El modelo de Imagen a Video Wan acepta entradas multimodales (texto, imagen o audio) y genera videos de hasta 15 segundos de duración con resolución 1080P.
- Configuración básica: Admite duraciones de video en números enteros de 2 a 15 segundos, resolución de video configurable (480P, 720P o 1080P), reescritura inteligente de prompts y marca de agua opcional.
- Capacidades de audio: Admite doblaje automático o la carga de un archivo de audio para lograr la sincronización audiovisual.(Compatible con Wan 2.5 y Wan 2.6)
- Narrativa de múltiples tomas: Genera videos de múltiples tomas preservando la consistencia del sujeto en las transiciones entre tomas. (Compatible únicamente con Wan 2.6)
Introducción
| Prompt de entrada | Imagen del primer fotograma de entrada | Video de salida (múltiples tomas, video con audio) |
| La cámara se mueve lentamente hacia arriba desde debajo de la tortuga, que nada con gracia, mostrando claramente los detalles de su vientre. | ![]() |
{WorkspaceId} con su ID de espacio de trabajo real.
- SDK de Python
- SDK de Java
- curl
video_url es válido durante 24 horas. Descargue el video oportunamente.
Ámbito
- Los modelos compatibles varían según la región. Los recursos están aislados entre regiones. Para consultar los modelos compatibles en cada región, consulte la consola de Model Studio.
- Al realizar una llamada, asegúrese de que su modelo, URL de endpoint y clave de API pertenezcan todos a la misma región. Las llamadas entre regiones fallarán.
Capacidades principales
Crear videos de múltiples tomas
Modelos compatibles: Wan 2.6 series models.
Introducción a la función: El modelo cambia automáticamente entre tomas —por ejemplo, de planos generales a primeros planos— lo que lo hace ideal para la producción de videos musicales.
Configuración de parámetros:
shot_type: Debe establecerse en"multi".prompt_extend: Debe establecerse entrue(habilita la reescritura inteligente para optimizar las descripciones de tomas).
| Prompt de entrada | Imagen del primer fotograma de entrada | Video de salida (Wan 2.6, video de múltiples tomas) |
| Una escena de arte fantástico urbano. Un personaje dinámico de arte grafiti. Un niño hecho de pintura en aerosol cobra vida desde una pared de concreto. Rapea una canción en inglés a un ritmo muy rápido, adoptando una pose clásica y enérgica de rapero. La escena está ambientada de noche bajo un puente ferroviario urbano. La iluminación proviene de una sola farola, creando una atmósfera cinematográfica, llena de gran energía y detalles asombrosos. La parte de audio del video consiste enteramente en rap, sin otros diálogos ni ruido de fondo. | Audio de entrada: |
{WorkspaceId} con su ID de espacio de trabajo real.
- SDK de Python
- SDK de Java
- curl
Asegúrese de que la versión del DashScope SDK para Python sea al menos 2.0.1. Para obtener instrucciones sobre cómo actualizar, consulte Instalar el SDK.
Lograr sincronización audiovisual
Modelos compatibles: wan2.5 and wan2.6 series models.
Introducción a la función: Hace que los personajes en las fotos hablen o canten con movimientos labiales sincronizados con el audio. Para más ejemplos, consulte Generación de sonido en video.
Configuración de parámetros:
- Archivo de audio de entrada: Proporcione una
audio_url. El modelo sincroniza los movimientos labiales basándose en el archivo de audio. - Doblaje automático: No proporcione un
audio_url. De forma predeterminada, la salida es un video con sonido. El modelo genera automáticamente efectos de sonido de fondo, música o voces basándose en las imágenes.
| Prompt de entrada | Imagen del primer fotograma de entrada | Video de salida (video con sonido) |
| Una escena de arte fantástico urbano. Un personaje de grafiti dinámico. Un adolescente pintado con aerosol cobra vida desde una pared de concreto. Rapea en inglés a un ritmo muy rápido, adoptando una pose clásica y enérgica de rapero. La escena está ambientada de noche bajo un puente ferroviario urbano. La luz de una farola solitaria crea una atmósfera cinematográfica, llena de gran energía y detalles asombrosos. La parte de audio del video consiste enteramente en rap, sin otros diálogos ni ruidos. | Audio de entrada: |
{WorkspaceId} con su ID de espacio de trabajo real.
- SDK de Python
- SDK de Java
- curl
Asegúrese de que la versión del DashScope SDK para Python sea al menos 2.0.1. Para obtener instrucciones sobre cómo actualizar, consulte Instalar el SDK.
Generar videos silenciosos
Modelos compatibles: wan2.6-i2v-flash, wan2.2 series models, wan2.1 series models.
Introducción a la función: Utilice videos silenciosos para escenarios exclusivamente visuales que no requieren audio, como pósteres animados o videos cortos sin sonido.
Configuración de parámetros:
wan2.6-i2v-flash: Genera videos con audio habilitado de forma predeterminada. Para generar un video silencioso, establezca explícitamenteaudio=false. Incluso si pasa unaudio_url, la salida permanece silenciosa cuandoaudio=false. Se le facturará por videos silenciosos.wan2.2 and earlier models: Generan videos silenciosos de forma predeterminada. No se necesita configuración adicional.
| Prompt | Imagen del primer fotograma de entrada | Video de salida (video silencioso) |
| Un gato corre sobre el césped | ![]() |
{WorkspaceId} con su ID de espacio de trabajo real.
