跳转到主要内容
Wan 2.6 I2V 的 API 参考。Wan 2.6 图生视频可将静止的首帧制作成动画,支持 720P 或 1080P,时长最长 15 秒。 输入: 图像, 音频, 文本 · 输出: 视频 + 音频

快速开始

在你的 Comfy 工作区中创建一个密钥,并将其导出为 COMFY_API_KEY。Python 和 TypeScript 代码片段使用 Comfy SDK(pip install comfy-sdk 和 npm install @comfyorg/sdk);cURL 代码片段则是通过原始 HTTP 发起的同一调用。 模型 ID: wan/wan2.6-i2v 端点: POST https://api.comfy.org/v2/models/wan/wan2.6-i2v
相同的请求体,发送到 POST https://api.comfy.org/v2/models/wan/wan2.6-i2v/requests。一旦运行被接纳,Router 就会返回 201 和 request_id,结果就绪后即可收集,无论来自当前进程还是另一个进程。队列投递 会详细介绍状态查询、取消和收集的完整流程。

Schema

输入

object
必填
输入基本信息,例如提示词等。
string
音频文件下载 URL。支持的格式:mp3 和 wav。不能与 reference_video_urls 一起使用。
string
第一帧图像 URL 或 Base64 编码数据。wan2.5-i2v-preview 和 wan2.6-i2v 模型必填。happyhorse-1.x i2v 的这些写法不在此处接收其第一帧,而是将其作为类型为 first_frame 的媒体元素(见下方 media)。在 wan2.6-i2v 上能成功的 img_url 请求体,在 happyhorse-1.0-i2v 和 happyhorse-1.1-i2v 上会被提供商拒绝;此外,wan2.7/wan3.0 的这些写法也会在 media 中接收其参考资产。图像格式:JPEG、JPG、PNG、BMP、WEBP。分辨率:360-2000 像素。文件大小:最大 10MB。
object[]
媒体资产列表。指定用于视频生成的参考素材(图像、音频、视频)。每个元素包含 type 和 url 字段。此字段由此组件提供的所有模型共用,而给定模型接受哪些 type 值,以及它到底是将图像或视频输入放在这里,还是放在 img_url 或 reference_video_urls 中,这些都因模型而异。各模型支持的 type 值如下:
  • wan2.7-i2v:first_frame、last_frame、driving_audio、first_clip。first_frame 和 last_frame:JPEG/JPG/PNG/BMP/WEBP,每边 240-8000 像素,宽高比在 1:8 到 8:1 之间,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL。driving_audio(WAV/MP3,2-30 秒,最大 15MB)和 first_clip(MP4/MOV,2-10 秒,每边 240-4096 像素,最大 100MB):公共 HTTP/HTTPS URL;不接受内联 data: URL。
  • wan2.7-r2v:first_frame(可选,最多 1 个)、reference_image、reference_video。至少需要一个 reference_image 或 reference_video,并且参考图像加参考视频总数最多 5 个。first_frame 和 reference_image:JPEG/JPG/PNG/BMP/WEBP(无透明度通道),每边 240-8000 像素,宽高比在 1:8 到 8:1 之间,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL。reference_video:公共 HTTP/HTTPS URL;不接受内联 data: URL。
  • wan2.7-videoedit:video(恰好 1 个,即被编辑的片段:MP4/MOV,2-10 秒,每边 240-4096 像素,最大 100MB,公共 HTTP/HTTPS URL;不接受内联 data: URL),外加可选的 0 到 4 个 reference_image(JPEG/JPG/PNG/BMP/WEBP,每边 240-8000 像素,宽高比在 1:8 到 8:1 之间,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL)。
  • wan3.0-video、wan3.0-video-prime:first_frame(最多 1 个)、last_frame(最多 1 个)、reference_image(最多 10 个)、reference_video(最多 5 个片段,总时长 <= 15s)、reference_audio(最多 5 个片段,总时长 <= 15s)、file(最多 1 个,不能与 link 一起使用)、link(最多 1 个,不能与 file 一起使用)。reference_*/file/link 类型与 first_frame/last_frame 类型在同一请求中互斥。数组顺序决定提示词中资产的参考顺序(Image 1、Video 1、Audio 1、…)。first_frame、last_frame 和 reference_image:JPEG/JPG/PNG/BMP/WEBP,每边 240-8000 像素,宽高比最大 8:1,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL。reference_video、reference_audio、file 和 link:公共 HTTP/HTTPS URL;不接受内联 data: URL。
  • happyhorse-1.0-i2v、happyhorse-1.1-i2v:仅 first_frame,恰好 1 个。这些写法在此处接收第一帧,而不是在 img_url 中。至少 300x300 像素,宽高比在 1:2.5 到 2.5:1 之间,JPEG/JPG/PNG/WEBP,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL。
