Рецепты промптов для генерации видео из текста в Wan 2.7: 3 промпта для копирования и реальные результаты

Генерация видео из текста — это глубокая вода для промпт-инжиниринга. В режиме «изображение в видео» вы даёте модели один кадр и просто описываете движение — этот подход мы уже разбирали здесь. У «текста в видео» картинки нет: текст должен нести сцену, игру субъекта, камеру, визуальный стиль и — поскольку wan2.7 нативно генерирует звук — ещё и саундтрек.

Это руководство даёт вам три готовых к копированию рецепта промптов для wan2.7-video/text-to-video, то есть для модели «текст в видео» Alibaba Tongyi Wanxiang 2.7, и каждый рецепт закрывает одну задачу, которую обязан решить промпт для «текста в видео»: фотореалистичная сцена, зафиксированный визуальный стиль и движение камеры с повествовательной развязкой. Каждый ролик ниже — реальный, полученный с первого раза результат печатаемого рядом промпта, сгенерированный через task API hiapi — без отбора по сидам, без повторных попыток. Три ролика вместе стоили $1.84.

Структура запроса (прочитайте сначала)

wan2.7 «текст в видео» работает на асинхронном task-эндпоинте hiapi, и вход удивительно мал — всего три поля:

• prompt — весь фильм: сцена, действие, камера, стиль, звук.
• resolution — перечисление: 720P или 1080P, других вариантов нет.
• duration — в секундах, максимум 15.

Нет массива медиа, нет регулятора соотношения сторон, нет поля негативного промпта. В отличие от сестринской модели i2v, здесь нечего загружать — именно поэтому промпту приходится работать усерднее.

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
    }
  }'

Ответ сразу возвращает taskId; опрашивайте GET /v1/tasks/{taskId}, пока status не станет success, затем скачивайте output[0].url. О том, что возвращается, стоит знать две вещи:

• Файлы содержат настоящую звуковую дорожку. Каждый ролик в этой статье отдаётся в H.264, 30 fps, со звуком AAC, сгенерированным по звуковым подсказкам в промпте — мы проверяли уровни, это не тихая заглушка.
• URL вывода истекают. Скачивайте файл и сохраняйте в свой бакет сразу после успешного выполнения задачи — что бывает, если этого не сделать, смотрите здесь.

Рецепт 1: фотореалистичная сцена

Базовый навык: сделать пять секунд, которые выглядят как реальная съёмка, а не «AI-видео». Рецепт — это упорядоченный стек: сцена, действие субъекта, фоновая жизнь, камера, звук, стиль съёмки — по одному придаточному на пункт:

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.

Параметры: resolution: 720P, duration: 5 — стоимость $0.50.

Результат с первого раза:

Посмотрите, что модель сделала с каждым слоем: пламя и пар в воке анимируются непрерывно, прохожие пересекают кадр как расфокусированные формы ровно там, где их поставил промпт («мягкое боке на фоне»), а наезд камеры настоящий — к четвёртой секунде вок заполняет кадр. Включите звук: шипение всплывает поверх гула толпы, прямо из звукового придаточного. Структурный приём в том, что каждый элемент получает ровно одно придаточное, а камера — ровно одну инструкцию. Фотореалистичные промпты чаще всего проваливаются из-за перегруженности — три идеи для кадра и погодная система в одном абзаце — а не из-за нехватки деталей.

Рецепт 2: зафиксированный стиль

Второе применение «текста в видео»: стилизованный контент, где само средство и есть сообщение. Рецепт открывается объявлением стиля, а затем каждый объект остаётся в этом материальном мире — и звук соответствует стилю:

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.

Параметры: resolution: 720P, duration: 5 — стоимость $0.50.

Результат с первого раза:

Стиль сохраняется в каждом кадре: волны явно слоёный картон, скользящий друг по другу, кит выпускает белое конфетти, а не воду, а солнце из золотой фольги сохраняет свою мятую текстуру, когда по нему проходит свет. Цепочка действий выполняется в записанном порядке — кит всплывает, выпускает фонтан, ныряет обратно — вот ваш контроль таймлайна в пятисекундном ролике. Этот рецепт держится на двух правилах: объявляйте стиль в первом предложении (стилевые слова, погребённые в середине промпта, просачиваются к реализму) и переводите каждую физику в материал — просить «конфетти» вместо «брызг» и есть разница между стилем и фильтром.

Рецепт 3: движение камеры с повествовательной развязкой

Чистое авторство камеры: сцена — лишь декорация, а камера и есть содержание. Назовите движение, дайте ему траекторию и — то, что большинство промптов пропускает — дайте ему финал:

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.

Параметры: resolution: 1080P, duration: 5 — стоимость $0.835.

Результат с первого раза:

У ролика настоящая дуга: четыре секунды крена и скольжения по каньону, с размытием движения на ближних стенах, затем рывок вверх и раскрытие — залитая солнцем пустыня до самого горизонта. Эта дуга — из формы промпта: низкий гоночный полёт → крен по изгибам каньона → набор высоты → раскрытие. Траектория с пунктом назначения каждый раз побеждает кучу прилагательных о камере. Обратите внимание на звуковую инструкцию — «синтезаторный крешендо раскрывается на моменте раскрытия» привязывает звуковой дизайн к повествовательному такту камеры, а это то, что может выполнить только модель с нативным звуком из одного промпта.

Шпаргалка

Пять правил, выведенных из этих запусков и тех попыток, что не попали в статью:

1. Порядок предложений — это ваш таймлайн. wan2.7 выполняет действия в записанном порядке — выстраивайте промпт как сценические ремарки, а не как описание.
2. Начинайте со стиля. Первое предложение задаёт режим рендеринга; реализм — это значение по умолчанию, и стилевые слова должны победить его как можно раньше.
3. Одна инструкция для камеры на ролик. Наезд, или FPV-полёт, или статичный кадр. Наложенные движения взаимно гасятся в кашу.
4. Прописывайте саундтрек. Одно звуковое придаточное — что звучит, что под ним — бесплатно даёт ролик с музыкой. Молчание в промпте не означает тишину в выводе; оно означает, что модель догадывается.
5. Дайте движению пункт назначения. «Подняться над краем, чтобы раскрыть равнину» рождает дугу; «динамичный дрон-кадр» рождает блуждание.

Сколько это стоит

wan2.7-video/text-to-video тарифицируется по секундам выходного видео, ставка зависит от разрешения:

Разрешение	Цена	5-секундный ролик	15-секундный ролик (максимум)
720P	$0.10 / сек	$0.50	$1.50
1080P	$0.167 / сек	$0.835	$2.505

Три ролика в этой статье — десять секунд 720P плюс пять секунд 1080P, все с нативным звуком — обошлись в $1.84, и поскольку задачи выполняются на сервере параллельно, весь пакет файлов оказался на диске примерно через шесть минут после первой отправки. Актуальные ставки всегда на странице тарифов.

Попробуйте

Если у вас уже есть любимое изображение, wan2.7-video/image-to-video анимирует его по той же посекундной цене — статья о рецептах i2v является парной к этой. А для всего, что вы можете описать, но ещё не сняли, возьмите любой промпт выше, замените существительные и отправьте в task API — на странице модели wan2.7-video/text-to-video есть актуальный справочник параметров. Черновик в 720P стоит $0.50 и возвращается за считанные минуты; оставьте 1080P для промптов, которые прошли проверку итерациями.