Wan 2.7 テキストtoビデオプロンプトレシピ：そのままコピーできる3つのプロンプトと実際の出力

テキストtoビデオはプロンプト制作の深い沼です。イメージtoビデオなら、モデルに1フレームを渡して動きを説明するだけで済みます——その手法はすでにこちらで紹介しました。しかしテキストtoビデオには映像がありません。1つの文章が、シーン、被写体の演技、カメラ、ビジュアルスタイル、そして——wan2.7 は音声をネイティブ生成するため——伴奏音楽まで担わなければならないのです。

本ガイドでは、wan2.7-video/text-to-video（Alibaba の通義万相 2.7 テキストtoビデオモデル）向けに、そのままコピーできる3つのプロンプトレシピを提供します。それぞれが、テキストtoビデオのプロンプトが必ず果たすべき1つのタスクに対応しています：フォトリアルなシーン、固定されたビジュアルスタイル、そして物語的な見せ場を伴うカメラワークです。以下の各クリップは、その横に記載されたプロンプトによる実際の一度きりの出力で、hiapi のタスク API を通じて生成されました——シードをまたいだ選別も、リトライもありません。3つのクリップを合わせたコストは $1.84 です。

リクエスト構造（まずはこちらをお読みください）

wan2.7 テキストtoビデオは hiapi の非同期タスクエンドポイントで動作し、入力は驚くほど小さく、わずか3つのフィールドだけです：

• prompt——映画全体：シーン、アクション、カメラ、スタイル、音。
• resolution——列挙値：720P または 1080P のみで、他の選択肢はありません。
• duration——秒単位で、上限は15です。

メディア配列も、アスペクト比の設定も、ネガティブプロンプトのフィールドもありません。i2v の姉妹モデルとは異なり、ここではアップロードすべきものが何もない——だからこそプロンプトがより一層働かなければならないのです。

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/text-to-video",
    "input": {
      "prompt": "Night street food market in a narrow alley. A cook in a white apron tosses noodles in a flaming wok...",
      "resolution": "720P",
      "duration": 5
    }
  }'

レスポンスはすぐに taskId を返します。GET /v1/tasks/{taskId} をポーリングし、status が success になるまで待ってから output[0].url をダウンロードしてください。返される内容について知っておくべき点が2つあります：

• ファイルには実際の音声トラックが含まれます。本記事の各クリップは H.264、30 fps で納品され、プロンプト内の音の手がかりに基づいて生成された AAC 音声を伴います——レベルを確認しましたが、無音のプレースホルダートラックではありませんでした。
• 出力 URL は期限切れになります。タスク成功後すぐにファイルをダウンロードして自分のストレージバケットに保存してください——そうしないとどうなるかはこちらをご覧ください。

レシピ 1：フォトリアルなシーン

基本スキル：5秒間が「AI 動画」ではなく実写素材のように見えるものを作ること。レシピは順序立った積み重ねです——シーン、被写体の動作、背景の生活感、カメラ、音、レンズスタイル——それぞれに1つの節を：

Night street food market in a narrow alley. A cook in a white apron tosses
noodles in a flaming wok; sparks and steam burst upward, glowing under a
string of red lanterns. Customers drift past as soft bokeh in the background.
The camera slowly dollies in toward the wok. Sizzling oil crackles over the
low murmur of the crowd and distant rain. Cinematic handheld feel, 35mm lens,
shallow depth of field, warm tungsten highlights against cool blue shadows.

パラメータ：resolution: 720P、duration: 5——コスト $0.50。

一度きりの出力：

モデルが各レイヤーをどう扱ったかを観察してください：鍋の炎と蒸気はアニメーションし続け、通行人はピントの外れた形として画面を横切り、プロンプトが配置した通りの位置（「背景の柔らかなボケ」）にあり、ドリーインは本物です——4秒目には鍋が画面を埋め尽くします。音をオンにすると：ジュージューという音が人混みの低いざわめきの上に浮かび上がり、それは音声の節から直接来ています。構造的なコツは各要素にちょうど1つの節、カメラにはちょうど1つの指示を与えることです。フォトリアルなプロンプトは、詳細が足りないからではなく、詰め込みすぎで失敗するのが最も多い——1つの文章に3つのカメラアイデアと天気システムを押し込んでしまうのです。

レシピ 2：固定されたスタイル

テキストtoビデオの第2の用途：媒体そのものがメッセージであるスタイライズされたコンテンツ。レシピはスタイル宣言で始まり、その後すべての物体をその素材の世界に留め——音声もスタイルに合わせます：

Handcrafted paper-cutout stop-motion style. A tiny paper sailboat rides
rolling waves made of layered blue cardboard; a paper whale surfaces beside
it, spouting a burst of white paper confetti, then dives back under. The sun
is a crinkled gold-foil disc in a construction-paper sky. Slightly jittery
stop-motion cadence, soft studio light, visible paper grain and hand-cut
edges throughout. Gentle ukulele plucks over a soft ocean whoosh.