  • happyhorse-1.0-r2v、happyhorse-1.1-r2v:仅 reference_image,1 到 9 个。这是该模型唯一的参考输入。最短边至少 400 像素,JPEG/JPG/PNG/WEBP,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL。reference_video 不是此操作的输入类型。
  • happyhorse-1.0-video-edit:video(恰好 1 个,即被编辑的片段:MP4/MOV,3-60 秒,长边最大 4096 像素,短边至少 360 像素,宽高比在 1:2.5 到 2.5:1 之间,最大 100MB,公共 HTTP/HTTPS URL;不接受内联 data: URL),外加可选的 0 到 5 个 reference_image(JPEG/JPG/PNG/WEBP,至少 300x300 像素,宽高比在 1:2.5 到 2.5:1 之间,最大 20MB,公共 URL 或 data:{MIME_type};base64,… URL)。
  • happyhorse-1.0-t2v、happyhorse-1.1-t2v、wan2.7-t2v、wan2.6-t2v、wan2.5-t2v-preview:文生视频操作。它们的合作伙伴参考文档未记录任何媒体输入,因此请保持此字段未设置。
  • wan2.5-i2v-preview、wan2.6-i2v、wan2.6-r2v:此组件没有为这些写法枚举任何 media 类型。wan2.5-i2v-preview 和 wan2.6-i2v 在 img_url 中接收其第一帧;wan2.6-r2v 在 reference_video_urls 中接收其参考片段。 上述各模型的数量是合作伙伴的约束,而不是此 Schema 的约束:media 上未声明 minItems/maxItems,因为可接受的类型及其上限因模型而异。Schema 通过校验并不意味着提供商会接受;反过来,上文每个资产的“最大 20MB”数值(图像输入的上限,而图像输入是唯一可以内联发送的输入)是合作伙伴对其最终收到的资产所设的上限,当资产是公共 URL 时,它们按原文适用,因为这些字节从不经过 Comfy 传输。内联 data:{MIME_type};base64,… URL 确实会经过 Comfy 传输,并且也会遇到传输上限:Comfy Router 的 POST 请求体总计上限为 100 MiB,超过即返回 413,而 base64 会使负载膨胀约 4/3,因此单个内联资产只要超过约 75 MB,就会在触达这里的任何合作伙伴规则之前被拒绝。在这种大小下,单个资产在合作伙伴自身的 20MB 上限对于内联数据来说足够宽裕,因此单个资产真正受限的是合作伙伴规则;多个资产则会触及传输上限,因为 100 MiB 的 Router 上限约束的是整个请求,而不是每个元素。接近这些上限的任何内容都应作为公共 URL 发送。
string
必填
媒体资产类型可能的值:first_frame、last_frame、driving_audio、first_clip、reference_image、reference_video、reference_audio、video、file、link
string
必填
媒体文件的 URL:公共 HTTP/HTTPS URL;或者,仅对于上文 media 描述为各模型列出的图像输入(wan2.7-i2v 上的 first_frame 和 last_frame;wan2.7-r2v 上的 first_frame 和 reference_image;wan2.7-videoedit 上的 reference_image;wan3.0-video 和 wan3.0-video-prime 上的 first_frame、last_frame 和 reference_image;happyhorse-1.0-i2v 和 happyhorse-1.1-i2v 上的 first_frame;happyhorse-1.0-r2v 和 happyhorse-1.1-r2v 上的 reference_image;以及 happyhorse-1.0-video-edit 上的 reference_image),才可使用内联 data:{MIME_type};base64,... URL。这些模型上任何视频、音频、文件或链接输入都不接受内联 data: URL。来自合作伙伴自身上传服务的 oss://dashscope-instant 临时 URL,或者(在 wan2.7-videoedit 上)Asset Center 的 asset_id,仅能针对上传它的阿里云账户解析;Comfy 使用自己的密钥发起模型调用,并且不暴露上传路由,因此调用方自己的 oss:// URL 或 asset_id 不是受支持的输入。此字段不校验 URL scheme,因此此类值会原样转发给合作伙伴,而不会在这里被拒绝。有关各模型的大小和像素限制,以及约束内联负载总量的 100 MiB Router 请求体上限,请参阅 media 描述。
string
反向提示词用于描述你不希望在视频画面中出现的内容。超过 500 个字符时,wan 模型会将其截断,而不是拒绝请求。它会计入与 prompt 相同的输入预算。
string
文本提示词。支持中文和英文。超过其自身文档规定的长度时,wan2.x 模型会截断提示词,而不是拒绝请求:wan2.5 和 wan2.6 为 1,500 个字符,wan2.7 为 5,000 个字符。wan3.0-video 和 wan3.0-video-prime 最多接受 20,000 个字符。如果 prompt 与 negative_prompt 合计超过约 60,850 字节的 UTF-8 文本(约 20,000 个中文字符),提供商将拒绝该请求,并返回 InvalidParameter Range of input length should be [1, 61440]。对于带多个参考视频的 wan2.6-r2v,请按参考视频的顺序使用 ‘character1’、‘character2’ 等来指代主体。示例:“Character1 在路边唱歌,Character2 在旁边跳舞”。对于 wan3.0-video 参考模式,请按媒体数组中对应的顺序使用 ‘Image 1’、‘Video 1’、‘Audio 1’ 等来指代媒体资产。
