Wan 2.6 API ガイド: 制作用の Text-to-Video、Image-to-Video、およびリファレンス ビデオ

このガイドは、非同期オーケストレーション、予算のガードレール、信頼性パターン、統合戦略 (最後にクリーンな EvoLink.ai パスを含む) など、実際のシステムに生成ビデオを組み込む CTO およびエンジニア向けに書かれています。

1. Wan 2.6 モデル ファミリ: 適切なエンドポイントの選択

• コンセプトを探るために T2V から始めます。
• 尊重する必要がある「真実の情報源」フレームがある場合は、I2V に切り替えます。
• ショット/シーン全体で アイデンティティの連続性 が必要な場合は、R2V を使用します。

2. 本番ワークフロー: 非同期タスク (リアルタイムではない)

主要な運用の詳細:

• 非同期ヘッダー X-DashScope-Async: enable を送信する必要があります（DashScope HTTP モード）。
• task_id を受け取り、成功または失敗するまでステータスをポーリングします。
• task_id は 24 時間 有効です（すぐに保存してください。復元するために「再送信」しないでください）。

• API ワーカーからタスクを送信する
• task_id + リクエスト ハッシュ + ユーザー/ジョブ メタデータを永続化
• 指数バックオフ (またはスケジューラー/キュー) を使用したポーリング
• 成功したら、返された video_url を永続化し、ダウンロード/複製します (URL はプロバイダーによって時間制限されていることがよくあります)

3. マルチショット ストーリーテリング: Wan 2.6 での実際の変更点

有効にする方法 (T2V の例)

マルチショットに関する実践的なプロンプト ガイダンス:

• 短い「ショットリスト」のようにプロンプトを作成します
• 主な被写体の説明をどのショットでも一貫したものに保つ
• 必要な場合にのみ、ショット トランジション (「カット」、「ワイド ショット」、「クローズ アップ」) を指定します。それ以外の場合は、モデルを自動セグメント化します

Wan 2.6 R2V での仕組み (文字参照)

4. オーディオ: 安全に信頼できるもの

Wan 2.6 は、エンドポイントに応じてさまざまな方法でオーディオをサポートします。

T2V / I2V

• オーディオ サポートには、自動ナレーション、またはオーディオとビジュアルの同期を実現するためのカスタム オーディオ ファイル URL の受け渡しが含まれます。

• カスタム オーディオ ファイルを提供する場合、プラットフォームでは実際的な制約 (形式/サイズ) が文書化されており、要求された長さと一致しない場合、そのオーディオは切り詰められたり、無音のままになったりすることがあります。

R2V

• 音声はプロンプト経由で生成され、入力ビデオの音声の音色を参照できます (音声の連続性が必要な場合に便利です)。

エンドツーエンドで検証していない限り、「リップシンク」または「音素の正確な口の一致」を主張することは避けてください。公式ドキュメントではオーディオの生成とオーディオとビジュアルの同期について説明していますが、リップレベルの調整を保証するものではありません。

5. コスト モデル: 1 秒あたりの価格を事前に把握する

T2V 料金 (Alibaba Cloud / Bailian)

• wan2.6-t2v: 0.6 RMB/秒 (720P)、1 RMB/秒 (1080P)

I2V 料金 (最初のフレーム)

• wan2.6-i2v: 0.6 RMB/秒 (720P)、1 RMB/秒 (1080P)

Wan 2.6 R2V の価格設定 (参考ビデオ)

• 失敗しても料金は請求されません

• 入力ビデオの課金期間には制限があります (課金に関しては「5 秒を超えない」と文書化されています)

• 開発/テストのデフォルト: 720P + UX が許可する最短期間

• サーバー側の上限を追加: 最大期間、最大解像度、最大ジョブ/ユーザー/日

• 無駄を削減するために、R2V の送信前にリファレンスビデオの検証 (形式、サイズ、長さ) を要求する

6. Wan 2.6 実際に当たる信頼性の摩擦

領域バインディング

北京とシンガポールは独立した API キーとリクエスト エンドポイントを持っています。これらを混在させると認証エラーが発生する可能性があります。

SDK ギャップ (I2V)

URL とアセット

ワークフロー全体で、URL (HTTP/HTTPS) 経由でメディアを渡すため、ローカル ファイルの一時 URL を生成するアップロード手順が必要になる場合があります。

7. EvoLink.ai による Wan 2.6 の使用 (統合 API + クリーン タスク モデル)

• POST https://api.evolink.ai/v1/videos/generations
• Wan 2.6 モデル (例):
• wan2.6-text-to-video
  • wan2.6-reference-video
• タスク ID を使用した非同期処理、および生成されたビデオ リンクは 24 時間有効です (すぐに保存されます)。

例: EvoLink 経由のテキストからビデオへの変換

完全なドキュメント: https://docs.evolink.ai/en/api-manual/video-series/wan2.6/wan2.6-text-to-video

curl --request POST \
  --url https://api.evolink.ai/v1/videos/generations \
  --header 'Authorization: Bearer YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "wan2.6-text-to-video",
    "prompt": "A cinematic multi-shot sequence of a runner crossing a neon-lit city bridge at night, rain reflections, dramatic camera cuts, realistic motion."
  }'

例: EvoLink 経由の参照ビデオ (コピーアンドペースト)

curl --request POST \
  --url https://api.evolink.ai/v1/videos/generations \
  --header 'Authorization: Bearer YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "wan2.6-reference-video",
    "prompt": "character1 walks into a bright cafe, orders a drink, then turns and smiles to camera; multi-shot narrative.",
    "video_urls": [
      "https://your-cdn.example.com/reference_character.mp4"
    ]
  }'

このエンドポイントは、最大 3 つの参照ビデオを受け付け、形式 (mp4/mov)、ファイル サイズ (≤100MB)、継続時間の範囲 (2 ～ 30 秒) などの要件を文書化しています。

8. Wan 2.6 をより速く発送します

UGC 作成ツール、マーケティング オートメーション、製品ビジュアライゼーション、ストーリーライン生成などのプロダクション ビデオ機能を構築している場合、難しい部分は「モデルがビデオを生成できるかどうか」ではありません。難しいのは、タスクのオーケストレーション、支出の管理、時間の経過とともに進化するモデル/プロバイダーの選択など、それを運用することです。

• Wan 2.6 用の 1 つの API サーフェス (およびスタックの拡張に応じて他のビデオ モデル)
• バックエンドで標準化できるクリーンな非同期タスク パターン
• プロバイダーがパラメータを更新したり、新しいエンドポイントを追加したりする際の統合チャーンを軽減するための実用的な方法

9. FAQ (制作ノート)

1) Wan 2.6 は各モードでどのような期間をサポートしていますか?

• テキストからビデオへの変換 (wan2.6-t2v): 5 / 10 / 15 秒
• 画像からビデオへの変換 (wan2.6-i2v): 5 / 10 / 15 秒
• 参考ビデオ (wan2.6-r2v): 5 / 10 秒

2) 自分のオーディオを持ち込むことはできますか?制約は何ですか?

• フォーマット: wav / mp3
• 持続時間: 3 ～ 30 秒
• サイズ: ≤ 15MB
• 音声が要求されたビデオの長さより長い場合、音声は切り捨てられます。短い場合、残りのビデオは無音になります。

3) サイレント出力 (自動音声なし) を強制するにはどうすればよいですか?

4) 安全なプロンプトの長さの制限とは何ですか?