video-factory/api.json

{
  "model": "wan2.6-r2v-flash",
  "input": {
    "prompt": "Character2 坐在靠窗的椅子上，手持 character3，在 character4 旁演奏一首舒缓的美国乡村民谣。Character1 对Character2开口说道：“听起来不错”",
    "negative_prompt": "",
    "media": [
      {
        "type": "reference_image",
        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260408/sjuytr/wan-r2v-object-girl.jpg",
        "reference_voice": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260408/gbqewz/wan-r2v-girl-voice.mp3"
      },
      {
        "type": "reference_video",
        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260129/qigswt/wan-r2v-role2.mp4",
        "reference_voice": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260408/isllrq/wan-r2v-boy-voice.mp3"
      },
      {
        "type": "reference_image",
        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260129/rtjeqf/wan-r2v-object3.png"
      },
      {
        "type": "reference_image",
        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260129/qpzxps/wan-r2v-object4.png"
      },
      {
        "type": "reference_image",
        "url": "https://help-static-aliyun-doc.aliyuncs.com/file-manage-files/zh-CN/20260129/wfjikw/wan-r2v-backgroud5.png"
      }
    ]
  },
  "parameters": {
    "resolution": "1080P",
    "ratio": "16:9",
    "duration": 10,
    "prompt_extend": true,
    "watermark": true,
    "seed": 2147483647
  }
}

//model string （必选）
//
//模型名称。模型列表与价格详见模型价格。
//
//示例值：wan2.7-r2v、wan2.7-r2v-2026-06-12。
//
//input object （必选）
//
//输入的基本信息，如提示词等。
//
//属性
//
//prompt string （必选）
//
//文本提示词。用来描述生成视频中期望包含的元素和视觉特点。
//
//支持中英文，每个汉字、字母、标点占一个字符，超过部分会自动截断。
//
//wan2.7-r2v、wan2.7-r2v-2026-06-12：不超过5000个字符。
//
//参考指代：当为中文提示词时，参考图片时通过“图1、图2”这类标识指代，参考视频时通过“视频1、视频2”这类标识指代。英文提示词则写为“Image 1”、"Video 1”这类标识。英文字母和数字之间有空格，首字母大写。顺序与media数组顺序一致。图和视频分别计数，即同时存在图1、视频1等标识。若参考素材有且仅有一张图片或一个视频，则可简化表述为”参考图片”或“参考视频”。
//
//画面描述：假设参考图1是一只猫，图2是一个房间，要描述猫在房间里玩耍，支持两种写法：一种是直接使用标识指代（如“图1在图2里玩耍”）；另一种是结合主体与场景补充说明（如“图1的猫在图2的房间里玩耍”）。
//
//当参考图片为多宫格（故事板图像）时，提示词建议按照多分镜的形式描述画面内容。无需描述每个宫格，提供关键分镜内容即可，模型将自动识别宫格逻辑并智能补全镜头内容。为达到更好的效果，建议单次仅输入一张多宫格图。
//
//提示词的使用技巧请参见文生视频/图生视频Prompt指南。
//
//negative_prompt string （可选）
//
//反向提示词，用来描述不希望在视频画面中出现的内容，可以对视频画面进行限制。
//
//支持中英文，长度不超过500个字符，超过部分会自动截断。
//
//示例值：低分辨率、错误、最差质量、低质量、残缺、多余的手指、比例不良等。
//
//media array （必选）
//
//媒体素材数组，素材包括图像、视频和音频。支持图像/视频输入作为视觉参考，图像支持多视图，常见参考角色、道具、场景等。
//
//数组中每个元素为一个媒体对象，包含 type 与 url 字段。
//
//按照数组顺序定义prompt中角色引用的顺序。图和视频分别计数，即可同时存在图1、视频1。
//
//数组中的第 1 个reference_video 对应 视频1，第 2 个对应 视频2，以此类推。
//
//数组中的第 1 个reference_image对应 图1，第 2 个对应 图2，以此类推。
//
//属性
//
//type string （必选）
//
//媒体素材类型。可选值为：
//
//reference_image：参考图像。提供主体角色（人物/动物/物体）和场景参考。
//
//reference_video：参考视频。提供主体角色（人物/动物/物体）和音色参考，不推荐传入空镜视频。
//
//first_frame：首帧图像。基于首帧生成视频，通常包含主体角色（人物/动物/物体）。支持同时传入首帧图联合控制，常见用法如下：
