Skip to main content

Generación de video - Desplegar modelo

Publique un modelo entrenado como un servicio de API en línea.

Requisitos previos

  • Regiones admitidas: La API de implementación de modelos actualmente está disponible solo en la región de Singapore. Si utiliza otras regiones, implemente los modelos a través de la consola de Model Studio en esa región.
  • Permisos de la cuenta: Si utiliza subcuentas de Alibaba Cloud (usuarios RAM), debe otorgar a la subcuenta los permisos de invocación, entrenamiento e implementación de modelos.
  • Configurar variables de entorno: Ha obtenido correctamente una API Key y la ha configurado como variable de entorno.
  • Requisito previo: El entrenamiento de ajuste fino del modelo se ha completado. Primero llame a la API Consultar trabajo de ajuste fino para confirmar que el estado del trabajo status es SUCCEEDED antes de proceder con la implementación.

Implementar modelo

  • Singapore
POST https://dashscope-intl.aliyuncs.com/api/v1/deployments
Para Windows CMD, reemplace $DASHSCOPE_API_KEY con %DASHSCOPE_API_KEY%. Para PowerShell, reemplace con $env:DASHSCOPE_API_KEY

Parámetros de solicitud

Encabezados
Content-Type string (Requerido)Valor fijo: application/jsonAuthorization string (Requerido)Autenticación mediante API Key, con el formato Bearer sk-xxxx.
Cuerpo de la solicitud
model_name string (Obligatorio)El ID del modelo a implementar (no el nombre del modelo base, sino el identificador del modelo generado después del ajuste fino o la exportación). Cómo obtenerlo:capacity integer (Obligatorio)El número de instancias de modelo implementadas. Valor recomendado: 1.plan string (Obligatorio)Método de implementación. Valor recomendado para el ajuste fino eficiente LoRA: lora.aigc_config object (Obligatorio)Configuración del prompt.

Propiedades de aigc_config

use_input_prompt boolean (Obligatorio)Controla el origen del prompt al llamar al modelo desplegado para generar videos.
  • false (predeterminado): Modo de generación automática. Al llamar a la API de generación de video, el sistema ignora el prompt de entrada y utiliza las plantillas configuradas en aigc_config.prompt y aigc_config.lora_prompt_default para generar prompts automáticamente.
  • true: Modo de entrada manual. Al llamar a la API de generación de video, el sistema utiliza directamente el prompt de entrada y los dos parámetros anteriores dejan de tener efecto.
prompt string (Obligatorio)Plantilla de prompt preestablecida. Solo efectiva cuando se establece use_input_prompt=false.Al llamar al modelo desplegado para generar videos, el sistema analiza la imagen de entrada, rellena el contenido de la imagen en esta plantilla y genera automáticamente una descripción completa con instrucciones de efectos.Nota: Este parámetro anula el parámetro de prompt pasado en la API de generación de video.lora_prompt_default string (Obligatorio)Plantilla de prompt de respaldo. Solo efectiva cuando se establece use_input_prompt=false.Cuando aigc_config.prompt falla en la generación, el sistema utiliza este parámetro como prompt de respaldo para generar el video.
  • Imagen a video (Primer fotograma)
  • Imagen a video (Primer y último fotograma)
El siguiente ejemplo utiliza el efecto de lluvia de dinero. Cargue una imagen de retrato y el sistema generará automáticamente un video con el efecto.
curl --location 'https://dashscope-intl.aliyuncs.com/api/v1/deployments' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model_name": "<replace with model_name>",
    "aigc_config": {
        "use_input_prompt": false,
        "prompt": "Provide a video description based on the image content. The description must include the phrase "Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain."\nOutput Template:\nThe video begins with a shot of [subject description]. [Environment description]. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.\nExample:\nThe video begins showing a young woman standing in front of a brick wall covered with ivy. She has long, smooth reddish-brown hair, wearing a white sleeveless dress, a shiny silver necklace, and a smile on her face. The brick wall in the background is covered with green vines, appearing rustic and natural. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she stretches her arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.",
        "lora_prompt_default": "Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, she/he stretches her/his arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain."
    },
    "capacity": 1,
    "plan": "lora"
}'

Parámetros de respuesta

request_id stringIdentificador único de la solicitud.output objectDetalles de la tarea.

