Wan 2.6

视频生成五种 API 模式Standard / Flash

Wan 2.6 Video 是 APIXO 提供的视频生成路由，支持五种阿里巴巴视频生成工作流。您可以根据文本创建音视频片段、为单张源图生成动画，或使用有序的图像和视频参考来指导角色。标准和 Flash 模式提供 720p 或 1080p 输出、多镜头控制、自定义音频，以及特定于模式的时长和定价。

工作流

文本 / 图像 / 参考

APIXO 价格

$0.025–$0.30 / 秒后端定价的标准和 Flash 路由

分辨率

720p / 1080p

时长

2–15秒 · 参考 ≤10秒

参考图限制

最多 5 个文件

模型功能

控制每个 Wan 2.6 场景的开端和发展

文本主导的生成

无需源图像，通过必需的中英文提示词描述主体、动作、场景、镜头行为、对话和声音来创建视频。

首帧动画

Standard 和 Flash 图像模式仅能将一张源图像动画化。提示词仍为必需项，用于指导初始视觉状态下的运动、镜头行为和场景发展。

有序的媒体参考

参考模式接受有序的图片和视频 URL，这些 URL 对应 character1、character2 及后续角色，用于外观、动作、场景或可用的语音引导。

多镜头结构

选择“单镜头”生成一个连续镜头，或选择“多镜头”生成一系列变化的镜头。此处的明确设置将优先于提示词中可能冲突的镜头指令。

视听指导

提交一个可选的 MP3 或 WAV 文件以实现自定义同步，或让支持音频的生成模式产出视听内容，但不保证精确的对话、发音或口型同步。

提示词与种子值控制

使用负向提示词、提示词扩展和数值种子值来优化输出。固定种子值有助于控制迭代过程，但无法使概率性生成变为确定性结果。

路由配置文件

选择 Standard 工作流或支持音频配置的 Flash 生成模式

Standard 视频工作流

Standard 路由涵盖文生视频、图生视频和参考图生视频。文生视频和图生视频模式支持 2–15 秒，而参考图生视频模式支持 2–10 秒。在这些模式下，sound 字段无效。

标准

Flash 视频工作流

Flash 路由仅适用于图生视频-flash 和参考图生视频-flash。其声音控制默认为 true；禁用它会产生无声输出、忽略提供的音频，并适用更低的 Flash 费率。

Flash

API 规格

生产级路由的验证控件

通过 APIXO 开放的特定模式输入及限制。

生成模式

1–1,500

提示词字符数

1 张图片

图像模式输入

1–5 个文件

参考图输入

1 个 MP3 / WAV

自定义音频

轮询 / 回调

结果交付

生产应用

将每种输入策略与实际的视频工作流相匹配

概念开发

预演营销活动序列

在投入实景拍摄或精细的后期制作之前，使用文生视频和多镜头控制来探索简短的宣传片叙事、镜头切换和场景进展。请检查生成视频中的身体结构、物体接触、标志和嵌入文本。

素材动画

为产品主视觉图制作动画

通过标准 (Standard) 或快速 (Flash) 路由，将一张已审核的产品图片、插图或宣传视觉图制作成动态视频。将生成结果与源文件在几何形状、比例、构图和品牌保真度方面进行比较。

角色指导

编排由参考主导的互动

为角色分配有序的图片或视频参考，用于短对话和多角色场景。在每个结果中验证身份、位置、声音漂移、对话归属、发音和口型动作。

音频优先创意

创建自定义音频宣传片

提供旁白、音乐或音效来指导一段简短的宣传片。发布前请检查时序和同步效果，或在仅需低成本视觉草稿时禁用 Flash 音频功能。

集成指南

模式限制、媒体规则与计费

操作说明

APIXO 提供五种产品模式，但未公开每个路由背后所选用的确切上游检查点或快照。

每种模式都需要一个最多 1,500 个字符的非空提示词；可选的负向提示词最多支持 500 个字符。

图像模式需要一个公开可访问的 JPEG、JPG、无 Alpha 通道的 PNG、BMP 或 WebP 图片 URL，文件大小不超过 20MB，尺寸在 240–8000 像素之间。

参考模式接受一到五个有序文件：最多五个图像、最多三个 MP4 或 MOV 视频，且文件总数不超过五个。

自定义音频接受一个公开的 MP3 或 WAV URL，时长 3-30 秒，大小不超过 15MB；超出的音频部分将被截断，而过短的输入则会在剩余部分保持静音。

APIXO 未公布此路由的结果 URL 保留期限。建议在文生/图生模式下 30 秒后、参考模式下 45 秒后轮询，或使用回调来接收最终结果；完成后请及时存储所需输出。

常见问题

文生视频和图生视频在 720p 分辨率下每秒花费 $0.10，1080p 分辨率下每秒花费 $0.15。参考图生成视频在 720p 分辨率下每秒花费 $0.20，1080p 分辨率下每秒花费 $0.30。总费用为所选时长乘以适用的费率。

Image Flash 每秒费用：无声 720p 分辨率：$0.025和1080p 分辨率：$0.0375，有声 720p 分辨率：$0.05和1080p 分辨率：$0.075。Reference Flash 费用：无声 720p 分辨率：$0.05和1080p 分辨率：$0.08，有声 720p 分辨率：$0.10和1080p 分辨率：$0.16。

只有 image-to-video-flash 和 reference-to-video-flash 接受声音输入，且默认为 true。当设为 false 时，生成的视频将是无声的，任何提供的 audio_urls 值都将被忽略。

将 `shot_type` 设置为 `multi` 并保持 `prompt_extend` 启用，以便 Wan 2.6 能够重写和优化镜头描述。当场景需要保持为单个连续镜头时，请使用 `single`。

任务状态包括等待中、处理中、成功和失败。成功的视频 URL 会出现在 resultJson.resultUrls 中；失败的任务会提供 failCode 和 failMsg。使用回调方式接收结果需要一个可访问的公共回调接口地址。