Wan-R2V は マルチモーダル入力 (画像、動画、音声)を受け取り、複数のキャラクターを含む動画を生成します。この際、シーン間でキャラクターの外見と声を保持します。
リファレンス: ユーザーガイド
API 呼び出しが成功するためには、モデル、エンドポイント URL、および API キーがすべて同一リージョンに属している必要があります。リージョンをまたいだ呼び出しは失敗します。
動画生成には通常 1 ~ 5 分かかります。そのため、API は非同期呼び出しを使用します。ワークフローは次の 2 ステップで構成されます。タスクの作成、その後結果のポーリングです。
SDK のパラメーター名は、HTTP API とほぼ一致しています。パラメーター構造は言語の特性に基づいてカプセル化されています。
リファレンス動画タスクの処理時間は通常 1 ~ 5 分です。SDK は HTTP 非同期フローをラップし、同期呼び出しと非同期呼び出しの両方をサポートしています。
モデルが存在するリージョンに基づいて region を設定します(Client の構築時に渡します。リージョンごとに region の値は異なります):
呼び出し時に
baseHttpApiUrl はモデルのリージョンに基づいて設定します。
モデル呼び出しが失敗してエラーメッセージが返された場合は、「エラーコード」を参照して解決してください。
wan2.7 のみが音声リファレンスをサポートしています。
可用性
API 呼び出しが成功するためには、モデル、エンドポイント URL、および API キーがすべて同一リージョンに属している必要があります。リージョンをまたいだ呼び出しは失敗します。
- モデルの選択: モデルのリージョンを確認します。
- URL の選択: 対応するリージョンのエンドポイント URL を選択します。HTTP URL がサポートされています。
- API キーの設定: リージョンを選択し、API キーを取得して、環境変数として API キーを設定します。
本トピックのサンプルコードはシンガポールリージョン向けです。
HTTP
動画生成には通常 1 ~ 5 分かかります。そのため、API は非同期呼び出しを使用します。ワークフローは次の 2 ステップで構成されます。タスクの作成、その後結果のポーリングです。
ステップ 1: タスクを作成し、タスク ID を取得する
- シンガポール
- 北京
POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/video-generation/video-synthesis{WorkspaceId} は、実際のワークスペース IDに置き換えてください。
- タスク作成後、返された
task_idを使用して結果をクエリします。task_idの有効期間は 24 時間です。重複するタスクを作成しないでください。代わりに、ポーリングを使用して結果を取得してください。 - 初心者向けのガイドについては、「Postman または cURL による API 呼び出し」をご参照ください。
リクエストパラメーターヘッダーContent-Typestring (必須)リクエストのコンテンツタイプです。application/json である必要があります。Authorization string (必須)Model Studio API キーを使用してリクエストを認証します。例: Bearer sk-xxxx。X-DashScope-Async string (必須)非同期処理を有効にします。HTTP リクエストは非同期呼び出しのみをサポートします。enable である必要があります。リクエスト本文modelstring (必須)モデル名です。モデルとその価格の一覧については、「モデル価格」をご参照ください。例: wan2.7-r2v、wan2.7-r2v-2026-06-12。input object (必須)プロンプトなどの基本的な入力情報です。
プロパティ prompt string (必須)生成される動画の目的の要素や視覚的特徴を記述するテキストプロンプトです。中国語および英語をサポートします。中国語の文字、英字、句読点の各文字は 1 文字としてカウントされます。制限を超えたテキストは自動的に切り捨てられます。
media 配列内のアセットの順序と一致させる必要があります。画像と動画は別々にカウントされるため、「Image 1」と「Video 1」を同時に使用できます。リファレンス画像または動画が 1 つのみの場合、識別子を「the reference image」または「the reference video」に簡略化できます。シーン記述: たとえば、リファレンス Image 1 が猫で、Image 2 が部屋であるとします。猫が部屋で遊んでいるシーンを記述するには、次の 2 つの方法があります。1 つ目は識別子を直接使用する方法で、「Image 1 is playing in Image 2」と記述します。もう 1 つは、被写体とシーンで補足する方法で、「The cat from Image 1 is playing in the room from Image 2」と記述します。リファレンス画像がマルチパネルのストーリーボードの場合、プロンプト内でマルチショット形式でシーンを記述します。すべてのパネルを記述する必要はありません。