Wan 2.2 Image-to-Video: темп, кадрирование и идентичность

Wan 2.2 Image-to-Video следует за изображением, которое вы отправляете, и двигает только то, что промпт просит двигать. Поэтому хороший промпт короткий: одно видимое действие, одно поведение камеры и одна строка о том, что должно остаться неподвижным. Большинство неудач (движение, выглядящее медленным, неожиданный зум, меняющееся лицо или продукт) приходят из первого кадра или из наложенных друг на друга инструкций, а не из недостатка слов. Этот гайд показывает структуру, разобранный клип и способы исправить каждую неудачу.

Что вы контролируете на каждом endpoint

Ни у одного нет поля пропорций кадра: клип принимает форму вашего изображения, поэтому обрежьте его до 16:9 или 9:16 перед загрузкой. Смягчённый означает, что базовая модель может ослабить или отклонить откровенный запрос; endpoint Spicy помечены как без ограничений, но это не гарантирует, что каждый запрос будет выполнен без изменений. Используйте базовый endpoint для материала, безопасного для работы, а endpoint Spicy — когда содержимое требует модели без цензуры; метод составления промпта ниже одинаков.

Подготовьте кадр до промпта

Изображение даёт персонажа, одежду, обстановку и направление света, поэтому промпту не нужно описывать их заново. Ему нужно сделать движение возможным:

• Покажите всё, что движется. Для шага нужны ноги в кадре; для тянущегося движения нужны видимые рука и предмет, а не рука, спрятанная за кружкой.
• Оставьте место в направлении движения. Персонаж у правого края не сможет шагнуть вправо, не выйдя из кадра или не заставляя камеру двигаться.
• Уберите то, что не должно анимироваться: посторонние люди, наложения, вписанный текст и водяные знаки переходят в клип без изменений.
• Сначала исправьте дефекты исходника. Лишний палец или парящая кружка на стоп-кадре окажутся и в видео.

Структура промпта

Пишите в таком порядке: кто или что и как движется, затем камера, затем что остаётся неподвижным и что делает свет. Внешний вид оставьте изображению.

Вот реальный пример со страницы модели Wan 2.2. Исходник — студийный портрет в полный рост на однотонном сером фоне, 720p:

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.

Это работает, потому что каждый такт — видимое изменение относительно исходной позы, камера прямо названа зафиксированной, а конец — это удержанная поза, по которой можно резать. Фигуре есть место идти к камере, потому что исходник — кадр в полный рост с полом перед ней.

Кадр продукта строится по той же схеме: движение выполняет камера или свет, а отдельной строкой указано, что двигаться не должно.

The camera arcs a slow quarter turn around the dropper bottle while a soft band of window light slides across the glass and the liquid inside catches it. The bottle itself does not move.

Здесь видимую работу делает только свет: этикетка и силуэт остаются стабильными, пока полоса идёт по стеклу, а запрошенная дуга камеры почти не читается. Если нужен отчётливо видимый поворот, попросите более крупное движение камеры отдельно, не меняя свет в том же предложении.

Попробуйте в Playground

1. Откройте Wan 2.2 image to video, останьтесь на вкладке Playground в представлении Form и войдите, чтобы запустить.
2. Добавьте первый кадр в Input image (JPG, PNG или WEBP, до 10 MB), обрезав его до нужной формы.
3. Вставьте промпт в Prompt или откройте Playground с уже заполненным примером в полный рост.
4. Пока пишете черновик, держите Resolution на 480p, задайте Seed и добавьте zoom, sudden reframing, cuts, second person в Negative prompt, если камера движется. Prompt expansion оставьте выключенным для точного действия; включайте его только для идеи в одну строку.
5. Запустите, затем перезапустите удачный клип в 720p с тем же seed.

Затем API

Когда промпт заработал, отправьте тот же запрос из кода. Поля и результаты описаны в справочнике API.

{
  "model": "alibaba/wan-2.2/image-to-video",
  "input": {
    "image_url": "https://example.com/your-full-body-portrait.png",
    "prompt": "She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio.",
    "negative_prompt": "zoom, sudden reframing, cuts, second person",
    "resolution": "480p",
    "seed": 14327
  }
}

Сделайте черновик в 480p, затем отправьте удачный клип с "resolution": "720p" и тем же seed.

Поручите это Agent. Ассистент может выполнить тот же вызов через CLI (npx @spicyapi/cli tasks create --model alibaba/wan-2.2/image-to-video --input-file input.json --wait, с объектом input этого запроса в input.json), сервер MCP (npx --yes --package=@spicyapi/mcp spicyapi-mcp) или Agent Skill (npx skills add spicyapi-ai/spicy-skill). CLI и MCP показывают цену и просят подтверждение перед созданием задачи.

