Wan 2.5 API

Wan 2.5 Изображение в видео превращает кадр, отправленный в image_url, в клип длиной 5 или 10 секунд со звуком. Изображение задаёт объект, гардероб, декорации, направление света и пропорции клипа; необязательный prompt длиной до 1500 символов описывает, что происходит дальше. Поля для соотношения сторон у этого эндпоинта нет, поэтому перед отправкой обрежьте изображение под формат сдачи. Если у вас есть только письменная идея без кадра, используйте текстовый эндпоинт.

Выбор режима Wan 2.5 по исходному материалу

Стартовый кадр задаёт внешний вид

image_url принимает JPEG, PNG, BMP или WebP размером до 20 МБ, каждая сторона — от 240 до 8000 пикселей. То, что уже видно в файле, — этикетку, силуэт, костюм — описывать повторно не нужно, и промпт может тратить слова на движение, камеру и звук.

Звук генерируется вместе с картинкой или подстраивается под вашу дорожку

Каждый клип возвращается со звуком, сгенерированным вместе с изображением. Если тайминг должна задавать записанная реплика или музыкальный акцент, добавьте audio_url — WAV или MP3 длиной от 3 до 30 секунд и размером до 15 МБ. Лицо берётся из кадра, тайминг губ — из аудио. Дорожка длиннее клипа обрезается в конце, более короткая оставляет остаток без звука.

Две длительности и три разрешения

duration_seconds равен ровно 5 или 10, resolution — 480p, 720p (по умолчанию) или 1080p. Более высокие уровни стоят дороже за секунду и дольше обрабатываются. Короткие клипы лучше держат руки и волосы, поэтому отработайте движение на пяти секундах, прежде чем переходить к десяти.

Движение продукта по одному пэкшоту

Опубликованный пример с флаконом сыворотки отправляет фото продукта и просит только медленную дугу камеры на четверть оборота, пока полоса света из окна скользит по стеклу; сам флакон не двигается. Поскольку кадр уже фиксирует этикетку и силуэт, промпт несёт только свет и движение, отрендеренные в 720p на пять секунд.

Портрет, произносящий записанную реплику

Отправьте утверждённый портрет в image_url, а запись реплики — в audio_url. Внешность человека берётся из изображения, тайминг губ — из файла, поэтому при приёмке оценивается подача, а не синхронизация губ.

Длинный студийный дубль с защищёнными деталями

Пример с платьем-комбинацией длится десять секунд в 1080p по студийному портрету: перенос веса, поворот к объективу и два медленных шага при неподвижной камере. Негативный промпт «extra people, text, jewellery changes» не даёт украшениям меняться, а лишним людям появляться на протяжении длинного клипа.

Дождь, вода и другие звуки с видимым источником

В примере с зонтом двое стоят почти неподвижно, а дождь барабанит по зонту над ними: движение принадлежит воде, а у звука есть видимый источник. Для такого непрерывного события обычно достаточно пяти секунд.

# 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-2.5/image-to-video",
  "input": {
    "duration_seconds": 5,
    "image_url": "https://example.com/reference.png",
    "resolution": "720p"
  }
}'

# 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"

Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.