- SDK de Python
- SDK de Java
- curl
Asegúrese de que la versión del DashScope SDK para Python sea al menos 2.0.1. Para obtener instrucciones sobre cómo actualizar, consulte Instalar el SDK.
Cómo pasar imágenes y audio
Imagen de entrada
- Número de imágenes: Una.
- Métodos de entrada: URL de imagen, ruta de archivo local o cadena codificada en Base64.
Método 1: URL de imagen (interfaz HTTP y SDK) Recomendado
Método 1: URL de imagen (interfaz HTTP y SDK) Recomendado
-
URL pública: Admite protocolos HTTP o HTTPS.
- Valor de ejemplo: https://help-static-aliyun-doc.aliyuncs.com/xxx.png.
Método 2: Ruta de archivo local (solo SDK)
Método 2: Ruta de archivo local (solo SDK)
Sistema operativo | Ruta del archivo de entrada | Ejemplo (ruta absoluta) | Ejemplo (ruta relativa) |
|---|---|---|---|
Linux / macOS | file://{absolute_or_relative_path_of_the_file} | file:///home/images/test.png | file://./images/test.png |
Windows | file://D:/images/test.png | file://./images/test.png |
Sistema operativo | Ruta del archivo de entrada | Ejemplo (ruta absoluta) |
|---|---|---|
Linux / macOS | file://{absolute_path_of_the_file} | file:///home/images/test.png |
Windows | file:///{absolute_path_of_the_file} | file:///D:/images/test.png |
Método 3: Cadena codificada en Base64 (interfaz HTTP y SDK)
Método 3: Cadena codificada en Base64 (interfaz HTTP y SDK)
-
Valor de ejemplo:
data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAABDg......(El ejemplo está truncado solo con fines demostrativos). -
Requisitos de formato: Siga el formato
data:{MIME_type};base64,{base64_data}, donde:- {base64_data}: La cadena codificada en Base64 del archivo de imagen.
-
{MIME_type}: El tipo Multipurpose Internet Mail Extensions (MIME) de la imagen. Debe corresponder al formato de archivo.
Formato de imagen
Tipo MIME
JPEG
image/jpeg
JPG
image/jpeg
PNG
image/png
BMP
image/bmp
WEBP
image/webp
Código de ejemplo: Tres métodos de entrada
Audio de entrada
- Número de archivos de audio: Uno.
-
Métodos de entrada:
- URL pública: Admite el protocolo HTTP o HTTPS.
Video de salida
- Número de videos: 1.
- Especificaciones del video de salida: Las especificaciones de salida varían según el modelo. Para más información, consulte Alcance.
- Periodo de validez de la URL del video de salida: 24 horas.
-
Dimensiones del video de salida: Las dimensiones dependen de la imagen de entrada y de la
resolutionconfigurada.- El modelo intenta mantener la relación de aspecto de la imagen de entrada mientras la escala a un recuento total de píxeles cercano al valor objetivo. Para cumplir con los estándares de codificación, el ancho y el alto deben ser múltiplos de 16. El modelo ajusta automáticamente las dimensiones.
- Por ejemplo: Para una imagen de entrada de 750 × 1000 píxeles (relación de aspecto 3:4 = 0.75) con resolución configurada en “720P” (recuento de píxeles objetivo de aproximadamente 920,000), la salida final podría ser de 816 × 1104 píxeles (relación de aspecto ≈ 0.739, píxeles totales ≈ 900,000). Tanto el ancho como el alto son múltiplos de 16.
Facturación y limitación de tasa
- Para la cuota gratuita y los precios del modelo, consulte Precios del modelo.
- Para la limitación de tasa del modelo, consulte la serie Wan.
-
Detalles de facturación:
- Las entradas no se facturan. Las salidas se facturan según la duración en segundos de los videos generados exitosamente.
- Las invocaciones fallidas del modelo o los fallos de procesamiento no generan cargos ni consumen la cuota gratuita para nuevos usuarios.
- Imagen a video también admite planes de ahorro.
Referencia de API
Referencia de la API de imagen a video (primer fotograma)
FAQ
P: ¿Por qué no puedo establecer la relación de aspecto del video directamente (como 16:9)?
R: La API actual no admite establecer la relación de aspecto del video directamente. Solo puede configurar la resolución del video mediante el parámetro resolution.
El parámetro resolution controla el número total de píxeles, no una relación de aspecto fija. El modelo preserva la relación de aspecto original del primer fotograma de entrada (aproximadamente) y luego la ajusta para cumplir con los requisitos de codificación de video. Específicamente, tanto el ancho como el alto deben ser múltiplos de 16.
P: ¿Por qué el código del SDK devuelve “url error, please check url!”?
R: Asegúrese de que:
- Su versión del SDK de Python de DashScope es al menos
2.0.1. - Su versión del SDK de Java de DashScope es al menos
2.22.6.


