Recetas de prompts de imagen a vídeo de Wan 2.7: 3 prompts listos para copiar y pegar con resultados reales

La imagen a vídeo es la forma de mayor apalancamiento de usar un modelo de vídeo: fijas la composición, la iluminación y el sujeto con una sola imagen estática, y gastas toda la capacidad del modelo en el movimiento. El problema es que el prompt de i2v es una habilidad aparte: la mayoría de los prompts que funcionan para texto a vídeo desperdician un montón de tokens volviendo a describir una escena que el modelo ya ve.

Esta guía te da tres recetas de prompts listas para copiar y pegar para wan2.7-video/image-to-video, el modelo de imagen a vídeo Wan 2.7 de Alibaba Tongyi, que cubren los tres tipos de tarea para los que la gente realmente usa i2v: movimiento de producto, actuación de retrato y movimiento de cámara. Cada clip incrustado abajo es la salida real en un solo intento del prompt correspondiente, generada a través de la API de tareas de hiapi en el nivel estándar 720P ($0,10 por segundo de vídeo). Los fotogramas de entrada también están incluidos, así que puedes seguir con exactitud qué recibió el modelo y qué creó.

Estructura de la petición (léela primero)

wan2.7 i2v se ejecuta en el endpoint de tareas asíncronas de hiapi. Tres detalles del schema te ahorran un ciclo de errores 400:

• media es un array de objetos, no una cadena de URL suelta. Cada objeto necesita type y url. Los tipos aceptados son first_frame, last_frame, driving_audio y first_clip: así el mismo endpoint cubre la animación normal de primer fotograma, la interpolación entre primer y último fotograma, el movimiento guiado por audio y la extensión de clips. Todo lo de este artículo pasa solo un first_frame.
• resolution es un enum: 720P o 1080P, no hay otros valores.
• duration está en segundos y tiene un máximo de 15.

La URL de la imagen debe ser de acceso público: la plataforma la descarga en el servidor al crear la tarea.

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": "充电盒盖平滑向上打开，两枚哑光黑色耳机缓慢从盒中升起……",
      "media": [
        {"type": "first_frame", "url": "https://your-cdn.example/frame.jpg"}
      ],
      "resolution": "720P",
      "duration": 5
    }
  }'

La respuesta devuelve de inmediato un taskId. Consulta GET /v1/tasks/{taskId} hasta que status sea success, y luego descarga output[0].url:

import requests, time

BASE = "https://api.hiapi.ai/v1/tasks"
HEADERS = {"Authorization": f"Bearer {API_KEY}"}

task_id = requests.post(BASE, headers=HEADERS, json=payload).json()["data"]["taskId"]

while True:
    task = requests.get(f"{BASE}/{task_id}", headers=HEADERS).json()["data"]
    if task["status"] == "success":
        video = requests.get(task["output"][0]["url"]).content
        open("clip.mp4", "wb").write(video)
        break
    if task["status"] == "fail":
        raise RuntimeError(task.get("error"))
    time.sleep(10)

Una nota operativa: output[0].url es un enlace temporal con una marca de tiempo expireAt. En cuanto la tarea tenga éxito, descarga el archivo de inmediato y guárdalo en tu propio bucket: aquí puedes ver qué pasa si no lo haces.

Receta 1: movimiento de producto con cámara bloqueada

El bucle clásico de imagen principal de e-commerce: el producto se mueve, la cámara no. Empezamos con esta foto de estudio de una caja de auriculares cerrada, creada con gpt-image-2:

Prompt:

充电盒盖平滑向上打开，两枚哑光黑色耳机缓慢从盒中升起，悬停在盒子上方，同时同步缓慢旋转。它们转动时，柔和的影棚光在其表面闪过。相机完全锁定不动；浅景深将焦点保持在耳机上。干净、高级的产品发布美学，无镜头运动。

Parámetros: resolution: 720P, duration: 5: coste $0,50.

Salida en un solo intento:

El modelo creó por su cuenta el interior de la caja y los propios auriculares —en el fotograma de entrada no existía ninguno de los dos— y mantuvo la coherencia del reflejo en el mármol mientras la tapa oscilaba. Dos cosas del prompt fueron clave: el estado del objeto se nombra en orden (se abre la tapa → suben los auriculares → flotan → giran sincronizados), y a la cámara se le pide explícitamente que no haga nada, y se dice dos veces (completamente bloqueada e inmóvil… sin movimiento de cámara). Las restricciones negativas de movimiento se respetan; sin ellas, los modelos i2v suelen añadir deriva o zoom que no pediste.

