Wan2.7 Bild-zu-Video-Prompt-Beispiel: Ein Sneaker als Produktwerbespot

Ein Standfoto eines Sneakers ist noch keine Werbung. Zur Werbung wird es durch die Bildsprache: eine feste Kameraposition, eine Rotation, eine Atmosphäre und ein Highlight, das auf dem Motiv liegen darf. Der folgende Clip beginnt mit einem Produktfoto und einem Prompt und wird mit wan2.7-video/image-to-video animiert. Im Folgenden zerlegen wir den Prompt Satz für Satz und liefern den vollständigen API-Aufruf, mit dem sich der Clip reproduzieren lässt.

Der vollständige Prompt

A single white sneaker rotating slowly on a reflective dark surface, swirling white mist rising and curling around it in soft cinematic light, camera holding a steady low-angle shot, product-commercial mood, shallow depth of field, subtle rim lighting catching the sneaker sole

Sechs Teilsätze, sechs Aufgaben. Das leistet jeder einzelne davon tatsächlich.

1. „Camera holding a steady low-angle shot“ (Die Kamera hält eine stabile Untersicht)

Das ist der Anker, und er enthält eine ausdrückliche Anweisung: halten, nicht schwenken oder umkreisen. wan2.7-video/image-to-video beginnt die Animation mit dem first_frame-Bild, das Modell weiß also bereits, wo die Kamera startet – in einer leichten Untersicht auf das Produkt. Ihm zu sagen, es solle diese Position halten, verhindert, dass das Modell in einen langsamen Zoom oder eine Push-in-Fahrt abdriftet – die häufigste Art, wie ein eigentlich gelungenes i2v-Rendering seine eigene Komposition unbemerkt ruiniert. Die Untersicht ist gezielt gewählt, weil diese Konvention Sneaker begehrenswert wirken lässt statt wie ein Katalog-Thumbnail – genau die Bildkomposition, die Sneaker-Werbung seit den 90er-Jahren verwendet.

2. „Rotating slowly on a reflective dark surface“ (Langsame Rotation auf einer reflektierenden dunklen Oberfläche)

Der Drehteller ist der älteste Trick der Produktfotografie, und er überlebt im Video, weil er eine billige Möglichkeit ist, ein Objekt in einer einzigen durchgehenden Einstellung aus allen Winkeln zu zeigen, ohne Schnitt. Langsam ist entscheidend – eine schnelle Rotation wirkt wie ein Gag, eine langsame wie eine Verbeugung. Die reflektierende dunkle Oberfläche hat eine Doppelfunktion: Sie gibt dem Dunst etwas, woran er das Licht brechen kann, und der darunter verschwommen mitbewegte Sneaker lässt das Bild wie im Studio aufgebaut wirken statt auf einer Tischplatte fotografiert.

3. „Swirling white mist rising and curling around it“ (Wirbelnder weißer Dunst, der aufsteigt und sich um ihn legt)

Der Dunst ist reine Atmosphäre – er berührt das Produkt nicht, aber genau er unterscheidet ein Roh-Rendering von etwas, das aussieht, als hätte es Geld gekostet. Swirling (wirbelnd) und curling (sich ringelnd) sind Bewegungsverben, und Bewegungsverben sind in i2v-Prompts wichtiger als in Text-zu-Bild-Prompts, weil das Modell entscheiden muss, was sich während der Clipdauer tatsächlich bewegt. Ohne diese Wörter könnte „mist“ als statischer, in das erste Frame eingebackener Schleier gerendert werden statt als etwas, das sich über die Zeit entfaltet.

4. „Soft cinematic light“ + „subtle rim lighting catching the sneaker sole“ (Weiches filmisches Licht + dezentes Rim-Light, das die Sohle einfängt)

Diese beiden Teilsätze leisten unterschiedliche Arbeit, und beide müssen im Prompt stehen – keiner darf wegfallen. Weiches filmisches Licht legt die Gesamtbelichtung fest – gleichmäßig, schmeichelnd, kein grelles Studioblitzlicht. Rim-Light, das die Sohle einfängt, ist die Hauptanweisung: Sie benennt das genaue Detail, das das Licht herausarbeiten soll. Die Sohlenkante und das Profil der Laufsohle sind genau die Stellen, an denen Sneaker-Fotografie üblicherweise glänzt, und sie ausdrücklich zu nennen ist der Grund, warum das Rendering ein helles, präzises Rim-Light an der Sohlenkante erzeugt statt eines diffusen, gleichmäßigen Glühens. Lässt man diesen Teilsatz weg, erhält man in der Regel nur weiches Licht ohne fokussiertes Highlight.

5. „Product-commercial mood“ + „shallow depth of field“ (Produktwerbe-Stimmung + geringe Schärfentiefe)

Das Stimmungs-Tag ist eine Genre-Anweisung – es drängt Farbgebung, Rhythmus und Komposition in Richtung Werbeästhetik statt Dokumentar- oder Amateuraufnahme. Die geringe Schärfentiefe ist die technische Anweisung, die das Ganze tragen lässt: Ein unscharfer Hintergrund ist der schnellste visuelle Hinweis darauf, dass es sich um ein professionelles Produktshooting handelt und nicht um ein Handyfoto. Zusammen übernehmen beide die Rolle, die in einer echten Produktion der Colorist und die Objektivwahl jeweils spielen.