Propiedades

deployed_model stringIdentificador único del modelo implementado. Se utiliza para consultar el estado de implementación del modelo e invocar el modelo.model_name stringNombre del identificador del modelo.status stringEstado de la implementación:
  • PENDING: Implementando.
  • RUNNING: En ejecución.
  • FAILED: Error en la implementación.
base_model stringEl modelo base utilizado.gmt_create stringHora de creación de la tarea de implementación.gmt_modified stringHora de actualización de la tarea de implementación.workspace_id stringEl ID del espacio de trabajo asociado con la API Key de Alibaba Cloud Model Studio. Consulte Obtener el ID del espacio de trabajo.charge_type stringModo de facturación. post_paid indica pago por uso.creator stringID de cuenta de Alibaba Cloud del creador.modifier stringID de cuenta de Alibaba Cloud del modificador.plan stringMétodo de implementación.
code stringCódigo de error. Se devuelve cuando la llamada falla. Consulte la tabla de códigos de error a continuación.message stringDescripción detallada del error. Se devuelve cuando la llamada falla.
  • Ejemplo de respuesta exitosa
  • Ejemplo de respuesta de error
Campos clave: output.deployed_model (identificador único del modelo implementado), output.status (estado de la implementación).
{
    "request_id": "96020b2e-9072-4c8a-9981-xxxxxxxxx",
    "output": {
        "deployed_model": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "gmt_create": "2025-11-11T17:46:53.294",
        "gmt_modified": "2025-11-11T17:46:53.294",
        "status": "PENDING",
        "model_name": "wan2.5-i2v-preview-ft-202511111122-xxxx",
        "base_model": "wan2.5-i2v-preview",
        "workspace_id": "llm-xxxxxxxxx",
        "charge_type": "post_paid",
        "creator": "12xxxxxxx",
        "modifier": "12xxxxxxx",
        "plan": "lora"
    }
}

Configuración de plantilla de prompt

A continuación se explica cómo configurar el parámetro aigc_config.prompt.
  • ¿Por qué establecer este parámetro? Sin este parámetro, necesitaría escribir manualmente un prompt completo cada vez que llame al modelo desplegado. Una vez configurado, al llamar al modelo ajustado finamente para generar videos, solo necesita cargar una imagen y el sistema completará automáticamente las instrucciones de efectos basándose en este parámetro sin requerir la entrada manual de un prompt.
  • ¿Cómo configurar? Prompt = Instrucción de tarea (indica al modelo qué hacer) + Plantilla de salida (estandariza el formato de salida) + Ejemplo (ayuda al modelo a aprender la estructura del ejemplo). 
Provide a video description based on the image content. The description must include the phrase "Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her (him). The bills continue to fall, while the camera slowly zooms in, she (he) stretches her (his) arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain."
Output Template:
The video begins with a shot of [subject description]. [Environment description]. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her (him). The bills continue to fall, while the camera slowly zooms in, she (he) stretches her (his) arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.
Example:
The video begins showing a young woman at a beach scene. Her hair is wet, dark brown, curly and slightly messy. She has a bright smile on her face. The background features turbulent waves and distant mountains. Then the s86b5p money rain effect begins, countless huge-sized US dollar bills (beige background/dark green patterns) pour down like a torrential rain, densely hitting and surrounding her. The bills continue to fall, while the camera slowly zooms in, she stretches her arms upward, neck slightly tilted back, expression surprised, completely immersed in this wild money rain.
Para la descripción de "Plantilla de salida", consulte Anotación de video: Escribir prompts para videos.

Siguiente paso

La implementación es una operación asíncrona. Después de llamar a esta API, puede consultar el estado de la implementación a través de la API Consultar y gestionar implementaciones.