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
Imagem para Imagem

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

Entrada

Carregando configuração de parâmetros...

Saída

Inativo
As imagens geradas serão exibidas aqui
Configure os parâmetros e clique em executar para começar a gerar

Cada execução custará 0.03. Com $10 você pode executar aproximadamente 333 vezes.

Você pode continuar com:

Parâmetros

Exemplo 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

Instale o pacote necessário para a sua linguagem de programação.

bash
pip install requests

Autenticação

Todas as solicitações de API requerem autenticação por meio de uma chave de API. Você pode obter sua chave de API no painel do Atlas Cloud.

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

Cabeçalhos HTTP

python
import os

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

Nunca exponha sua chave de API em código do lado do cliente ou repositórios públicos. Use variáveis de ambiente ou um proxy de backend.

Enviar uma solicitação

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 uma solicitação

Envie uma solicitação de geração assíncrona. A API retorna um ID de predição que você pode usar para verificar o status e obter o resultado.

POST/api/v1/model/generateImage

Corpo da solicitação

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']}")

Resposta

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

Verificar status

Consulte o endpoint de predição para verificar o status atual da sua solicitação.

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

Exemplo 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 status

processingA solicitação ainda está sendo processada.
completedA geração está completa. As saídas estão disponíveis.
succeededA geração foi bem-sucedida. As saídas estão disponíveis.
failedA geração falhou. Verifique o campo de erro.

Resposta concluída

{
  "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"
  }
}

Enviar arquivos

Envie arquivos para o armazenamento do Atlas Cloud e obtenha uma URL que pode ser usada nas suas solicitações de API. Use multipart/form-data para enviar.

POST/api/v1/model/uploadMedia

Exemplo de upload

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}")

Resposta

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

Schema de entrada

Os seguintes parâmetros são aceitos no corpo da solicitação.

Total: 0Obrigatório: 0Opcional: 0

Nenhum parâmetro disponível.

Exemplo de corpo da solicitação

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

Schema de saída

A API retorna uma resposta de predição com as URL de saída geradas.

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

Exemplo de resposta

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

O Atlas Cloud Skills integra mais de 300 modelos de IA diretamente no seu assistente de codificação com IA. Um comando para instalar e depois use linguagem natural para gerar imagens, vídeos e conversar com LLM.

Clientes compatíveis

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

Instalar

bash
npx skills add AtlasCloudAI/atlas-cloud-skills

Configurar chave de API

Obtenha sua chave de API no painel do Atlas Cloud e defina-a como variável de ambiente.

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

Funcionalidades

Após a instalação, você pode usar linguagem natural no seu assistente de IA para acessar todos os modelos do Atlas Cloud.

Geração de imagensGere imagens com modelos como Nano Banana 2, Z-Image e mais.
Criação de vídeosCrie vídeos a partir de texto ou imagens com Kling, Vidu, Veo, etc.
Chat com LLMConverse com Qwen, DeepSeek e outros modelos de linguagem de grande escala.
Upload de mídiaEnvie arquivos locais para fluxos de trabalho de edição de imagens e imagem para vídeo.

MCP Server

O Atlas Cloud MCP Server conecta seu IDE com mais de 300 modelos de IA através do Model Context Protocol. Funciona com qualquer cliente compatível com MCP.

Clientes compatíveis

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

Instalar

bash
npx -y atlascloud-mcp

Configuração

Adicione a seguinte configuração ao arquivo de configuração de MCP do seu IDE.

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

Ferramentas disponíveis

atlas_generate_imageGere imagens a partir de prompts de texto.
atlas_generate_videoCrie vídeos a partir de texto ou imagens.
atlas_chatConverse com modelos de linguagem de grande escala.
atlas_list_modelsExplore mais de 300 modelos de IA disponíveis.
atlas_quick_generateCriação de conteúdo em uma etapa com seleção automática de modelo.
atlas_upload_mediaEnvie arquivos locais para fluxos de trabalho de API.

API Schema

Schema não disponível

Faça login para ver o histórico de solicitações

Você precisa fazer login para acessar o histórico de solicitações do modelo.

Fazer Login

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.

Mais de 300 Modelos, Comece Agora,

Explorar Todos os Modelos