Wan 2.6 Reference-to-Video API: перенос персонажей из клипов

Wan 2.6 reference-to-video принимает от одного до трёх коротких клипов с людьми, животными или объектами, которые вам нужны, плюс промпт с описанием новой сцены. Клипы решают, кто или что появится, а промпт решает, где они находятся, что делают и как их обрабатывают камера и свет. Результат длится от 2 до 10 секунд в 720p или 1080p, в одном из пяти соотношений сторон, одной непрерывной съёмкой или несколькими смонтированными планами. Стоимость составляет $0.065 в секунду при 720p и $0.0975 при 1080p, и секунды присланного референсного материала тоже тарифицируются.

Используйте задачу, когда материал является главным, а сцена новая: ведущий, снятый один раз и перенесённый в несколько мест, или продуктовый клип, пересобранный под новый сезон. Используйте Wan 2.6 image-to-video, когда утверждённый стоп-кадр должен задать открывающий кадр, место и пропорции. Она принимает и до двух стоп-кадров: вместе с клипами или вместо них. Поля референса звука по-прежнему нет, и это единственная задача Wan 2.6 на уровне Filtered.

Сначала попробуйте в Playground

1. Откройте страницу reference-to-video и оставайтесь на вкладке Playground в режиме Form. Чтобы запустить, войдите в аккаунт с балансом.
2. В разделе Reference videos добавьте от одного до трёх обрезанных клипов через Add a file или вставьте ссылки через Asset URL. Первый добавленный клип в промпте называется character1, второй — character2, третий — character3.
3. Напишите Prompt так, как показано в разделе о сцене ниже: что добавляет каждый клип, затем место, действие, камера и свет.
4. Поставьте Resolution в 720p, Duration в короткое 5, Aspect ratio в тот формат, который вы сдаёте, а Shot structure в Single take при первом тесте.
5. Задайте Seed и не меняйте его, пока подменяете по одному клипу. Negative prompt добавляйте только для того, что продолжает появляться.
6. Проверьте оценку цены, она включает секунды референса, и запустите. Переходите на 1080p, когда перенос персонажа станет правильным.

Что принимает запрос

Задача называется alibaba/wan-2.6/reference-to-video.

Не копируйте поле из другой задачи Wan 2.6: image_url или поле звука в этой полезной нагрузке считаются нарушением контракта, а не слабым промптом.

Выбор и обрезка референсных клипов

Каждый клип должен показывать один объект, крупно в кадре, хорошо освещённый и, если возможно, с нескольких ракурсов. Объект, который остаётся мелким или в контровом свете, вернётся лишь приблизительно, а клип пустой локации не даст модели ничего переносить: место берётся из промпта. Клип с несколькими людьми делает неясным, кого переносить, поэтому кадрируйте или обрежьте до того отрезка, где ваш объект виден лучше всего.

Обрезайте до загрузки. Секунды референса тарифицируются, и несколько чистых секунд переносятся лучше, чем длинная съёмка, которая уходит в сторону.

Добавляйте второй или третий клип только для нового объекта

Каждый лишний клип добавляет идентичность, движение и фон, которые модели нужно разобрать. Присылайте второй клип, когда сцене нужен другой объект, например продавец рядом с механиком, или когда первый клип скрывает определяющий признак объекта, например переднюю корзину велосипеда. Второму человеку задайте отдельную позицию и действие, потому что похожие лица в похожих местах сливаются. Если два клипа показывают одного персонажа в разной одежде, выберите один до отправки: промпт, требующий обоих, вернёт компромисс.

Чтобы понять, помогает ли добавленный клип, зафиксируйте seed, длительность, разрешение, соотношение сторон и тип съёмки и меняйте только клипы. Seed удерживает случайную выборку между запусками, поэтому главное, что меняется, это добавленный вами клип; он не обещает повтор кадр в кадр.

Пишите сцену вокруг клипов

Называйте клипы character1, character2 и character3 в том порядке, в каком вы их прислали: модель узнаёт участников только по этим именам, и с «Clip 1» или «видео с механиком» ей остаётся гадать. Сначала скажите, что берётся из каждого клипа, затем задайте место, действие, камеру и свет. Не переписывайте то, что материал уже показывает: это съедает 1500 символов и конкурирует с клипами. Пишите один план с одним ясным действием, чтобы вы могли понять, сработал ли перенос, прежде чем просить историю.

character1 is the mechanic: keep the short silver hair and indigo apron.
character2 is the teal cargo bicycle: keep its front box and cream tires.
Place them in a quiet produce market at dawn. One continuous medium-wide shot:
character1 wheels character2 a few steps and stops beside a vegetable stall.
Slow sideways camera move, soft morning light, distant market ambience.