Auf hiapi ausführen

wan2.7-video/image-to-video läuft über die asynchrone Task-API von hiapi – du reichst ein Bild plus Prompt ein und pollst dann, bis der Clip fertig ist:

# Create the task — pass your source image as the first_frame
curl -X POST "https://api.hiapi.ai/v1/tasks" \
  -H "Authorization: Bearer $HIAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "wan2.7-video/image-to-video",
    "input": {
      "prompt": "A single white sneaker rotating slowly on a reflective dark surface, swirling white mist rising and curling around it in soft cinematic light, camera holding a steady low-angle shot, product-commercial mood, shallow depth of field, subtle rim lighting catching the sneaker sole",
      "media": [
        { "type": "first_frame", "url": "https://your-cdn.com/sneaker-source.jpg" }
      ],
      "resolution": "720P",
      "duration": 5,
      "prompt_extend": true,
      "watermark": false
    }
  }'

# Poll until status leaves "processing" — output[0].url is the finished clip
curl "https://api.hiapi.ai/v1/tasks/$TASK_ID" \
  -H "Authorization: Bearer $HIAPI_API_KEY"

Bevor du dafür echtes Budget einsetzt, ein paar praktische Hinweise:

• input.duration akzeptiert 2–15 Sekunden (Standard 5), input.resolution ist 720P oder 1080P (Standard 1080P) – die vollständige Parametertabelle findest du auf der Modellseite von wan2.7-video/image-to-video.
• Dieser Endpoint hat kein ratio- oder aspect_ratio-Feld. Die Ausgabeorientierung folgt dem Quellbild – der Galerie-Clip oben wurde als 720×1280 gerendert, weil sein Quellframe hochkant war. Fotografiere oder beschneide dein Standbild also in der Ausrichtung, in der das fertige Video erscheinen soll.
• Die Preisgestaltung ist ein fester Sekundentarif: 720P kostet $0.10/s, 1080P $0.167/s – ein 5-Sekunden-Clip in 720P kostet also etwa $0.50, ein 5-Sekunden-Clip in 1080P etwa $0.84. Prüfe die aktuellen Tarife auf der hiapi-Preisseite, bevor du die Stückzahl erhöhst, denn Auflösung und Dauer wirken sich beide auf den Gesamtpreis aus.
• Erst günstig testen: 720P + 2 Sekunden Dauer reichen aus, um zu prüfen, ob deine Bild-URL und der Prompt sich wie erwartet verhalten, bevor du längere Renderings mit höherer Auflösung in Auftrag gibst.

Häufige Fragen

Muss der Prompt die Kamerabewegung beschreiben, oder wählt das Modell selbst eine? Beschreibe sie. Lässt du sie weg, erfindet wan2.7-video/image-to-video eine eigene Kamerabewegung, und die ist selten die, die du willst. Kameratyp („low-angle“) und Verhalten („holding“, „rotating“) gemeinsam zu benennen, hält das Rendering auf Kurs.

Kann ich Anfang und Ende des Videos steuern, statt nur ein Foto zu animieren? Ja – ersetze media durch zwei Einträge mit "type": "first_frame" und "type": "last_frame", und das Modell interpoliert zwischen beiden, statt aus einem einzelnen Bild nach außen zu animieren. Das ist nützlich, wenn du bereits „Vorher“- und „Nachher“-Fotos des Produkts hast.

Warum ausdrücklich „reflective dark surface“ statt einfach „on a table“? Weil die Spiegelung die tragende Struktur ist. Sie verdoppelt Dunst und Rim-Light visuell, und das macht einen großen Teil des Unterschieds zwischen einem mittelmäßigen Rendering und einem wirklich kommerziell wirkenden Ergebnis aus – bei exakt denselben Lichtanweisungen ergibt eine matte Oberfläche ein flacheres, weniger hochwertiges Resultat.

Verändert prompt_extend, was ich geschrieben habe? Es erlaubt dem Modell, kurze Prompts vor dem Rendering um zusätzliche beschreibende Details zu erweitern. Bei einem so konkreten Prompt wie diesem ändert das Aktiviertlassen das Ergebnis selten spürbar – bei kürzeren Prompts kann es jedoch Ausschmückungen hinzufügen, die du nicht angefordert hast. Wenn du eine wörtlich strenge Befolgung brauchst, schalte es daher aus.

Wenn du eine Bibliothek von Produktaufnahmen aufbaust, deckt die Dokumentation zu wan2.7-video/image-to-video auch die Referenz-zu-Video-Variante ab, mit der sich ein Motiv über mehrere Prompts hinweg konsistent halten lässt – einen Blick wert, wenn eine einzelne Präsentationsaufnahme nicht ausreicht.