scenario-wan

Scenario Wan Video

概要

Scenario 上の Alibaba の動画ファミリーである Wan は、ジョブごとに独立したメンバーを提供します。世代が異なるメンバー同士では、パラメーター名も異なる場合があります。search でメンバーを選び、実行する前に必ず model_schema_get を仕様として確認してください。Wan 2.7 Image は画像モデルであり、scenario-image スキルで扱います。

接続と基本的なループについては、このリポジトリの scenario スキルを参照してください。モデルに依存しない動画の作業については、scenario-video スキルを参照してください。ここで名前が挙がっている関連スキルが利用可能なスキルに見当たらない場合は、ユーザーにインストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人で進める場合は、ツールのスキーマを確認して、不足しているスキルについて報告してください。

クイックリファレンス

用途別のメンバー（執筆時点）：

用途	メンバー	必須入力
テキストから動画を生成	2.7、2.6、2.5 T2V	prompt
静止画をアニメーション化	2.7、2.6、2.5 I2V	image + 動きを表す prompt
クリップを延長	2.7 I2V	video + prompt（image は除外）
映像のスタイルを変更	2.7 Video Edit	video + 編集用 prompt
動画の動きをキャラクターに演じさせる	2.2 Animate (Move)	imageUrl + videoUrl
映像内の人物を入れ替える	2.2 Animate (Replace)	videoUrl + imageUrl
アスペクト比を変更	2.2 Reframe	videoUrl
キャンバスを拡張	2.2 Outpainting	videoUrl + prompt

パラメーターは世代をまたいで引き継げません。執筆時点では、2.7 の生成モデルは resolution（720p または 1080p）と、2～15 の整数秒で指定する duration を受け取り、T2V のみ aspectRatio（16:9 から 3:4）を受け取ります。2.6 および 2.5 の T2V は、代わりに "1920*1080" のような単一の size 文字列を受け取ります。duration は固定値から選びます（2.6 は 5、10、15、2.5 は 5 または 10）。一方、I2V メンバーは resolution を受け取ります。Video Edit は 2～10 秒のソース動画を受け取り、duration は省略可能で、指定すると動画を短くします。Reframe と Outpainting に duration はありません。長さは framesPerSecond（5～30）での numFrames（81～241）で決まり、matchInputNumFrames と matchInputFramesPerSecond の両方が true の場合にのみ、出力はソースと一致します（どちらもデフォルトは false）。Outpainting では最大 10 個の refImageUrls を使って新しいコンテンツを誘導できます。

2.7 I2V では、image と video は相互に排他的です。また、endImage（最終フレーム）が有効なのは image と併用する場合のみです。解像度と長さはコストに影響します（執筆時点では、2.7 T2V の 1080p は 720p の約 3 倍のコストでした）。そのため、まとめて実行する前に dry_run を行ってください。

メンバーの用途に合わせたプロンプト

T2V には自然言語でシーン全体を指定します。被写体の動き、カメラワークを 1 つ、照明、スタイルタグを含めてください。I2V では動きのみを指定します。静止画ですでに見た目と構図が決まっているため、それを言い直すとプロンプトを無駄にします。Video Edit には指示を指定します。1 文につき明確な変更を 1 つにし、対象を正確に指定してください。さらに「被写体の同一性とカメラの軌跡を維持する」など、保持する要素も伝えます。目指す見た目は referenceImage で指定します。フレーム内の読み取り可能なテキストはどのメンバーでも安定して生成されません。アーティファクトは negativePrompt に含めてください（Video Edit と Animate には negativePrompt がありません）。

マルチショットに対応しているのは 2.6 のみです。multiShots が true の場合（デフォルトですが、enablePromptExpansion が true のときのみ有効です）、最初に全体のスタイルを記述し、続けて Shot 1 [0-3s] ...、Shot 2 [3-7s] ... のように記述します。キャラクターと場所に一貫性を持たせてください。生成モデルでは enablePromptExpansion はデフォルトで true です（短いプロンプトを補い、遅延が増加します）。Reframe と Outpainting ではデフォルトで false です。

オーディオの生成元

2.7 のジェネレーターは常にオーディオを出力します。audio ファイルをアップロードして動作させるか、省略すると、プロンプトで指定した音に合わせたトラックが生成されるため、欲しい環境音をプロンプトで指定してください。2.6 と 2.5 では、オーディオはアップロードしたファイル（作成時に 3～30 秒、15 MB 以下）からのみ取得され、2.6 ではリップシンクされます。Video Edit の audioSetting でトラックが決まります。origin はソースオーディオを維持し、auto はモデルに再生成させます。Animate は mergeAudio が true（デフォルト）の間、ソーストラックを引き継ぎます。

実例：2 枚の静止画の間にショットを挿入する

1. target="models"、query="wan image to video"、public=true を指定して search します。たとえば、非推奨ではない最新の結果（作成時点で有効な結果は model_wan-2-7-i2v です。セッションごとに再検索してください）を優先します。
2. その ID を指定して model_schema_get を呼び出し、相互排他に関する注記、上限、デフォルト値を確認します。
3. upload_asset で開始時と終了時の静止画をアップロードし（scenario スキルを参照）、アセット ID を取得します。
4. その model_id と dry_run=true を指定し、次のように model_run を呼び出して費用を見積もります。 parameters={"prompt": "She turns from the window and walks toward the door, coat swaying; slow push-in. Room tone and distant traffic.", "image": "asset_open", "endImage": "asset_close", "duration": 5, "resolution": "1080p"} 再生時間や解像度を変更した後は、再度見積もってください。
5. wait=false で再実行し、返されたジョブ ID を指定して jobs_wait を呼び出します。タイムアウトした場合は pending_job_ids を指定して再度呼び出し、model_run をもう一度実行しないでください。
6. 出力を asset_display で表示し、動きとオーディオを一緒に確認します。

よくある間違い

• 2.7 I2V で image と video を組み合わせたり、image なしで endImage を渡したりすること。スキーマでどちらも禁止されています。
• 2.7 のペイロードを 2.6 または 2.5 の T2V に流用すること。これらは resolution と aspectRatio ではなく、size（"1280*720" 形式）を受け取り、指定可能な範囲外の再生時間はエラーになります。
• Reframe や Outpainting が長さを維持すると期待すること。デフォルトでは 16 fps で 81 フレームがレンダリングされるため、2 つの一致フラグを設定してください。
• Outpainting の拡張フラグは、デフォルトですべての辺が有効です。不要な方向（expandTop、expandBottom、expandLeft、expandRight）を false に設定してください。
• enablePromptExpansion が false のまま、ショットの区切りを記述すること。multiShots はこれが有効でないと機能しません。区切りを読み取るほかのメンバーはありません。
• I2V プロンプトで静止画を再度説明したり、内容の変更を要求したりすること。I2V はアニメーションを生成し、Video Edit は内容を変更します。