Используйте negative_prompt для того, что повторяется от запуска к запуску, например лишнего человека, надписей на экране или предмета из клипа, вместо того чтобы перечислять все исключения заранее. Меняйте что-то одно между попытками. Если мастерская просачивается на рынок, уточните место назначения и обрежьте клип; одновременная смена одежды, камеры и длительности не покажет, какое исправление сработало.

Одна съёмка или несколько планов

single удерживает одну непрерывную съёмку, и это правильный первый тест, потому что вы видите, меняется ли объект в движении. multi позволяет модели монтировать планы внутри сцены; это окупается примерно с 6 секунд, поскольку клип в 2-3 секунды редко оставляет место для склейки. Направляйте склейки нумерованным списком планов в промпте, например средний общий план прихода, затем крупный план останавливающегося велосипеда, и проверьте, что после склейки объект выглядит так же.

Форма, размер и длина

Соотношение сторон выбирается в запросе, а не берётся из клипов, поэтому один и тот же набор референсов можно сдать в нескольких форматах, и вертикальный результат не требует вертикального исходника. Пишите сцену под выбранный кадр: рыночная панорама во всю ширину не помещается в 9:16. Тестируйте итоговый формат, а не кадрируйте широкий результат потом, потому что кадрирование может скрыть то, что пошло не так.

Длительность сильнее всего влияет на цену и одновременно там, где сходство начинает уходить. Просмотрите клип целиком, а не первую секунду, и внимательно посмотрите на последнюю секунду, прежде чем выбирать большую длительность. Разрешение задаёт тариф и время рендеринга; оно не исправит неверный объект, поэтому сначала добейтесь правильного переноса в 720p, а финальный рендер делайте в 1080p.

Затем запустите из кода

Установите Python SDK (pip install spicyapi), задайте SPICY_API_KEY в окружении сервера, замените ссылки-заглушки на клипы, которые вам разрешено использовать, и запустите:

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="alibaba/wan-2.6/reference-to-video",
    input_data={
        "prompt": "character1 is the mechanic and character2 is the teal cargo bike. At a quiet "
                  "produce market at dawn, character1 wheels character2 forward and stops beside "
                  "a vegetable stall. One medium-wide continuous shot, slow sideways camera move, "
                  "distant market ambience.",
        "reference_video_urls": [
            "https://example.com/mechanic.mp4",
            "https://example.com/cargo-bike.mp4",
        ],
        "duration_seconds": 5,
        "resolution": "720p",
        "aspect_ratio": "16:9",
        "shot_type": "single",
        "seed": 26017,
    },
    idempotency_key=str(uuid.uuid4()),
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
print(output_assets(final)[0]["url"])  # copy the clip to your own storage now

Расчёты стоимости, ожидание, повторы, callbacks и коды ошибок описаны в руководстве по задачам и справочнике Python SDK; результаты истекают, поэтому смотрите хранение и выдачу. У задачи нет входа звука и его настройки, но клип возвращается с созданным звуком: опишите в промпте, что вы хотите услышать, например фоновую атмосферу, и замените его при монтаже, если нужен конкретный звук.

Или позвольте Агенту выполнить это

Когда генерации должен запускать ассистент, все три официальных инструмента показывают цену и спрашивают подтверждение перед платным вызовом.

• CLI. Положите тот же объект input в input.json, затем выполните spicyapi tasks create --model alibaba/wan-2.6/reference-to-video --input-file input.json --wait. Для клипа на вашем компьютере spicyapi files upload ./mechanic.mp4 вернёт адрес spicy:// для reference_video_urls. Смотрите документацию CLI.
• MCP server. Добавьте MCP server в ассистент, затем попросите: "Cast the person in /path/to/mechanic.mp4 into a dawn produce market on Wan 2.6 reference-to-video, 5 seconds, 720p." Он загружает файл через spicyapi_upload_file, затем вызывает spicyapi_task_create, который ждёт подтверждения цены.
• Skill. npx skills add spicyapi-ai/spicy-skill устанавливает Agent Skill, благодаря которому кодирующий ассистент читает актуальную схему модели вместо догадок о полях.