string[]
仅限 wan2.6-r2v 模型使用的参考视频 URL。包含 1-3 个视频 URL 的数组。 输入限制:
  • 格式:mp4、mov
  • 数量:1-3 个视频
  • 单个视频长度:2-30 秒
  • 单个文件大小:最大 30MB
  • 不能与 audio_url 一起使用 参考时长:单个视频最大 5s,两个视频各最大 2.5s,三个视频按比例更短。 计费:基于实际使用的参考时长。
string
视频效果模板名称。可选。当前支持:squish、flying、carousel。使用时,prompt 参数会被忽略。
string
要调用的模型 ID。此组件上不受约束:Comfy Router 会从 POST /v2/models/wan/{model} 的 {model} 路径段填充它,因此 Router 调用方会省略该字段。直接向 POST /proxy/wan/api/v1/services/aigc/video-generation/video-synthesis 发起 v1 调用时,必须提供该字段;可接受拼写的枚举位于该操作自身的组件 WanVideoGenerationRequest 上。
object
视频处理参数
boolean
默认值:"true"
是否为视频添加音频。仅 wan3.0-video 和 wan3.0-video-prime 支持;提供商未记录其他 wan 模型有此开关。
string
默认值:"\"auto\""
wan2.7-videoedit 模型的视频音频设置。
  • auto(默认):模型根据 prompt 内容智能判断
  • origin:强制保留输入视频中的原始音频 可能的值:auto、origin
integer
默认值:"5"
生成的视频时长,单位为秒:
  • wan2.5 模型:5 或 10 秒
  • wan2.6-t2v、wan2.6-i2v:5、10 或 15 秒
  • wan2.6-r2v:仅 5 或 10 秒(不支持 15s)
  • wan2.7-i2v、wan2.7-t2v:[2, 15] 范围内的整数
  • wan2.7-r2v、wan2.7-videoedit:[2, 10] 范围内的整数
  • wan3.0-video:无视频输入时为 [2, 30] 范围内的整数;有视频输入时,输入视频总时长 + 输出视频总时长不得超过 30 秒;-1 启用智能时长模式,由模型选择合适的时长 对于超出 [-1, 30] 范围的时长,此代理返回 400。 范围:-1 到 30
boolean
默认值:"true"
是否启用 prompt 智能改写。默认值为 true
string
生成视频的宽高比。仅适用于 wan2.7 和 wan3.0 模型。 对于 wan2.7 模型,如果未提供,则根据分辨率档位确定默认值。 对于 wan3.0-video,adaptive(默认值)会根据输入媒体的比例和意图自动推荐合适的宽高比。可选值:adaptive、16:9、9:16、1:1、4:3、3:4
string
分辨率档位。支持的取值因模型而异:
  • wan2.5-i2v-preview:480P、720P、1080P
  • wan2.6 模型(t2v、i2v、r2v):仅支持 720P、1080P(不支持 480P)
  • wan2.7 模型(i2v、t2v、r2v、videoedit):720P、1080P(默认 1080P)
  • wan3.0-video、wan3.0-video-prime:480P、720P、1080P(上游默认 1080P)
  • happyhorse-1.0-*(t2v、i2v、r2v、video-edit):720P、1080P
  • happyhorse-1.1-*(t2v、i2v、r2v):480P、720P、1080P 该代理会拒绝既未提供 resolution 也未提供 size 的视频生成请求,因为分辨率档位决定计费费率。它会在校验前将 resolution 转为大写并转发转为大写后的值;对于该枚举之外的取值返回 400;对于上文列为不支持 480P 的 wan2.6、wan2.7 和 happyhorse-1.0 模型,遇到 480P 时返回 400(无论是以 resolution 传入,还是以 480P 的 size 传入)。 可选值:480P、720P、1080P
integer
随机数种子,用于控制模型生成内容的随机性范围:0 到 2147483647
string
默认值:"\"single\""
智能多镜头控制。仅在启用 prompt_extend 时生效。 适用于 wan2.6 和 wan2.7-r2v 模型。
  • single: 单镜头视频(默认)
  • multi: 多镜头视频 可选值:multi、single
string
视频分辨率,格式为 widthheight。支持的分辨率因模型而异: wan2.5 T2V:480P(480832、832480、624624)、720P、1080P 尺寸 wan2.6 T2V/R2V(不支持 480P): 720P:1280720、7201280、960960、1088832、8321088 1080P:19201080、10801920、14401440、16321248、12481632 当同时传入 size 和 resolution 时,size 决定计费档位,而 resolution 仍必须是该代理接受的、适用于该模型的取值。在分辨率说明中列为不支持 480P 的每个模型上,传入 480P 的 size 都会返回 400。
boolean
默认值:"false"
是否添加水印 logo,水印位于右下角
本文档根据 Router 在 GET /v2/models/wan/wan2.6-i2v/openapi.json 提供的 schema 生成,该文档与它在请求到达提供商之前用于校验调用的文档相同。

