Wan 2.7 Image-to-Image API by Alibaba
alibaba/wan-2.7/image-edit
Image-edit
Edits and recomposes images with Wan 2.7 image using text instructions, multi-image references, and optional interaction boxes.
อินพุต
กำลังโหลดการตั้งค่าพารามิเตอร์...
เอาต์พุต
รอดำเนินการภาพที่สร้างจะแสดงที่นี่
ตั้งค่าพารามิเตอร์แล้วคลิกรันเพื่อเริ่มสร้าง
แต่ละครั้งจะใช้ $0.03 ด้วย $10 คุณสามารถรันได้ประมาณ 333 ครั้ง
คุณสามารถทำต่อได้:
ตัวอย่างโค้ด
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()ติดตั้ง
ติดตั้งแพ็คเกจที่จำเป็นสำหรับภาษาของคุณ
bash
pip install requestsการยืนยันตัวตน
คำขอ API ทั้งหมดต้องมีการยืนยันตัวตนผ่าน API key คุณสามารถรับ API key ได้จากแดชบอร์ด Atlas Cloud
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}"
}รักษา API key ของคุณให้ปลอดภัย
อย่าเปิดเผย API key ของคุณในโค้ดฝั่งไคลเอนต์หรือที่เก็บข้อมูลสาธารณะ ให้ใช้ตัวแปรสภาพแวดล้อมหรือพร็อกซีฝั่งเซิร์ฟเวอร์แทน
ส่งคำขอ
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())ส่งคำขอ
ส่งคำขอสร้างแบบอะซิงโครนัส API จะส่งคืน prediction ID ที่คุณสามารถใช้ตรวจสอบสถานะและดึงผลลัพธ์ได้
POST
/api/v1/model/generateImageเนื้อหาคำขอ
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']}")การตอบกลับ
{
"id": "pred_abc123",
"status": "processing",
"model": "model-name",
"created_at": "2025-01-01T00:00:00Z"
}ตรวจสอบสถานะ
สำรวจ prediction endpoint เพื่อตรวจสอบสถานะปัจจุบันของคำขอ
GET
/api/v1/model/prediction/{prediction_id}ตัวอย่างการสำรวจ
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)ค่าสถานะ
processingคำขอยังอยู่ระหว่างการประมวลผลcompletedการสร้างเสร็จสมบูรณ์แล้ว ผลลัพธ์พร้อมใช้งานsucceededการสร้างสำเร็จแล้ว ผลลัพธ์พร้อมใช้งานfailedการสร้างล้มเหลว ตรวจสอบฟิลด์ errorการตอบกลับที่เสร็จสมบูรณ์
{
"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"
}
}อัปโหลดไฟล์
อัปโหลดไฟล์ไปยังที่เก็บข้อมูล Atlas Cloud และรับ URL ที่คุณสามารถใช้ในคำขอ API ของคุณ ใช้ multipart/form-data ในการอัปโหลด
POST
/api/v1/model/uploadMediaตัวอย่างการอัปโหลด
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}")การตอบกลับ
{
"data": {
"download_url": "https://storage.atlascloud.ai/uploads/abc123/image.png",
"file_name": "image.png",
"content_type": "image/png",
"size": 1024000
}
}Input Schema
พารามิเตอร์ต่อไปนี้ยอมรับในเนื้อหาคำขอ
ทั้งหมด: 0จำเป็น: 0ไม่บังคับ: 0
ไม่มีพารามิเตอร์ที่ใช้ได้
ตัวอย่างเนื้อหาคำขอ
json
{
"model": "alibaba/wan-2.7/image-edit"
}Output Schema
API จะส่งคืนการตอบกลับ prediction พร้อม URL ของผลลัพธ์ที่สร้างขึ้น
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.
ตัวอย่างการตอบกลับ
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 เชื่อมต่อโมเดล AI กว่า 300+ เข้ากับผู้ช่วยเขียนโค้ด AI ของคุณโดยตรง ติดตั้งด้วยคำสั่งเดียว จากนั้นใช้ภาษาธรรมชาติเพื่อสร้างรูปภาพ วิดีโอ และสนทนากับ LLM
ไคลเอนต์ที่รองรับ
Claude Code
OpenAI Codex
Gemini CLI
Cursor
Windsurf
VS Code
Trae
GitHub Copilot
Cline
Roo Code
Amp
Goose
Replit
40+ ไคลเอนต์ที่รองรับ
ติดตั้ง
bash
npx skills add AtlasCloudAI/atlas-cloud-skillsตั้งค่า API Key
รับ API key จากแดชบอร์ด Atlas Cloud และตั้งค่าเป็นตัวแปรสภาพแวดล้อม
bash
export ATLASCLOUD_API_KEY="your-api-key-here"ความสามารถ
เมื่อติดตั้งแล้ว คุณสามารถใช้ภาษาธรรมชาติในผู้ช่วย AI ของคุณเพื่อเข้าถึงโมเดล Atlas Cloud ทั้งหมด
สร้างรูปภาพสร้างรูปภาพด้วยโมเดลเช่น Nano Banana 2, Z-Image และอื่นๆ
สร้างวิดีโอสร้างวิดีโอจากข้อความหรือรูปภาพด้วย Kling, Vidu, Veo เป็นต้น
สนทนา LLMสนทนากับ Qwen, DeepSeek และโมเดลภาษาขนาดใหญ่อื่นๆ
อัปโหลดสื่ออัปโหลดไฟล์จากเครื่องสำหรับการแก้ไขรูปภาพและเวิร์กโฟลว์รูปภาพเป็นวิดีโอ
เรียนรู้เพิ่มเติม
MCP Server
Atlas Cloud MCP Server เชื่อมต่อ IDE ของคุณกับโมเดล AI กว่า 300+ ผ่าน Model Context Protocol ใช้งานได้กับไคลเอนต์ที่รองรับ MCP ทุกตัว
ไคลเอนต์ที่รองรับ
Cursor
VS Code
Windsurf
Claude Code
OpenAI Codex
Gemini CLI
Cline
Roo Code
100+ ไคลเอนต์ที่รองรับ
ติดตั้ง
bash
npx -y atlascloud-mcpการกำหนดค่า
เพิ่มการกำหนดค่าต่อไปนี้ลงในไฟล์ตั้งค่า MCP ของ IDE ของคุณ
json
{
"mcpServers": {
"atlascloud": {
"command": "npx",
"args": [
"-y",
"atlascloud-mcp"
],
"env": {
"ATLASCLOUD_API_KEY": "your-api-key-here"
}
}
}
}เครื่องมือที่ใช้ได้
atlas_generate_imageสร้างรูปภาพจากข้อความ prompt
atlas_generate_videoสร้างวิดีโอจากข้อความหรือรูปภาพ
atlas_chatสนทนากับโมเดลภาษาขนาดใหญ่
atlas_list_modelsเรียกดูโมเดล AI กว่า 300+ ที่ใช้ได้
atlas_quick_generateสร้างเนื้อหาขั้นตอนเดียวพร้อมเลือกโมเดลอัตโนมัติ
atlas_upload_mediaอัปโหลดไฟล์จากเครื่องสำหรับเวิร์กโฟลว์ API
เรียนรู้เพิ่มเติม
API Schema
ไม่มี Schemaไม่มีตัวอย่าง
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, 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.