Receta 2: microactuación de retrato

Animar a una persona es justo donde i2v aporta valor: el casting, el vestuario y la iluminación ya los resuelve el fotograma. La entrada también viene de gpt-image-2:

Prompt:

女子轻轻举起杯子，缓慢安静地啜饮一口，然后放下杯子，转头望向布满雨痕的窗外，露出柔和的微笑。热气从杯口袅袅升起；雨滴在她身后的玻璃上滑落。她移动时头发微微晃动。相机保持静止，焦点从杯子柔和地拉到她的脸上。温暖、从容、电影般的运动。

Parámetros: resolution: 720P, duration: 5: coste $0,50.

Salida en un solo intento:

La receta aquí es una cadena de dos o tres acciones pequeñas en un orden explícito (levantar → beber → bajar → girar la cabeza → sonreír). wan2.7 las ejecuta una por una en el orden escrito, y eso es justo lo que hace que el clip se lea como una actuación en lugar de un GIF en bucle. La otra mitad es el movimiento secundario: el vapor, las gotas de lluvia y el pelo son fáciles de pedir y cargan buena parte del realismo. Mantén la dirección facial suave («sonrisa suave», no «carcajada»): las microexpresiones sobreviven; las exageradas son una apuesta.

Receta 3: movimiento de cámara sobre una escena estática

El reverso de la receta 1: el mundo está quieto, la cámara viaja. Fotograma de entrada: un amplio pueblo costero a la hora dorada:

Prompt:

缓慢的电影式推近：相机在水面上方向前滑行，朝悬崖村庄推进，然后随着继续前进，平滑过渡为沿海岸线向右的轻柔平移。海浪拍打下方的岩石；海鸥缓慢掠过画面。黄金时刻的光线保持恒定。平滑、稳定的云台式运动，无剪辑。

Parámetros: resolution: 720P, duration: 4: coste $0,40.

Salida en un solo intento:

Compara el último segundo del clip con el fotograma de entrada: la cámara sí se movió —el pueblo llena el encuadre, la paralaje entre el acantilado y las colinas del fondo es correcta— y no es un falso zoom Ken Burns. El patrón es: nombra el movimiento, ordena los movimientos, define el estilo del movimiento. «Acercarse y luego desplazarse a la derecha» le da la trayectoria; «con steadicam, sin cortes» fija la amortiguación; «la luz se mantiene constante» evita que la hora dorada se convierta en un time-lapse ante tus ojos.

Chuleta

Combinando estas recetas y nuestras pruebas anteriores, los prompts de wan2.7 i2v siguen cinco reglas:

1. El fotograma es la escena; el prompt es el movimiento. No vuelvas a describir la imagen: usa solo los sustantivos de la imagen como anclas de los verbos («tapa», «taza», «costa»).
2. Una sola actuación del sujeto + una instrucción de cámara por clip. Si superpones las dos complejidades, el clip corto se vuelve caótico.
3. Escribe las indicaciones de escena en orden. El modelo ejecuta las cadenas de acciones en el orden escrito: ese es tu control de la línea temporal en un clip de 5 segundos.
4. Di qué no debe moverse. «La cámara permanece bloqueada e inmóvil» y «la luz se mantiene constante» se respetan y frenan la deriva por defecto del modelo.
5. Cambia movimiento ambiental por realismo. Vapor, lluvia, olas, aves: cada uno solo necesita una frase corta y aporta mucho a la calidad percibida.

Costes

wan2.7-video/image-to-video factura por segundo según la tarifa estándar, con un precio que depende de la resolución de salida:

Resolución	Precio	Clip de 5 s	Clip de 15 s (máximo)
720P	$0,10 por segundo	$0,50	$1,50
1080P	$0,167 por segundo	$0,835	$2,505

Los tres clips de este artículo —14 segundos de vídeo 720P completados (medidos en la salida real a 1280×720, 30 fps)— costaron en total $1,40, y todo el lote de tareas se completó unos nueve minutos después del envío, porque las tareas se ejecutan en paralelo en el servidor. Las tarifas vigentes siempre se pueden consultar en la página de precios.

Si quieres movimiento pero no quieres buscar primero un fotograma, el wan2.7-video/text-to-video de la misma familia funciona con el mismo precio por segundo y admite audio nativo y el mismo límite de 15 segundos: lo cubrimos de principio a fin en la guía de vídeo de formato corto.

Pruébalo

Elige cualquiera de los tres prompts de arriba, cámbialo por tu propio primer fotograma y en pocos minutos tendrás un clip por bastante menos de un dólar. La página del modelo wan2.7-video/image-to-video ofrece una referencia de parámetros en vivo y un playground interactivo: empieza con un clip de 4 segundos en 720P ($0,40), itera sobre el prompt y luego decide si envías un render en 1080P.