Wan 3.0 API

Wan 3.0 Текст в видео создаёт клип длиной от 2 до 30 секунд со звуком по одному только текстовому промпту. Обязательное поле одно — prompt; duration_seconds, resolution (480p, 720p или 1080p, по умолчанию 720p), aspect_ratio (по умолчанию 16:9), generate_audio, enable_prompt_expansion и seed — явные настройки, которые можно оставить по умолчанию. Поскольку кадр не закреплён изображением, модель придумывает каждое лицо, каждую вещь и каждую декорацию по тексту. Из режимов Wan 3.0 это самый свободный по возможностям и самый слабый по контролю над конкретным человеком.

Выберите режим по исходному материалу

Звук описывается в том же запросе

generate_audio включён по умолчанию, поэтому возвращаемый файл уже содержит звук, привязанный к изображению. Пример с оружейной пользуется этим намеренно: промпт заканчивается строкой «Audio:» — кожаная перчатка шлёпается на дерево, скрипит шнуровка, трещит факел, — и эти звуки возвращаются вместе с действиями, которые их вызывают. Ставьте false, только если музыку к кадру будут делать отдельно.

Любая целая длительность от 2 до 30 секунд

duration_seconds принимает любое целое число от 2 до 30, по умолчанию 5, или -1 для умной длительности, когда модель сама выбирает длину по промпту. Пример с дюной идёт стандартные 5 секунд в 720p и 16:9 — этого хватает на один спуск с воздуха от стены бури до её лица. Чем длиннее клип, тем сильнее плывут внешность и геометрия, поэтому сначала добейтесь нужного вида на 5 секундах.

Сцены без цензуры — только из текста

Семейство работает без цензуры, и ни одной сцене не нужны ни флаг, ни отдельное заявление в запросе. Пример с автокинотеатром — две взрослые женщины на откинутой задней двери универсала, освещённые только лучом проектора, до медленного поцелуя — получен из одного текста промпта на 5 секундах и 720p. Ответственность за согласие, права, возраст и соблюдение местного законодательства в отношении всех показанных людей лежит на вас.

Атмосферные сцены без исходного изображения

Если фотографии места нет, его строит промпт. Пример с дюной описывает гребень дюны на закате, надвигающуюся исполинскую песчаную бурю, изумрудное шёлковое платье, развевающееся на ветру, и камеру, которая спускается с высоты к её лицу, — и всё это из одной фразы. Такие запросы подходят для атмосферных роликов и питч-видео, где окружение важнее конкретного лица.

Съёмка от первого лица

Пример от первого лица написан как один непрерывный план: камера — это глаза зрителя, единственный свет — лампа накаливания, а в брифе прямо сказано, что гардероб до конца остаётся таким, как описан. Указать, что не меняется, так же полезно, как указать, что движется: это не даёт модели трактовать двусмысленный промпт по-своему.

# 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/text-to-video",
  "input": {
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "resolution": "720p",
    "aspect_ratio": "16:9",
    "duration_seconds": 5
  }
}'

# 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.