Exemplos de prompts do Wan2.7 image-to-video: uma vitrine de tênis no estilo de anúncio publicitário

Uma foto estática de tênis não é um anúncio. O que a torna um anúncio é a linguagem da câmera: um enquadramento fixo, uma rotação, uma atmosfera e um facho de luz que pode incidir sobre ele. O curta abaixo começa com uma foto de produto e um prompt, gerado com wan2.7-video/image-to-video. A seguir, analisamos o prompt frase por frase e mostramos a chamada completa da API para reproduzir o clipe.

Prompt completo

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

Seis orações, seis funções. Veja o que cada frase realmente faz.

1. "Camera holding a steady low-angle shot" (câmera mantendo um enquadramento fixo em ângulo baixo)

Este é o ponto de ancoragem, com uma instrução explícita: manter, não deslocar nem orbitar. O wan2.7-video/image-to-video gera a animação a partir da imagem first_frame, então o modelo já sabe de onde a câmera parte — um ângulo baixo que olha levemente para cima do produto. Dizer a ele para manter essa posição impede que o modelo derive para um zoom lento ou um movimento de avanço, que é a forma mais comum de uma renderização i2v boa arruinar silenciosamente a própria composição. O ângulo baixo é especificado porque essa convenção faz o tênis parecer desejável, em vez de uma miniatura de catálogo — é a composição que os anúncios de tênis usam desde os anos 90.

2. "Rotating slowly on a reflective dark surface" (girando lentamente sobre uma superfície escura e reflexiva)

O prato giratório é a técnica mais antiga da fotografia de produto e sobrevive no vídeo porque é uma forma barata de mostrar o objeto de todos os ângulos em um plano contínuo, sem cortes. Lentamente é essencial — rotação rápida parece truque, rotação lenta parece reverência. A superfície escura e reflexiva tem dupla função: dá à névoa um suporte para refratar a luz, e o reflexo tênue do tênis abaixo faz a cena parecer montada em estúdio, e não fotografada sobre uma bancada.

3. "Swirling white mist rising and curling around it" (névoa branca rodopiante que sobe e se enrola ao redor)

A névoa é pura atmosfera — ela não toca o produto, mas é o que separa uma renderização de matéria-prima de algo que parece ter custado dinheiro. Swirling (rodopiante) e curling (enrolando-se) são verbos de movimento, e verbos de movimento importam mais em prompts i2v do que em prompts text-to-image, porque o modelo precisa decidir o que exatamente se move durante o clipe. Sem essas palavras, "mist" pode ser renderizada como uma bruma estática embutida no primeiro quadro, em vez de algo que se desenvolve ao longo do tempo.

4. "Soft cinematic light" + "subtle rim lighting catching the sneaker sole" (luz cinematográfica suave + luz de contorno sutil capturando a sola do tênis)

Essas duas orações fazem trabalhos diferentes, e ambas precisam estar no prompt — não dá para deixar só uma. Luz cinematográfica suave define a exposição geral — uniforme, lisonjeira, em vez de um flash de estúdio estourado. Luz de contorno capturando a sola é a instrução protagonista: ela nomeia o detalhe exato que a luz deve esculpir. A borda da sola e o desenho do solado são onde a fotografia de tênis costuma se destacar, e nomear isso explicitamente é o motivo pelo qual a renderização apresenta uma borda luminosa precisa na lateral da sola, em vez de um brilho uniforme genérico. Remova essa oração e normalmente se obtém apenas luz suave, sem realce focal.

5. "Product-commercial mood" + "shallow depth of field" (clima de anúncio de produto + profundidade de campo rasa)

Tags de clima são instruções de gênero — empurram a correção de cor, o ritmo e a composição para o estilo publicitário, em vez de documentário ou material amador. Profundidade de campo rasa é a instrução técnica que faz isso funcionar: o desfoque de fundo é a pista visual mais rápida de que se trata de uma sessão de produto profissional e não de uma foto de celular. Juntas, elas fazem o trabalho que, numa produção real, cabe ao colorista e à escolha de lente.

Executando no hiapi

O wan2.7-video/image-to-video roda na API de tarefas assíncronas do hiapi — você envia uma imagem mais um prompt e depois consulta até o clipe estar pronto:

# 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"

Antes de investir um orçamento real nisso, algumas dicas práticas:

• input.duration aceita de 2 a 15 segundos (padrão 5), e input.resolution é 720P ou 1080P (padrão 1080P) — a tabela completa de parâmetros está na página do modelo wan2.7-video/image-to-video.
• Este endpoint não tem campo ratio ou aspect_ratio. A orientação da saída segue a imagem de origem — o clipe da galeria acima é renderizado em 720×1280 porque o quadro de origem já era vertical. Fotografe ou recorte o quadro estático na orientação em que você quer que o vídeo final apareça.
• O preço é uma taxa fixa por segundo: 720P custa $0.10/s e 1080P custa $0.167/s — portanto, um clipe de 5 segundos em 720P sai por cerca de $0.50, e um de 5 segundos em 1080P por cerca de $0.84. Antes de aumentar o volume, confirme as taxas atuais na página de preços do hiapi, pois resolução e duração afetam o preço total.
• Teste com baixo custo primeiro: 720P + 2 segundos é suficiente para validar que a URL da imagem e o comportamento do prompt estão como esperado, antes de partir para renderizações mais longas e em resolução maior.

Perguntas frequentes

O prompt precisa descrever o movimento de câmera, ou o modelo escolhe um sozinho? Descreva. Se você omitir, o wan2.7-video/image-to-video inventa um movimento de câmera próprio, e esse movimento raramente é o que você quer. Nomear o tipo de câmera ("low-angle") e seu comportamento ("holding", "rotating") é o que mantém a renderização no rumo certo.

Posso controlar o início e o fim do vídeo, em vez de apenas animar uma foto? Pode — troque media por dois itens, usando "type": "first_frame" e "type": "last_frame", e o modelo interpola entre os dois em vez de gerar a animação a partir de uma única imagem. Isso é útil se você já tem fotos de "antes" e "depois" do produto.

Por que especificar "reflective dark surface" em vez de simplesmente "on a table"? Porque o reflexo é a estrutura que sustenta a cena. É ele que duplica visualmente a névoa e a luz de contorno, e é isso que separa grande parte de uma renderização mediana de um resultado com real qualidade comercial — com exatamente as mesmas instruções de iluminação, uma superfície fosca produz um resultado mais plano e menos sofisticado.

prompt_extend altera o que eu escrevi? Ele permite que o modelo expanda prompts curtos com detalhes descritivos extras antes da renderização. Para um prompt específico como este, mantê-lo ativo raramente muda o resultado de forma significativa — mas, para prompts mais curtos, ele pode adicionar ornamentos que você não pediu, então desative-o se precisar de aderência estrita ao texto.

Se você está montando uma biblioteca de planos de produto, a documentação do wan2.7-video/image-to-video também cobre a variante reference-to-video, para manter a consistência do sujeito entre vários prompts — vale a pena conferir quando um único plano de vitrine não basta.