重要なショットを提供すれば、モデルが自動的にパネルのロジックを認識し、残りのシーンを完成させます。最適な結果を得るには、一度に 1 つのマルチパネル画像のみを使用してください。プロンプトの使用に関するヒントについては、「テキストから動画/画像から動画へのプロンプトガイド」をご参照ください。negative_prompt string (オプション)生成される動画から除外する内容を記述する否定的なプロンプトです。出力を制約するために使用します。中国語および英語をサポートします。最大長: 500 文字。制限を超えたテキストは自動的に切り捨てられます。例: low resolution、error、worst quality、low quality、disfigured、extra fingers、bad proportions。media array (必須)視覚および音声リファレンスとして使用されるメディアアセット (画像、動画、音声) の配列です。画像には複数のビューを含めることができ、キャラクターや小道具、シーンのリファレンスに一般的に使用されます。
プロパティ type string (必須)メディアアセットのタイプです。有効な値:
string (必須)メディアアセットの URL です。各値は1 つの画像または 1 つの動画を指すことができます。
リファレンス画像を渡す (type=reference_image) リファレンス画像の URL または Base64 エンコードされたデータです。画像には被写体 (人物、動物、または物体) または背景を含めることができます。被写体を含める場合、単一のキャラクターのみを含める必要があります。画像の制限:
リファレンス動画を渡す (type=reference_video) リファレンス動画の URL です。動画には被写体 (人物、動物、または物体) を含める必要があります。背景や空のシーンの動画は使用しないでください。動画に被写体を含める場合、単一のキャラクターのみを含める必要があります。動画に音声が含まれている場合、その音声もリファレンスとして使用できます。動画の制限:
string (オプション)リファレンスアセット (画像または動画) 内の主要キャラクターの声を指定する音声 URL です。reference_image または reference_video とともにこのパラメーターを使用します。音声は声のリファレンスとしてのみ機能し、発話内容を決定しません。最適な結果を得るには、リファレンス音声の言語をプロンプトの言語に合わせてください。音声のロジック:
object (オプション)動画の解像度などの動画処理パラメーターです。
プロパティ resolution string (オプション)生成される動画の解像度階層です。総ピクセル数を制御します。
string (オプション)生成される動画の縦横比です。動作:
integer (オプション)生成される動画の持続時間 (秒単位) です。
boolean (オプション)プロンプトリライトを有効にします。有効にすると、モデルが生成前に入力プロンプトを再書き込みします。これにより、短いプロンプトの品質が大幅に向上しますが、処理時間が長くなります。
boolean (オプション)ウォーターマークを追加します。ウォーターマークのテキストは「AI Generated」となり、動画の右下隅に配置されます。
integer (オプション)乱数シードは、[0, 2147483647] の範囲内の整数である必要があります。指定しない場合、ランダムなシードが生成されます。固定シードを使用すると、再現性が向上します。モデル生成は確率的であるため、同じシードを使用しても同一の結果が保証されるわけではありません。 |
複数のリファレンスアセット (画像および動画) を渡し、音声を指定して動画を生成できます。 |
レスポンスパラメーターoutputobjectタスクの出力情報です。
プロパティ task_id stringタスク ID です。クエリの有効期間は 24 時間です。task_status stringタスクのステータスです。
列挙値
stringトレースおよびトラブルシューティング用の一意のリクエスト識別子です。code stringエラーコードです。失敗したリクエストでのみ返されます。「エラーコード」をご参照ください。message string詳細なエラーメッセージです。失敗したリクエストでのみ返されます。「エラーコード」をご参照ください。 |
task_id を保存して、タスクのステータスと結果をクエリします。 |
ステップ 2: タスク ID で結果をクエリする
- シンガポール
- 北京
GET https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/tasks/{task_id}{WorkspaceId} は、実際のワークスペース IDに置き換えてください。
- ポーリングの推奨: 動画生成には数分かかります。15 秒などの適切な間隔でポーリングメカニズムを使用してください。
- タスク状態の遷移: PENDING → RUNNING → SUCCEEDED または FAILED。
- 結果リンク: タスクが成功すると、24 時間有効な動画 URL が返されます。OSS などの永続ストレージに動画をダウンロードして保存してください。
