Edits and recomposes images with Wan 2.7 image using text instructions, multi-image references, and optional interaction boxes.
Inmatning
Laddar parameterkonfiguration...
Utmatning
VilandeDina genererade bilder visas här
Konfigurera parametrar och klicka på Kör för att börja generera
Varje körning kostar 0.03. För $10 kan du köra cirka 333 gånger.
Du kan fortsätta med:
Kodexempel
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()Installera
Installera det nödvändiga paketet för ditt programmeringsspråk.
bash
pip install requestsAutentisering
Alla API-förfrågningar kräver autentisering via en API key. Du kan hämta din API key från Atlas Cloud-instrumentpanelen.
bash
export ATLASCLOUD_API_KEY="your-api-key-here"HTTP Headers
python
import os
API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {API_KEY}"
}Håll din API key säker
Exponera aldrig din API key i klientkod eller publika arkiv. Använd miljövariabler eller en backend-proxy istället.
Skicka en förfrågan
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())Skicka en förfrågan
Skicka en asynkron genereringsförfrågan. API:et returnerar ett prediction ID som du kan använda för att kontrollera statusen och hämta resultatet.
POST
/api/v1/model/generateImageFörfrågningsinnehåll
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']}")Svar
{
"id": "pred_abc123",
"status": "processing",
"model": "model-name",
"created_at": "2025-01-01T00:00:00Z"
}Kontrollera status
Polla prediction-endpointen för att kontrollera den aktuella statusen för din förfrågan.
GET
/api/v1/model/prediction/{prediction_id}Polling-exempel
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)Statusvärden
processingFörfrågan bearbetas fortfarande.completedGenereringen är klar. Utdata är tillgängliga.succeededGenereringen lyckades. Utdata är tillgängliga.failedGenereringen misslyckades. Kontrollera error-fältet.Slutfört svar
{
"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"
}
}Ladda upp filer
Ladda upp filer till Atlas Cloud-lagring och få en URL som du kan använda i dina API-förfrågningar. Använd multipart/form-data för uppladdning.
POST
/api/v1/model/uploadMediaUppladdningsexempel
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}")Svar
{
"data": {
"download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
"file_name": "image.png",
"content_type": "image/png",
"size": 1024000
}
}Input Schema
Följande parametrar accepteras i förfrågningsinnehållet.
Totalt: 0Obligatorisk: 0Valfri: 0
Inga parametrar tillgängliga.
Exempel på förfrågningsinnehåll
json
{
"model": "alibaba/wan-2.7/image-edit"
}Output Schema
API:et returnerar ett prediction-svar med de genererade utdata-URL:erna.
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.
completed_atstring
ISO 8601 timestamp when the prediction was completed.
Exempelsvar
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 integrerar 300+ AI-modeller direkt i din AI-kodassistent. Ett kommando för att installera, sedan använd naturligt språk för att generera bilder, videor och chatta med LLM.
Stödda klienter
Claude Code
OpenAI Codex
Gemini CLI
Cursor
Windsurf
VS Code
Trae
GitHub Copilot
Cline
Roo Code
Amp
Goose
Replit
40+ stödda klienter
Installera
bash
npx skills add AtlasCloudAI/atlas-cloud-skillsKonfigurera API Key
Hämta din API key från Atlas Cloud-instrumentpanelen och ställ in den som en miljövariabel.
bash
export ATLASCLOUD_API_KEY="your-api-key-here"Funktioner
När det är installerat kan du använda naturligt språk i din AI-assistent för att komma åt alla Atlas Cloud-modeller.
BildgenereringGenerera bilder med modeller som Nano Banana 2, Z-Image och fler.
VideoskapandeSkapa videor från text eller bilder med Kling, Vidu, Veo m.fl.
LLM-chattChatta med Qwen, DeepSeek och andra stora språkmodeller.
MediauppladdningLadda upp lokala filer för bildredigering och bild-till-video-arbetsflöden.
MCP Server
Atlas Cloud MCP Server ansluter din IDE med 300+ AI-modeller via Model Context Protocol. Fungerar med alla MCP-kompatibla klienter.
Stödda klienter
Cursor
VS Code
Windsurf
Claude Code
OpenAI Codex
Gemini CLI
Cline
Roo Code
100+ stödda klienter
Installera
bash
npx -y atlascloud-mcpKonfiguration
Lägg till följande konfiguration i din IDE:s MCP-inställningsfil.
json
{
"mcpServers": {
"atlascloud": {
"command": "npx",
"args": [
"-y",
"atlascloud-mcp"
],
"env": {
"ATLASCLOUD_API_KEY": "your-api-key-here"
}
}
}
}Tillgängliga verktyg
atlas_generate_imageGenerera bilder från textpromptar.
atlas_generate_videoSkapa videor från text eller bilder.
atlas_chatChatta med stora språkmodeller.
atlas_list_modelsBläddra bland 300+ tillgängliga AI-modeller.
atlas_quick_generateInnehållsskapande i ett steg med automatiskt modellval.
atlas_upload_mediaLadda upp lokala filer för API-arbetsflöden.
API Schema
Schema ej tillgängligtLogga in för att visa förfrågningshistorik
Du måste vara inloggad för att få tillgång till din modellförfrågningshistorik.
Logga InAlibaba 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, andseed.
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
- Provide a main source image, and add extra references when style, objects, or composition details need to be guided.
- Write a prompt that explains the desired edit clearly and specifically.
- Choose the target size and decide whether you want one result or multiple variations.
- 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.
