万相-参考生视频模型支持 多模态输入 （文本/图像/视频/音频），可将人物或物体作为主角，根据提示词生成自然生动的表演视频。
快速入口：API参考｜Prompt指南
在调用前，先获取与配置 API Key，再配置API Key到环境变量。通过SDK进行调用，请安装DashScope SDK。
支持模型：
支持模型：
支持模型：
参考生视频API参考
A：引用方式取决于所使用的模型和功能：
A：不推荐。
快速开始
| 输入提示词：视频1抱着图3，在图4的椅子上弹奏一支舒缓的乡村民谣，并说道：“今天的阳光真好。”图1手中拿着图2，路过视频1，把手中的图2放到视频1旁边的桌子上，并说道：“真好听，能不能再唱一遍”。 | |||||
输入图像（图1）参考人物 | 输入视频（视频1）参考人物 | 输入图像（图2）参考物体 | 输入图像（图3）参考物体 | 输入图像（图4）参考背景 | 输出视频（多镜头，有声视频） |
 | 输入参考音色： |  |  |  | |
- Python SDK
- Java SDK
- curl
适用范围
- 各地域支持的模型有所差异，且资源相互独立。各地域支持的模型请参见百炼控制台。
- 调用时，确保模型、Endpoint URL 和 API Key 均属于同一地域，跨地域调用将会失败。
本文的示例代码适用于北京地域。如使用其他地域，请参见API参考。
核心能力（wan2.7模型）
单图参考（多宫格图）
支持模型：wan2.7系列模型。
功能介绍：输入一张多宫格图（故事板），模型自动识别多宫格布局，生成角色、场景和镜头一致的视频。建议单次仅传入一张多宫格图。
参数设置：
media.type：设置为reference_image（参考图像）。media.url：多宫格图像的 URL 或 base64 编码字符串。prompt：当参考素材有且仅有一张图片或一个视频，则可表述为“参考图片”或“参考视频”。
| 输入提示词：参考图片 ，3D卡通冒险电影风，角色Q版但材质细腻，动作流畅，色彩鲜明，保持角色与森林场景一致，不要加入文字。氛围： 冒险、轻快、神秘、童趣。角色： 小男孩探险家：圆帽、背包、短斗篷。小伙伴：会飞的小机器人，圆形身体，蓝色发光眼。场景： 奇幻森林，巨大树根、蘑菇、藤蔓、藏宝洞口、阳光光束。分镜脚本： 1. 全景：奇幻森林里高大树木与光束交错，环境神秘明亮。 2. 中景：小男孩拨开藤蔓向前探路。 3. 中景：小机器人飞在他身边，用蓝光扫描前方。 4. 特写：一张旧藏宝图在男孩手里展开。 5. 近景：他露出兴奋表情，眼睛亮起来。 6. 动作镜头：两人跳过树根和小溪，继续深入森林。 7. 中景：藤蔓后方露出一个被苔藓覆盖的宝箱。 8. 特写：宝箱边缘闪出金色光芒。 9. 收束镜头：男孩和小机器人站在宝箱前惊喜对望，冒险感拉满。 | |
| 输入多宫格图像 | 输出视频 |
 | |
| 输入提示词：参考图片，韩漫风格，夜晚灯光柔和，人物表情细腻，场景统一，图中不要出现文字。氛围： 治愈、安静、微孤独、温柔。角色： 女主：打工结束的年轻女生，长外套，疲惫但温柔。店员少年：便利店夜班店员，清爽短发。场景： 深夜便利店，暖白灯，货架整齐，玻璃门外有细雨和街灯。分镜脚本： 1. 全景：深夜便利店在雨夜街角亮着暖白色灯光。 2. 中景：女主推门走进店里，肩上还带着夜雨湿气。 3. 近景：她疲惫地站在热饮柜前，轻轻发呆。 4. 中景：店员少年从收银台抬头看见她。 5. 特写：热饮柜的橙色灯光映在她手边。 6. 近景：女主拿起一罐热饮，神情稍微放松。 7. 近景：店员朝她露出温和而克制的笑并说：”今天也辛苦啦。” 8. 中景：女主回以浅浅笑意，疲惫感被冲淡。 9. 收束镜头：她捧着热饮站在店门前，看着雨夜，便利店灯光把背影映得很温柔。 | |
| 输入多宫格图像 | 输出视频 |
 | |
- Python SDK
- Java SDK
- curl
请确保 DashScope Python SDK 版本不低于 1.25.16，可参考安装SDK进行更新。
多主体参考+音色定制
支持模型：wan2.7系列模型。
功能介绍：支持传入多个参考图像和参考视频作为主体素材，并可为每个主体独立指定音色，实现多角色同框互动与音色区分。
参数设置：
-
media：参考素材数组。-