task_idの有効期間: 24 時間。この期間を過ぎると、クエリはタスクステータスとしてUNKNOWNを返します。
リクエストパラメーターヘッダーAuthorizationstring (必須)Model Studio API キーを使用してリクエストを認証します。例: Bearer sk-xxxx。パスパラメーターtask_idstring (必須)タスクの ID です。 |
{task_id} は、前の API 呼び出しで返された task_id の値に置き換えてください。task_id のクエリ有効期間は 24 時間です。 |
レスポンスパラメーターoutputobjectタスクの出力情報です。
プロパティ task_id string (必須)タスクの ID です。task_status stringタスクのステータスです。
列挙値
stringタスクが送信された時刻です。時刻は UTC + 08:00 で、形式は YYYY-MM-DD HH:mm:ss.SSS です。scheduled_time stringタスクが実行された時刻です。時刻は UTC + 08:00 で、形式は YYYY-MM-DD HH:mm:ss.SSS です。end_time stringタスクが完了した時刻です。時刻は UTC + 08:00 で、形式は YYYY-MM-DD HH:mm:ss.SSS です。video_url string生成された動画の URL です。task_status が SUCCEEDED の場合にのみ返されます。有効期間は 24 時間です。動画は H.264 エンコーディングの MP4 形式です。orig_prompt string元の入力プロンプトです。リクエストパラメーター prompt に対応します。code stringエラーコードです。失敗したリクエストでのみ返されます。「エラーコード」をご参照ください。message string詳細なエラーメッセージです。失敗したリクエストでのみ返されます。「エラーコード」をご参照ください。object出力統計情報です。成功したタスクでのみ設定されます。
プロパティ input_video_duration integer入力動画の持続時間 (秒単位) です。output_video_duration integer出力動画の持続時間 (秒単位) です。duration integer動画の合計持続時間です。コストはこの値に基づいて計算されます。計算式: duration = input_video_duration + output_video_duration。SR integer生成された動画の解像度階層です。例: 720。ratio string生成された動画の縦横比です。例: 16:9。video_count integer生成された動画の数です。値は常に 1 です。stringトレースおよびトラブルシューティング用の一意のリクエスト識別子です。 |
動画 URL の有効期間は 24 時間のみで、その後自動的にパージされます。生成された動画は速やかに保存してください。 |
DashScope SDK
SDK のパラメーター名は、HTTP API とほぼ一致しています。パラメーター構造は言語の特性に基づいてカプセル化されています。
リファレンス動画タスクの処理時間は通常 1 ~ 5 分です。SDK は HTTP 非同期フローをラップし、同期呼び出しと非同期呼び出しの両方をサポートしています。
実際の処理時間は、キューの長さおよびサービスステータスによって異なります。
Python SDK
モデルが存在するリージョンに基づいて region を設定します(Client の構築時に渡します。リージョンごとに region の値は異なります):
- シンガポール
- 北京
region="ap-southeast-1"{WorkspaceId} を実際のワークスペース IDに置き換えてください。
- 同期呼び出し
- 非同期呼び出し
同期呼び出しは、動画生成が完了するまでブロッキングされ、結果を直接返します。
リクエスト例
レスポンス例
video_url の有効期間は 24 時間です。動画は速やかにダウンロードしてください。
Java SDK
baseHttpApiUrl はモデルのリージョンに基づいて設定します。
- シンガポール
- 北京
Constants.baseHttpApiUrl = "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1";{WorkspaceId} は、実際のワークスペース IDに置き換えてください。
- 同期呼び出し
- 非同期呼び出し
同期呼び出しは、動画生成が完了するまでブロッキングされ、結果を直接返します。
リクエスト例
レスポンス例
video_url の有効期間は 24 時間です。動画は速やかにダウンロードしてください。
エラーコード
モデル呼び出しが失敗してエラーメッセージが返された場合は、「エラーコード」を参照して解決してください。
よくある質問
主題に音声を追加するにはどうすればよいですか(音声リファレンス)?
wan2.7 のみが音声リファレンスをサポートしています。media オブジェクト内で、reference_voice パラメーターに音声 URL を渡すことで、リファレンス画像または動画の被写体にリファレンス音声を指定できます。