alibaba/wan-2.7/image-edit

Edits and recomposes images with Wan 2.7 image using text instructions, multi-image references, and optional interaction boxes.

IMAGE-TO-IMAGEHOTNEW
Wan-2.7 Image-to-image
Imagen a Imagen

Edits and recomposes images with Wan 2.7 image using text instructions, multi-image references, and optional interaction boxes.

Entrada

Cargando configuración de parámetros...

Salida

Inactivo
Las imágenes generadas se mostrarán aquí
Configura los parámetros y haz clic en ejecutar para comenzar a generar

Cada ejecución costará 0.03. Con $10 puedes ejecutar aproximadamente 333 veces.

Puedes continuar con:

Parámetros

Ejemplo de código

import requests
import time

# Step 1: Start image generation
generate_url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "alibaba/wan-2.7/image-edit",
    "prompt": "A beautiful landscape with mountains and lake",
    "width": 512,
    "height": 512,
    "steps": 20,
    "guidance_scale": 7.5,
}

generate_response = requests.post(generate_url, headers=headers, json=data)
generate_result = generate_response.json()
prediction_id = generate_result["data"]["id"]

# Step 2: Poll for result
poll_url = f"https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}"

def check_status():
    while True:
        response = requests.get(poll_url, headers={"Authorization": "Bearer $ATLASCLOUD_API_KEY"})
        result = response.json()

        if result["data"]["status"] == "completed":
            print("Generated image:", result["data"]["outputs"][0])
            return result["data"]["outputs"][0]
        elif result["data"]["status"] == "failed":
            raise Exception(result["data"]["error"] or "Generation failed")
        else:
            # Still processing, wait 2 seconds
            time.sleep(2)

image_url = check_status()

Instalar

Instala el paquete necesario para tu lenguaje de programación.

bash
pip install requests

Autenticación

Todas las solicitudes de API requieren autenticación mediante una clave de API. Puedes obtener tu clave de API desde el panel de Atlas Cloud.

bash
export ATLASCLOUD_API_KEY="your-api-key-here"

Encabezados HTTP

python
import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}
Mantén tu clave de API segura

Nunca expongas tu clave de API en código del lado del cliente ni en repositorios públicos. Usa variables de entorno o un proxy de backend en su lugar.

Enviar una solicitud

import requests

url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "your-model",
    "prompt": "A beautiful landscape"
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Enviar una solicitud

Envía una solicitud de generación asíncrona. La API devuelve un ID de predicción que puedes usar para verificar el estado y obtener el resultado.

POST/api/v1/model/generateImage

Cuerpo de la solicitud

import requests

url = "https://api.atlascloud.ai/api/v1/model/generateImage"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}

data = {
    "model": "alibaba/wan-2.7/image-edit",
    "input": {
        "prompt": "A beautiful landscape with mountains and lake"
    }
}

response = requests.post(url, headers=headers, json=data)
result = response.json()

print(f"Prediction ID: {result['id']}")
print(f"Status: {result['status']}")

Respuesta

{
  "id": "pred_abc123",
  "status": "processing",
  "model": "model-name",
  "created_at": "2025-01-01T00:00:00Z"
}

Verificar estado

Consulta el endpoint de predicción para verificar el estado actual de tu solicitud.

GET/api/v1/model/prediction/{prediction_id}

Ejemplo de polling

import requests
import time

prediction_id = "pred_abc123"
url = f"https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id}"
headers = { "Authorization": "Bearer $ATLASCLOUD_API_KEY" }

while True:
    response = requests.get(url, headers=headers)
    result = response.json()
    status = result["data"]["status"]
    print(f"Status: {status}")

    if status in ["completed", "succeeded"]:
        output_url = result["data"]["outputs"][0]
        print(f"Output URL: {output_url}")
        break
    elif status == "failed":
        print(f"Error: {result['data'].get('error', 'Unknown')}")
        break

    time.sleep(3)

Valores de estado

processingLa solicitud aún se está procesando.
completedLa generación está completa. Las salidas están disponibles.
succeededLa generación fue exitosa. Las salidas están disponibles.
failedLa generación falló. Verifica el campo de error.

Respuesta completada

{
  "data": {
    "id": "pred_abc123",
    "status": "completed",
    "outputs": [
      "https://storage.atlascloud.ai/outputs/result.png"
    ],
    "metrics": {
      "predict_time": 8.3
    },
    "created_at": "2025-01-01T00:00:00Z",
    "completed_at": "2025-01-01T00:00:10Z"
  }
}

Subir archivos

Sube archivos al almacenamiento de Atlas Cloud y obtén una URL que puedes usar en tus solicitudes de API. Usa multipart/form-data para subir.

POST/api/v1/model/uploadMedia

Ejemplo de carga

import requests

url = "https://api.atlascloud.ai/api/v1/model/uploadMedia"
headers = { "Authorization": "Bearer $ATLASCLOUD_API_KEY" }

with open("image.png", "rb") as f:
    files = {"file": ("image.png", f, "image/png")}
    response = requests.post(url, headers=headers, files=files)

result = response.json()
download_url = result["data"]["download_url"]
print(f"File URL: {download_url}")

Respuesta

{
  "data": {
    "download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
    "file_name": "image.png",
    "content_type": "image/png",
    "size": 1024000
  }
}

Schema de entrada

Los siguientes parámetros se aceptan en el cuerpo de la solicitud.