media.type：支持reference_image（参考图像）和reference_video（参考视频）。参考图像 + 参考视频 ≤ 5。 -
media.url：素材的 URL；图像还支持 base64 编码字符串。 -
media.reference_voice（可选）：为主体指定音色的音频 URL，推荐与reference_image或reference_video搭配使用。 音频生效逻辑：若reference_video本身包含音频且未指定reference_voice，默认使用视频原声；若同时传入，reference_voice将覆盖视频原声。
-
-
prompt：在提示词中指代参考素材，规则如下：- 使用“图1、图2”指代
reference_image素材，使用“视频1、视频2”指代reference_video素材，英文提示词则写为“Image 1”、"Video 1”这类标识。 - 按照
media数组定义参考素材的引用顺序，图和视频分别计数。
- 使用“图1、图2”指代
| 输入提示词：视频1抱着图3，在图4的椅子上弹奏一支舒缓的乡村民谣，并说道：“今天的阳光真好。”图1手中拿着图2，路过视频1，把手中的图2放到视频1旁边的桌子上，并说道：“真好听，能不能再唱一遍”。 | |||||
输入图像（图1）参考人物 | 输入视频（视频1）参考人物 | 输入图像（图2）参考物体 | 输入图像（图3）参考物体 | 输入图像（图4）参考背景 | 输出视频（多镜头，有声视频） |
| 输入参考音色： | | | | |
| 输入提示词：图2从画面左侧深处走来，随后切换到图2的特写，图1正靠在右侧图片3充满锈迹的墙壁上发呆。她注意到了脚步声，缓缓转头。 图1看到图2后，图1说：“你怎么还是来了？”图2回答：“我们谈谈吧。” | |||
输入图像（图1）参考人物 | 输入图像（图2）参考人物 | 输入图像（图3）参考物体 | 输出视频（多镜头，有声视频） |
 |  |  | |
- Python SDK
- Java SDK
- curl
请确保 DashScope Python SDK 版本不低于 1.25.16，可参考安装SDK进行更新。
多主体参考+首帧控制
支持模型：wan2.7系列模型。
功能介绍：在主体参考基础上加入首帧控制，让画面构图和内容走向更加可控。
参数设置：
-
media：参考素材数组。-
media.type：支持first_frame、reference_image（参考图像）和reference_video（参考视频）。 首帧图像最多1张，参考图像和参考视频至少传入1个，参考图像 + 参考视频 ≤ 5。 -
media.url：素材的 URL；图像还支持 base64 编码字符串。
-
-
prompt：在提示词中指代参考素材，规则如下：- 使用“图1、图2”指代
reference_image素材，使用“视频1、视频2”指代reference_video素材，英文提示词则写为“Image 1”、"Video 1”这类标识。 - 按照
media数组定义参考素材的引用顺序，图和视频分别计数。 - 首帧无需在提示词中引用。
- 使用“图1、图2”指代
| 输入提示词：俯拍在一个蓝色的星球上，镜头逐渐推进到星球上面给到图1特写，他拿着图2，一边吃着图2，一边说：“怎么没人找我来玩呀？” | |||
输入首帧参考首帧 | 输入图像（图1）参考主体 | 输入图像（图2）参考物体 | 输出视频以首帧的宽高比生成视频 |
 |  |  | |
- Python SDK
- Java SDK
- curl
请确保 DashScope Python SDK 版本不低于 1.25.16，可参考安装SDK进行更新。
如何输入参考素材
- wan2.7系列模型
参考图像、视频和音频均传入
media数组。输入图像
-
首帧数量：首帧（
media.type=first_frame）最多1张。 -
参考图像数量：参考图像（
media.type=reference_image）最多5张，同时满足参考图像 + 参考视频 ≤ 5。 -
输入方式：
- 公网URL：支持 HTTP 或 HTTPS 协议。示例：https://xxxx/xxx.png。