パラメータ：resolution: 720P、duration: 5——コスト $0.50。

一度きりの出力：

スタイルはすべてのフレームで保たれています：波は明らかに積層した段ボールが互いに滑り合うもので、クジラは水ではなく白い紙吹雪を噴き出し、金箔の太陽は光が差し込む中でその皺の質感を保っています。アクションの連鎖は書かれた順に実行されます——クジラが浮上し、潮を噴き、再び潜る——これが5秒クリップにおけるタイムライン制御です。このレシピを支える2つのルール：最初の文でスタイルを宣言する（プロンプトの中ほどに埋もれたスタイル語は写実性に浸食されます）、そしてあらゆる物理効果を媒体へと変換する——「水しぶき」ではなく「紙吹雪」を求めることが、スタイルとフィルターの違いなのです。

レシピ 3：物語的な見せ場を伴うカメラワーク

純粋なカメラの作家性：シーンは単なる舞台装置であり、カメラが内容そのものです。動きを名づけ、それに軌跡を与え、そして——ほとんどのプロンプトが飛ばす部分——結末を与えます：

FPV drone shot racing low over a turquoise river through a narrow slot canyon
at sunrise, banking left and right with the curves of the canyon walls, then
pulling up sharply over the rim to reveal a vast desert plain glowing gold in
the morning haze. Motion blur on the near canyon walls, lens flare as the sun
crests the rim, smooth confident racing-drone motion, no cuts. Rushing wind
and a deep ambient synth swell that opens up on the reveal.

パラメータ：resolution: 1080P、duration: 5——コスト $0.835。

一度きりの出力：

このクリップには本物の弧があります：4秒間は峡谷を傾きながら駆け抜け、近くの壁にはモーションブラーがかかり、その後急上昇して見せ場を果たします——日の光に照らされた砂漠が地平線まで広がります。その弧はプロンプトの形から来ています：低空で疾走 → 峡谷の曲線に合わせて傾く → 急上昇 → 見せ場で締める。目的地のある軌跡は、カメラの形容詞をいくつも並べるより常に勝ります。音声の指示に注目してください——「シンセのスウェルが見せ場で開く」はサウンドデザインをカメラの物語のビートに結びつけており、これは単一のプロンプトから実行できるネイティブ音声モデルならではのことです。

クイックリファレンス

これらの実行と、本記事に選ばれなかった試行から抽出した5つのルール：

1. 文の順序があなたのタイムライン。wan2.7 は書かれた順にアクションを再生します——プロンプトを描写としてではなく、舞台指示のように並べましょう。
2. スタイルから始める。最初の文がレンダリングモードを設定します。写実性がデフォルトなので、スタイル語は早い段階でそれに打ち勝たなければなりません。
3. 1クリップにつき1つのカメラ指示。ドリーイン、または FPV 飛行、または固定カメラ。動きを積み重ねると互いに打ち消し合ってぼやけたものになります。
4. 伴奏音楽を書き出す。音声の節が1つ——何が鳴り、何がその下にあるか——あれば、伴奏付きのクリップが無料で手に入ります。プロンプトの沈黙は出力の沈黙を意味しません。それはモデルが推測していることを意味します。
5. 動きに目的地を与える。「縁を越えて急上昇し平原を見せる」は弧を生み、「ダイナミックなドローン空撮」はさまよいを生みます。

コストはいくらか

wan2.7-video/text-to-video は出力動画の秒単位で課金され、料率は解像度によって決まります：

解像度	価格	5秒クリップ	15秒クリップ（最長）
720P	$0.10 / 秒	$0.50	$1.50
1080P	$0.167 / 秒	$0.835	$2.505

本記事の3つのクリップ——10秒の 720P に5秒の 1080P、すべてネイティブ音声付き——の合計コストは $1.84 で、タスクはサーバー側で並列に実行されるため、バッチ全体のファイルが最初の送信から約6分以内にすべて保存されました。最新の料率は常に料金ページにあります。

試してみる

すでに気に入った画像があるなら、wan2.7-video/image-to-video が同じ秒単位の価格でそれにアニメーションを加えます——i2v レシピ記事は本記事の姉妹編です。説明はできるけれどうまく撮れていないものすべてについては、上記のプロンプトのいずれかを取り、名詞を入れ替えてタスク API に送信してください——wan2.7-video/text-to-video モデルページにはライブのパラメータリファレンスがあります。720P の初稿は $0.50 で数分以内に返ってきます。1080P は試行を重ねて耐えうるプロンプトに取っておきましょう。