência não são cobrados; segundos de vídeo de referência são cobrados junto com a saída. Referências de vídeo e de áudio têm limite de 15 segundos no total cada, com cada clipe entre 1 e 15 segundos, e o vídeo de referência somado a duration_seconds precisa ficar dentro de 30 segundos. Esses limites valem durante a geração, não no envio, então confira antes a duração dos clipes.
Parâmetros da requisição
| Parâmetro | Obrigatório | Descrição |
|---|---|---|
prompt | Não | Opcional, mas é aqui que você diz para que serve cada referência — qual imagem é o personagem, qual clipe carrega o movimento, qual áudio é a voz — e o que de fato acontece no p… 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 |
|---|---|
| $0.144 / segundo |
| $0.16 / segundo |
| $0.184 / segundo |
Casos de uso
Cenas de série com rosto e cenário nomeados
O exemplo de rosto e cenário envia duas placas e uma linha de ação: "The first image is the character — keep her face, hair and the black gown. The second image is the room." Ela caminha da porta até a janela em um travelling lateral lento, 8 segundos em 1080p com a semente 640117. Reaproveite as placas e a semente em todas as cenas de um episódio e mude só a ação.
As mesmas pessoas, outra luz
O exemplo dos três momentos do dia mantém duas pessoas e um apartamento enquanto a luz muda: a manhã junto à janela, o entardecer na bancada da cozinha, a noite na varanda. É o caso difícil de continuidade, porque tudo menos a luz precisa se manter. As referências carregam as pessoas e o ambiente, e o prompt descreve só o que muda.
Guia de prompt e dicas práticas
Nomeie as referências em ordem
reference_image_urls é ordenado, então chame as imagens de "the first image" e "the second image" e envie-as nessa ordem. Para cada uma, diga se é um personagem, uma peça de roupa ou um cenário. Use vídeos de referência para movimento e estilo de câmera, não para rostos, e áudio para uma voz, uma leitura de fala ou o som ambiente.
Desligue a expansão de prompt no render final
Nesta família enable_prompt_expansion é true por padrão e reescreve briefings detalhados, o que pode embaralhar os papéis que você definiu. Desligue quando os nomes das referências e a linha de ação estiverem fechados, mantenha seed fixo e faça os primeiros renders em 1080p e 5 segundos.
Amplie só a tomada aprovada
Quando a cena funcionar em 1080p, reenvie exatamente o mesmo corpo com resolution em 2k ou 4k. Deixe aspect_ratio em adaptive, a menos que o quadro de entrega esteja definido, e confira no início e no fim do arquivo entregue os detalhes recorrentes — rosto, corte da peça, disposição do ambiente.
Início rápido da API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/wan-3.0-pro/reference-to-video",
"input": {
"aspect_ratio": "adaptive",
"duration_seconds": 5,
"reference_image_urls": [
"https://example.com/reference.png"
],
"resolution": "1080p"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.