Заложите секунды референса в бюджет

Тарифицируемые секунды равны длине результата плюс длине референсных клипов, каждый клип округляется вверх до целой секунды, при этом всего считается не более пяти секунд референса. Рендер длиной 5 секунд с одним клипом на 3 секунды тарифицируется как 8 секунд; тот же рендер с тремя клипами суммарно на девять секунд тарифицируется как 10. Живая оценка перед отправкой показывает сумму. Если длину клипа нельзя прочитать заранее, удержание предполагает пять секунд референса, а итоговый расчёт использует измеренную длину.

Цены соответствуют актуальному каталогу на момент написания. Более короткий и чистый референс даёт самую большую экономию: он убирает тарифицируемые секунды и даёт модели более ясный объект, а повтор стоит целого запуска.

Проверьте результат и поправьте

Оценивайте человека и объект отдельно, потому что один может получиться, а другой нет. Для человека: лицо и одежда остаются одинаковыми при поворотах и после любой склейки, и никакой другой человек не подменяет объект. Для объекта: сохраняется форма, а не только цвет, корзина и число колёс, ведь обычный бирюзово-зелёный велосипед тоже бирюзово-зелёный. Смотрите также на детали декораций, перенесённые из клипа, например дверь мастерской или шкаф с инструментом.

Если две или три правки не дали нужный объект, меняйте задачу, а не давите: составной стоп-кадр с задачей image-to-video или одна из моделей ниже. Для плана, который вы будете повторять, держите вместе клипы, полный запрос и неотредактированный результат.

Уровень контента и согласие

Задачи Wan 2.6 image-to-video и text-to-video относятся к уровню Uncensored, а reference-to-video — к уровню Filtered. По нашим тестам в сентябре 2026 года явный референсный клип был отклонён, поэтому подбор для взрослых лучше оставить другой задаче; смотрите какие версии Wan uncensored. Перенос по референсу приносит узнаваемое лицо в сцену, которой не было, поэтому используйте вымышленных персонажей или съёмку реальных людей, которые на это согласны, и помечайте сгенерированный результат как сгенерированный там, где зритель может принять его за запись.

Быстрый уровень: Wan 2.6 Flash reference-to-video

С 14 октября Wan 2.6 Flash reference-to-video даёт тот же перенос персонажей на более быстром и дешёвом уровне Flash модели Wan 2.6, и три отличия меняют то, что вы отправляете:

• Больше стоп-кадров. reference_image_urls принимает до пяти изображений вместо двух, а reference_video_urls — до трёх клипов, всего пять референсов. В обеих задачах изображения не тарифицируются; клипы добавляют свои секунды, как описано выше, не больше пяти в сумме.
• Звук включается переключателем. generate_audio по умолчанию выключен и возвращает только картинку: $0.0225 в секунду при 720p или $0.03375 при 1080p. Если включить, добавятся созданные голоса, эффекты и фоновая атмосфера: $0.045 или $0.0675. Задача на этой странице всегда возвращает звук, $0.065 в секунду при 720p.
• Это уровень Uncensored. В наших тестах 14 октября запросы со взрослыми референсами возвращались как заказано, без единого отказа.

Называйте референсы в промпте character1, character2 и так далее, сначала клипы, затем стоп-кадры; вызов — alibaba/wan-2.6-flash/reference-to-video. Flash жертвует частью мелких деталей ради скорости, поэтому подходит для черновиков переноса, больших объёмов и сцен для взрослых. Оставайтесь на этой задаче, когда один дубль должен передать более тонкую фактуру полного уровня Wan 2.6.

Когда подойдёт другая модель

Оставайтесь на Wan 2.6 reference-to-video, когда у вас не больше трёх клипов и двух стоп-кадров и нужен самый дешёвый перенос в Wan 720p, $0.065 в секунду против $0.09 у Wan 3.0, с необязательными склейками на нескольких планах. Обрежьте клипы, назовите каждый в промпте, протестируйте в 720p одним дублем и откройте задачу reference-to-video, чтобы проверить живую цену для ваших клипов перед запуском.