输出

object
必填
string
智能改写后的实际提示词(视频任务)
string
带音频生成的 I2V 任务的音频 URL
string
失败请求的错误代码(请求成功时不返回)
string
任务完成时间
string
失败请求的详细信息(请求成功时不返回)
string
原始输入提示词(视频任务)
object[]
图像生成任务的任务结果列表
string
智能改写后的实际提示词(如果已启用)
string
图像错误代码(部分任务失败时返回)
string
图像错误信息(部分任务失败时返回)
string
原始输入提示词
string
已生成图像的 URL 地址
string
任务执行时间
string
任务提交时间
string
必填
任务 ID
object
图像生成任务的任务结果统计
integer
失败任务数
integer
成功任务数
integer
任务总数
string
必填
任务状态可能值:PENDING、RUNNING、SUCCEEDED、FAILED、CANCELED、UNKNOWN
string
已完成视频生成任务的视频 URL。链接有效期 24 小时
string
必填
唯一请求标识符
object
输出信息统计。仅统计成功的结果
integer
视频分辨率级别(I2V 和 wan3.0-video 任务)
number
已生成视频的时长,单位为秒(I2V 和 wan3.0-video 任务)
integer
已生成视频的帧率(wan3.0-video 任务)
integer
已生成图像数量(T2I 和 I2I 任务)
number
输入视频的时长,单位为秒;无视频输入时为 0.0(wan3.0-video 任务)
number
输出视频的时长,单位为秒(wan3.0-video 任务)
string
已生成视频的比例,例如 16:9(wan3.0-video 任务)
string
图像分辨率(T2I 和 I2I 任务)
integer
已生成视频数量(T2V 任务)
number
已生成视频的时长,单位为秒(T2V 任务)
string
视频分辨率比例(T2V 任务)
string
失败请求的错误代码,报告在响应信封的根层级,而不是 output 下(请求成功时不返回)。
string
失败请求的详细信息,报告在响应信封的根层级,而不是 output 下(请求成功时不返回)。在回退到 output.message 之前,请先阅读此信息。

示例

输入

输出

视频 URL 的有效期为 24 小时。如果需要保留视频,请及时下载。

发布前须知

SDK 会生成 Idempotency-Key 并在自动重试中复用它。手动重试时,请复用原始 key。Router 最长可保持连接 10 分钟。 请求失败时,Router 会发送 X-Comfy-Error-Type 响应头说明原因。422 表示 Router 在调用提供商之前就拒绝了输入,413 表示请求体超出了 Router 可接受的大小。已生成的资源请及时下载,因为结果 URL 会过期。 上文任何字段描述中提到的尺寸限制,都是提供商对该字段自身的限定,引自提供商的规范。Router 会对整个请求体另行设置上限,base64 编码的媒体内容也计入其中:参见请求体大小。 本页记录的是通过 Comfy Router 调用的某一个合作伙伴模型。同一个 comfy-sdk / @comfyorg/sdk 包还提供第二个客户端,用于在 Comfy Cloud 上运行完整的 ComfyUI 工作流图:Comfy(api_key=...) / new Comfy({ apiKey }),并带有 client.workflows、client.assets 和 client.jobs。请参阅 Comfy SDKs。

请求头

身份验证、幂等性、请求 ID、错误分类、重试节奏、消费限额。

使用 Router API

模型发现、验证错误、重试与计费。

限制

Router 目前不支持的功能,以及替代方案。