Wan 2.5 API

Wan 2.5 Текст в видео создаёт клип длиной 5 или 10 секунд со звуком только по написанному промпту. Единственное обязательное поле — prompt длиной до 1500 символов; у остальных есть значения по умолчанию: 16:9, 720p, пять секунд, расширение промпта выключено. Используйте этот эндпоинт, когда утверждённого кадра ещё нет и место действия, движение и камера должны целиком прийти из текста. Если стартовый кадр у вас уже есть, эндпоинт на основе изображения сохранит его объект и пропорции.

Выбор режима Wan 2.5 по исходному материалу

Изображение и звук за один проход

Клип возвращается с уже встроенным звуком: атмосфера, эффекты и голоса генерируются вместе с картинкой, поэтому строку вроде «Audio: gulls, a splash, her breath» писать стоит. Чтобы движение и артикуляция следовали готовой записи, передайте audio_url — WAV или MP3 длиной от 3 до 30 секунд и размером до 15 МБ. Дорожка длиннее клипа обрезается в конце, а если она короче, остаток клипа будет беззвучным.

Пять форматов, три разрешения, две длительности

aspect_ratio принимает 16:9, 9:16, 1:1, 4:3 и 3:4, а resolution — 480p, 720p и 1080p. Эти параметры связаны: в 480p рендерятся только горизонтальный, вертикальный и квадратный кадры, поэтому для 4:3 и 3:4 нужно 720p или выше. duration_seconds равен ровно 5 или 10; значение вроде 7 отклоняется, а не округляется. Разрешение также задаёт посекундную ставку и время обработки.

Исключения и контролируемые сравнения

negative_prompt вмещает до 500 символов — туда относятся субтитры, логотипы, лишние люди или цвет, который постоянно возвращается. seed (от 0 до 2147483647) фиксирует источник случайности, пока вы меняете по одному полю, но не гарантирует идентичный кадр. enable_prompt_expansion по умолчанию выключен; если включить его, короткий бриф перед генерацией переписывается в более подробный.

Вертикальные клипы со встроенным саундтреком

Установите aspect_ratio в 9:16 и оставьте пять секунд — получится черновик для ленты без отдельного этапа работы со звуком. Опубликованный пример в магазине пластинок идёт дальше: десять секунд в 1080p и 9:16, медленный подъём камеры от ящика с винилом к лицу мужчины и негативный промпт «text on screen, logos, extra people», чтобы в кадре не было титров и прохожих.

Проверка звука по видимому действию

Пример с саксофоном запрашивает десять секунд в 1080p и 16:9, причём звук инструмента должен совпадать с аппликатурой. Когда звук привязан к чему-то видимому — клапанам, всплеску, потрескиванию проигрывателя, — при просмотре есть конкретная точка проверки, а не только общее впечатление от атмосферы.

Реплика в вашем собственном ритме

Запишите реплику, передайте её в audio_url и опишите, кто и где говорит. Движение и артикуляция следуют таймингу файла, поэтому при приёмке можно сосредоточиться на игре. Если нужен конкретный человек или продукт, один текст не удержит этот облик от запуска к запуску; начните тогда со статичного кадра на эндпоинте «изображение в видео».

# 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/text-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "duration_seconds": 5,
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "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.