//
//首帧中已经出现待参考主体：此时可以搭配主体参考强化一致性，或进行音色参考。
//
//首帧中未出现待参考主体：此时可以用主体参考来定义视频动态过程中新出现的主体特征。
//
//素材限制：
//
//首帧图像，最多传入1张。
//
//参考图像和参考视频至少传入1个，参考图像 + 参考视频 ≤ 5。
//
//参考素材为主体角色时，仅包含单一角色。
//
//url string （必选）
//
//媒体素材URL。每个值可指向一张图像或一段视频。
//
//传入参考图像（type=reference_image）
//
//参考图像URL或 Base64 编码数据。参考图可以是主体（人物/动物/物体）或者背景。当包含主体时，仅包含一个角色。
//
//图像限制：
//
//格式：JPEG、JPG、PNG（不支持透明通道）、BMP、WEBP。
//
//分辨率：宽度和高度范围为[240, 8000]像素。
//
//宽高比：1:8～8:1。
//
//文件大小：不超过20MB。
//
//支持输入的格式：
//
//公网URL:
//
//支持HTTP或HTTPS协议。
//
//示例值：https://xxx/xxx.png。
//
//临时URL：
//
//支持OSS协议，必须通过上传文件获取临时 URL。
//
//示例值：oss://dashscope-instant/xxx/xxx.png。
//
//Base64 编码图像后的字符串：
//
//数据格式：data:{MIME_type};base64,{base64_data}。
//
//示例值：data:image/png;base64,GDU7MtCZzEbTbmRZ......。（编码字符串过长，仅展示片段）
//
//详情请参见传入图像。
//
//传入参考视频（type=reference_video）
//
//参考视频URL。视频内容建议包含主体（人物/动物/物体），不建议使用背景或空镜视频。当包含主体时，仅包含一个角色。若视频有声音，也可以参考音色。
//
//视频限制：
//
//格式：mp4、mov。
//
//时长：1～30s。
//
//分辨率：宽度和高度范围为[240,4096]像素。
//
//宽高比：1:8～8:1。
//
//文件大小：不超过100MB。
//
//支持输入的格式：
//
//公网URL：
//
//支持HTTP和HTTPS协议。
//
//示例值：https://xxx/xxx.mp4。
//
//临时URL：
//
//支持OSS协议，必须通过上传文件获取临时 URL。
//
//示例值：oss://dashscope-instant/xxx/xxx.mp4。
//
//reference_voice string （可选）
//
//音频 URL。用于指定参考素材（图像/视频）中主体角色的音色。与reference_image或reference_video搭配使用。该音频仅参考音色，与说话内容无关。建议参考音频语种与提示词语种保持一致，匹配效果更佳。
//
//音频生效逻辑：
//
//默认行为：若 reference_video 本身包含音频，但未指定 reference_voice，默认使用视频原声。
//
//优先级：若同时传入 reference_video（含音频）和 reference_voice，则优先使用 reference_voice 的音色，覆盖视频原声。
//
//音频限制：
//
//格式：wav、mp3。
//
//时长：1～10s。
//
//文件大小：不超过15MB。
//
//支持输入的格式：
//
//公网URL：
//
//支持HTTP和HTTPS协议。
//
//示例值：https://xxx/xxx.mp3。
//
//临时URL：
//
//支持OSS协议，必须通过上传文件获取临时 URL。
//
//示例值：oss://dashscope-instant/xxx/xxx.mp3。
//
//parameters object （可选）
//
//视频处理参数，如设置视频分辨率。
//
//属性
//
//resolution string （可选）
//
//重要
//resolution直接影响费用，请在调用前确认百炼控制台。
//
//生成视频的分辨率档位，用于控制视频的清晰度（总像素）。
//
//wan2.7-r2v、wan2.7-r2v-2026-06-12：可选值：720P、1080P。默认值为1080P。
//
//ratio string （可选）
//
//生成视频的宽高比。
//
//生效逻辑：
//
//未传入首帧图像：按指定的 ratio 参数生成视频。
//
//已传入首帧图像：自动忽略 ratio 参数，以首帧图像的宽高比生成近似比例的视频。
//
//可选值为：
//
//16:9（默认值）
//
//9:16
//
//1:1
//
//4:3
//
//3:4
//
//不同宽高比对应的输出视频分辨率（宽高像素值）见下方表格。
//
//duration integer （可选）
//
//重要
//duration直接影响费用，请在调用前确认模型价格。
//
//生成视频的时长，单位为秒。
//
//wan2.7-r2v、wan2.7-r2v-2026-06-12：默认值为5。
//
//当参考素材中包含视频时：取值为[2, 10]之间的整数。
//
//当参考素材中不包含视频时：取值为[2, 15]之间的整数。
//
//prompt_extend boolean （可选）
//
//是否开启prompt智能改写。开启后使用大模型对输入prompt进行智能改写。对于较短的prompt生成效果提升明显，但会增加耗时。
//
//true：默认值，开启智能改写。
//
//false：不开启智能改写。
//
//watermark boolean （可选）
//
//是否添加水印标识，水印位于视频右下角，文案固定为“AI生成”。
//
//false：默认值，不添加水印。
//
//true：添加水印。
//
//seed integer （可选）
//
//随机数种子，取值范围为[0, 2147483647]。
//
//未指定时，系统自动生成随机种子。若需提升生成结果的可复现性，建议固定seed值。
//
//请注意，由于模型生成具有概率性，即使使用相同 seed，也不能保证每次生成结果完全一致。