Исправьте движение, выглядящее медленным

Медленные клипы обычно вызваны одной из четырёх причин, и у каждой своё исправление:

• Слова настроения. «Calm», «dreamy» и «cinematic» подразумевают замедление. Уберите их и опишите жест в обычном темпе с достигнутым конечным состоянием.
• Слишком много действия для клипа. Встать, пересечь комнату и налить напиток не поместятся в пять секунд. Оставьте один жест или разбейте на несколько клипов, каждый из которых начинается со своего кадра.
• Слишком мелкое действие. Крошечное движение читается как статика. Назовите часть, которая движется, и место, куда она приходит.
• Нет конца. Если рука в последнем кадре ещё в движении, сократите путь или добавьте удержанную конечную позу.

На endpoint Spicy вариант на 8 секунд помогает действию, которому действительно нужно больше времени.

Исправьте нежелательный зум и склейки

Назовите нужное движение камеры, потому что «dynamic camera» подходит под любое: зум меняет масштаб, долли меняет положение камеры, панорама поворачивает обзор, а орбита обходит персонажа по кругу. Чтобы удержать камеру, скажите это прямо («locked camera, fixed medium distance») и добавьте на базовом endpoint короткий негативный промпт вроде zoom, reframing, cuts. У Spicy и Spicy LoRA нет негативного поля, поэтому полагайтесь на позитивную инструкцию.

Прежде чем винить камеру, проверьте фон. Если ориентиры остаются на месте, а персонаж растёт, значит персонаж наклонился к объективу; попросите меньше движения вперёд. Если меняется масштаб всего кадра, дело в камере, тогда измените только фразу о камере, а всё остальное оставьте как есть. Портрет с малой глубиной резкости и размытым фоном трудно оценить, поэтому начните с исходника, у которого фоновые детали узнаваемы.

Исправьте дрейф идентичности

Сравните первый, средний и последний кадры и посмотрите на повороты и перекрытия, где модели приходится дорисовывать скрытые детали. Три исправления покрывают большинство случаев:

• Сократите одновременное движение. Мелкий жест при неподвижной голове и зафиксированной камере лучше сохраняет идентичность, чем полный поворот с орбитой. Возвращайте движение по частям.
• Согласуйте промпт с изображением. Если в кадре тёмная куртка, а в промпте синяя рубашка, вы просите об изменении.
• Выберите лучший исходник. Если важна боковая сторона или спина, например обратная сторона этикетки продукта, отправьте кадр, где это видно; модель не прочитает то, чего не видит.

Сильные тени могут выглядеть как смена идентичности, поэтому сравнивайте также форму и узор, а не только цвет.

Исправляйте по одному

Запускайте с одним и тем же изображением, разрешением и seed и меняйте по одной фразе за попытку: сначала действие, потом темп, потом камеру. Оценивайте весь клип на обычной скорости, потому что стоп-кадры не показывают, был ли жест быстрым и остался ли предмет целым. Смотрите на начало, самое большое движение и последнюю секунду. Если три изменения формулировки ничего не исправили, поменяйте кадр; новый кадр означает также, что действие нужно переписать под новое начальное состояние.

Когда менять endpoint

• Конечный кадр или 8 секунд: используйте Wan 2.2 Spicy. Направьте last_image_url на первый стоп-кадр для бесшовной петли или на другую композицию, чтобы завершить кадр в нужном месте; отправьте с "duration_seconds": 8 в той же форме запроса, что выше.
• Свой адаптер стиля или движения: используйте Wan 2.2 LoRA или Wan 2.2 Spicy LoRA, когда содержимое требует модели без цензуры, до трёх LoRA в каждом списке. Стили камеры или движения помещайте в high_noise_loras, а текстуру или зернистость — в low_noise_loras. Не называйте стиль ещё и в промпте: это обычно удваивает эффект. Переберите значения силы при 480p с фиксированным seed. Для более длинной сцены у семейства LoRA есть задача продления видео.
• Простое пятисекундное действие: базового endpoint достаточно.

Запланируйте бюджет черновиков

Базовая цена указана за запрос, поэтому не умножайте её на длительность. Повторный рендер удачного клипа в 720p удваивает и базовую цену, и ставки за секунду. Темп и камеру проверяйте в 480p, но используйте 720p, когда оцениваемый дефект — мелочь вроде этикетки или пальца.

Что дальше

Если для сцены нужен конечный кадр, более длинный дубль или адаптеры, меняйте endpoint, а не добавляйте слова. О различиях политики между версиями читайте в статье о версиях Wan, а о слотах адаптеров — в гайде по LoRA high noise и low noise.