Wan 3.0 API

Wan 3.0 Референсы в видео собирает новый план длиной от 2 до 30 секунд из переданных референсов: до десяти изображений, пяти видеоклипов и пяти аудиоклипов в одном запросе. Нужно передать хотя бы одно из полей reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url или reference_link_url; промпт необязателен. Используйте этот режим, когда лицо, одежда, место или голос должны оставаться одинаковыми в планах, отрендеренных по отдельности, — text-to-video так не умеет, потому что при каждом запуске придумывает новое лицо. Выход — 480p, 720p или 1080p, по умолчанию 720p.

Выберите режим по исходному материалу

Изображения — для внешности, одежды и декораций

reference_image_urls принимает от 1 до 10 изображений — референсы персонажа, костюма и декораций — в JPEG, PNG без прозрачности, BMP или WEBP, от 240 до 8000 пикселей по стороне и до 20 МБ каждое. Изображения-референсы не оплачиваются. Назовите каждое в промпте, иначе модель усреднит их в объект, не похожий ни на одно из них.

Видео — для движения, аудио — для голоса

Видеореференсы передают движение и манеру камеры, а не лицо: до пяти клипов MP4 или MOV по 1–15 секунд, суммарно 15 секунд, не менее 16 кадров в секунду. Аудиореференс передаёт голос, подачу реплики или звучание помещения: до пяти клипов WAV или MP3, тоже суммарно 15 секунд. Эти лимиты проверяются во время генерации, а не при приёме задачи, поэтому измеряйте клипы до отправки.

30 секунд на двоих с результатом

Секунды видеореференсов оплачиваются вместе с результатом, а длина видеореференсов плюс duration_seconds не может превышать 30 секунд. Значит, 12-секундный референс движения оставляет не больше 18 секунд результата. Изображения и аудио в этот лимит не входят.

Повторный рендер той же актрисы в знакомой комнате

Пример «персонаж и комната» отправляет два изображения и называет их в промпте: «Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room.» Затем героиня проходит к окну при медленном боковом движении камеры — 8 секунд в 720p с сидом 771120. Держать оба референса и сид неизменными и менять только строку действия — это форма запроса для сериальной работы.

Ведущая со своим голосом

Пример с монологом сочетает одно изображение для лица и одежды ведущей и один аудиореференс для её голоса. Промпт разводит эти роли, а затем описывает статичный средний план за кухонным столом в утреннем свете — 10 секунд в 720p. Ведущие, рассказчики и повторяющиеся персонажи, которые должны звучать одинаково во всех дублях, строятся по этой схеме.

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