- 临时URL：支持OSS协议，必须通过上传文件获取临时 URL。示例：oss://dashscope-instant/xxx/xxx.png。
-
Base64 编码字符串：遵循
data:{MIME_type};base64,{base64_data}的格式，其中：- {base64_data}：图像文件经过 Base64 编码后的字符串。
-
{MIME_type}：图像的媒体类型，需与文件格式对应。
图像格式
MIME Type
JPEG
image/jpeg
JPG
image/jpeg
PNG
image/png
BMP
image/bmp
WEBP
image/webp
输入视频
-
参考视频数量：参考视频（
media.type=reference_video）最多5个，同时满足参考图像 + 参考视频 ≤ 5。 -
输入方式：
- 公网URL：支持 HTTP 或 HTTPS 协议。示例：https://xxxx/xxx.mp4。
- 临时URL：支持OSS协议，必须通过上传文件获取临时 URL。示例：oss://dashscope-instant/xxx/xxx.mp4。
输入音频
-
使用限制：参考音色（
media.reference_voice）只能与reference_image或reference_video搭配使用，为对应主体角色指定音色。 -
输入方式：
- 公网URL：支持 HTTP 或 HTTPS 协议。示例：https://xxxx/xxx.mp3。
- 临时URL：支持OSS协议，必须通过上传文件获取临时 URL。示例：oss://dashscope-instant/xxx/xxx.mp3。
输出视频
- 视频个数：1个。
- 视频规格：格式为MP4。详细规格请参见支持的模型。
- 视频URL有效期：24小时。
-
视频尺寸：
-
wan2.7系列模型：通过
resolution控制分辨率档位（720P/1080P），通过ratio控制宽高比（16:9、9:16、1:1、4:3、3:4）。- 传入首帧图像时：
ratio参数被忽略，输出视频的宽高比与首帧图像近似。 - 未传入首帧图像时：由
ratio参数指定宽高比，默认为 16:9。
- 传入首帧图像时：
-
wan2.7系列模型：通过
计费与限流
- 模型免费额度和计费单价请参见万相-参考生视频。
- 模型限流请参见万相系列。
-
计费说明：
- 输入图像不计费，输入视频和输出视频按 视频秒数计费。
- 模型调用失败或处理错误不产生任何费用，也不消耗新人免费额度。
-
计费公式：
总计费时长（秒） = 输入视频计费时长（秒） + 输出视频时长（秒）。- wan2.7系列模型
- wan2.6系列模型
输入视频计费时长：上限 5 秒。单个视频截断上限 = 5秒 ÷ 输入参考视频数量（参考图像和首帧图像均不计入），每个视频按min(实际时长, 截断上限)计费，多个视频累加。- 1 个参考视频：单个视频截断上限 5秒。
- 2 个参考视频：单个视频截断上限 2.5秒。
- 3 个参考视频：单个视频截断上限 1.65秒。
- 4 个参考视频：单个视频截断上限 1.25秒。
- 5 个参考视频：单个视频截断上限 1秒。
- 示例：若输入2个参考视频+1张图像，图像不计入，按2个参考视频计算截断上限为2.5秒，
输入计费时长=min(视频1时长，2.5s)+ min(视频2时长，2.5s)。
API文档
参考生视频API参考
常见问题
Q：如何在提示词中引用参考素材？
A：引用方式取决于所使用的模型和功能：
- wan2.7系列模型
- 参考图像通过“图1、图2”这类标识指代，参考视频通过“视频1、视频2”这类标识指代。英文提示词则写为“Image 1”、"Video 1”这类标识。
- 图和视频分别计数。顺序与
media数组中同类型素材的顺序一致。 - 若参考素材有且仅有一张图片或一个视频，可简化为“参考图片”或“参考视频”。
- 首帧图像通常无需在提示词中引用。
Q：reference_voice 可以与首帧图像搭配使用吗？
A：不推荐。media.reference_voice 推荐与 reference_image（参考图像）或 reference_video（参考视频）搭配使用，用于为对应主体指定音色。