Total: 0Obligatorio: 0Opcional: 0

No hay parámetros disponibles.

Ejemplo de cuerpo de solicitud

json
{
  "model": "alibaba/wan-2.7/image-edit"
}

Schema de salida

La API devuelve una respuesta de predicción con las URL de salida generadas.

idstringrequired
Unique identifier for the prediction.
statusstringrequired
Current status of the prediction.
processingcompletedsucceededfailed
modelstringrequired
The model used for generation.
outputsarray[string]
Array of output URLs. Available when status is "completed".
errorstring
Error message if status is "failed".
metricsobject
Performance metrics.
predict_timenumber
Time taken for image generation in seconds.
created_atstringrequired
ISO 8601 timestamp when the prediction was created.
Format: date-time
completed_atstring
ISO 8601 timestamp when the prediction was completed.
Format: date-time

Ejemplo de respuesta

json
{
  "id": "pred_abc123",
  "status": "completed",
  "model": "model-name",
  "outputs": [
    "https://storage.atlascloud.ai/outputs/result.png"
  ],
  "metrics": {
    "predict_time": 8.3
  },
  "created_at": "2025-01-01T00:00:00Z",
  "completed_at": "2025-01-01T00:00:10Z"
}

Atlas Cloud Skills

Atlas Cloud Skills integra más de 300 modelos de IA directamente en tu asistente de codificación con IA. Un solo comando para instalar y luego usa lenguaje natural para generar imágenes, videos y chatear con LLM.

Clientes compatibles

Claude Code
OpenAI Codex
Gemini CLI
Cursor
Windsurf
VS Code
Trae
GitHub Copilot
Cline
Roo Code
Amp
Goose
Replit
40+ clientes compatibles

Instalar

bash
npx skills add AtlasCloudAI/atlas-cloud-skills

Configurar clave de API

Obtén tu clave de API desde el panel de Atlas Cloud y configúrala como variable de entorno.

bash
export ATLASCLOUD_API_KEY="your-api-key-here"

Funcionalidades

Una vez instalado, puedes usar lenguaje natural en tu asistente de IA para acceder a todos los modelos de Atlas Cloud.

Generación de imágenesGenera imágenes con modelos como Nano Banana 2, Z-Image y más.
Creación de videosCrea videos a partir de texto o imágenes con Kling, Vidu, Veo, etc.
Chat con LLMChatea con Qwen, DeepSeek y otros modelos de lenguaje de gran escala.
Carga de mediosSube archivos locales para flujos de trabajo de edición de imágenes e imagen a video.

MCP Server

Atlas Cloud MCP Server conecta tu IDE con más de 300 modelos de IA a través del Model Context Protocol. Funciona con cualquier cliente compatible con MCP.

Clientes compatibles

Cursor
VS Code
Windsurf
Claude Code
OpenAI Codex
Gemini CLI
Cline
Roo Code
100+ clientes compatibles

Instalar

bash
npx -y atlascloud-mcp

Configuración

Agrega la siguiente configuración al archivo de configuración de MCP de tu IDE.

json
{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

Herramientas disponibles

atlas_generate_imageGenera imágenes a partir de indicaciones de texto.
atlas_generate_videoCrea videos a partir de texto o imágenes.
atlas_chatChatea con modelos de lenguaje de gran escala.
atlas_list_modelsExplora más de 300 modelos de IA disponibles.
atlas_quick_generateCreación de contenido en un solo paso con selección automática de modelo.
atlas_upload_mediaSube archivos locales para flujos de trabajo de API.

API Schema

Schema no disponible

Por favor inicia sesión para ver el historial de solicitudes

Necesitas iniciar sesión para acceder al historial de solicitudes del modelo.

Iniciar Sesión

Alibaba WAN 2.7 Image Edit

Alibaba WAN 2.7 Image Edit enables instruction-driven image editing and multi-image composition. It is designed for workflows where you want to preserve the source scene, combine references, and steer the result with natural language.

Why creators love it

  • Instruction-based editing: Rewrite clothing, materials, color, scene details, or object relationships with a plain-language prompt.
  • Single-image and multi-image input: Works well for focused edits as well as reference-driven composition.
  • Reference composition: Combine multiple images and a text instruction in one edit request.
  • Practical controls: Supports size, n, watermark, thinking_mode, and seed.

Perfect for

  • Marketing teams adapting hero visuals for multiple campaigns.
  • E-commerce teams refreshing product shots and styled composites.
  • Users who want Wan 2.7 editing quality in the standard tier.
  • Creative teams that need reliable visual revisions without rebuilding an image from scratch.

How to Use

  1. Provide a main source image, and add extra references when style, objects, or composition details need to be guided.
  2. Write a prompt that explains the desired edit clearly and specifically.
  3. Choose the target size and decide whether you want one result or multiple variations.
  4. Review the edited outputs and keep the one that best balances fidelity and creative change.

Pro tips

  • Be explicit about what should change and what should remain stable.
  • Use a single output when you want tighter control, and multiple outputs when exploring different directions.

Más de 300 Modelos, Comienza Ahora,

Explorar Todos los Modelos