Wan 2.7 Image

Panoramica

wan2.7-image/text-to-image è la linea text-to-image della serie Wan di Alibaba, accessibile su HiAPI.ai tramite un'interfaccia unificata. Riceve prompt in cinese e inglese per generare immagini, con risoluzioni opzionali 1K e 2K e otto rapporti d'aspetto, e supporta un seed casuale fisso per riprodurre lo stesso risultato; attivando la modalità di ragionamento avanzato, il modello prima ragiona e poi genera l'immagine, scambiando un tempo di generazione più lungo con una qualità visiva superiore. È adatto a sviluppatori che necessitano di produrre materiali visivi in batch e che richiedono specifiche di immagine e riproducibilità dei risultati, per flussi di produzione come immagini per poster, scene per e-commerce e bozzetti di storyboard.

Punti salienti

• Interruttore di ragionamento avanzato, qualità e tempo selezionabili——thinking_mode è disattivato per impostazione predefinita; una volta attivato, il modello prima ragiona e poi genera l'immagine, permettendo di passare agilmente in base alle esigenze aziendali di qualità dell'immagine e tempo di attesa.
• Seed fisso, risultati riproducibili——passando seed è possibile riprodurre la stessa immagine, utile per controllare le variabili e ottenere output stabili durante il debug dei prompt o la generazione in batch.
• Rapporti d'aspetto dal verticale all'ultra-wide orizzontale——oltre ai rapporti comuni come 1:1, 16:9 e 9:16, sono disponibili anche 21:9, 8:1 e 1:8, adattabili direttamente a banner, materiali verticali e impaginazioni ultra-wide.

Descrizione delle capacità

Text-to-image in cinese e inglese: i prompt supportano cinese e inglese, fino a 5000 caratteri; gli sviluppatori possono descrivere la scena direttamente in cinese o riutilizzare prompt in inglese, riducendo i costi di riscrittura tra lingue.

Controllo di risoluzione e formato: l'output può essere selezionato tra 1K e 2K abbinato a otto rapporti d'aspetto; con una sola chiamata si ottiene un'immagine finita conforme alle specifiche del formato, riducendo ritagli e ridimensionamenti in post-produzione.

Generazione con ragionamento avanzato: attivando thinking_mode si migliora la qualità dell'immagine ma aumenta il tempo di elaborazione; è possibile scegliere a livelli in base all'importanza del materiale, ad esempio disattivandolo in fase di bozza e attivandolo in fase di versione finale.

Risultati riproducibili: fissando la casualità tramite seed, lo stesso prompt e gli stessi parametri producono ripetutamente lo stesso risultato, facilitando confronti di regressione e verifiche dei risultati nella produzione in batch.

Casi d'uso

• Generazione in batch di immagini per campagne da parte di sviluppatori marketing——inserendo il tema della campagna e la descrizione della scena, si generano immagini in 16:9 o 1:1, producendo illustrazioni inseribili direttamente in landing page e materiali pubblicitari.
• Creazione di immagini di scena per prodotto in sistemi e-commerce——usando come prompt i testi dei punti di forza del prodotto si generano immagini di scena, da usare come materiali di presentazione per pagine di dettaglio e pagine di elenco prodotti.
• Bozzetti di storyboard e sceneggiatura per team di contenuti——scrivendo i prompt scena per scena secondo la sceneggiatura e fissando il seed, si producono immagini di riferimento per lo storyboard riproducibili, da usare nelle revisioni creative iniziali.
• Adattamento a più formati——la stessa descrizione può essere generata in rapporti come 21:9, 3:4 e 1:8, producendo set di materiali per formati banner, verticali e ultra-wide.

Limiti e consigli di selezione

Questa linea è puramente text-to-image, non accetta input di immagini di riferimento e non offre capacità di editing o inpainting; la risoluzione massima dell'output è 2K, quindi per immagini 4K occorre passare alla linea Pro della stessa serie. Se l'attività richiede coerenza tra più immagini, modifiche a comando o editing puntuale, la linea attuale non è in grado di coprirla. Il rendering del testo nei prompt non è garantito; le immagini finite con requisiti di impaginazione precisa e colori di brand richiedono comunque una verifica manuale. I risultati di generazione sono fortemente influenzati dalla formulazione del prompt; si consiglia di fare prima prove con impostazioni più basse e seed fisso, poi generare in batch.