atlascloud/wan-2.2-turbo/infinite-image-to-video-lora

ภาพเป็นวิดีโอ

TURBO

Wan 2.2 Turbo Infinite Image-to-Video LoRA API by Atlas Cloud

atlascloud/wan-2.2-turbo/infinite-image-to-video-lora

Infinite-image-to-video-lora

Image-to-video LoRA variant for segmented prompt video generation with stable motion and 30fps workflow post-processing.

อินพุต

กำลังโหลดการตั้งค่าพารามิเตอร์...

เอาต์พุต

รอดำเนินการ

วิดีโอที่สร้างจะแสดงที่นี่

ตั้งค่าพารามิเตอร์แล้วคลิกรันเพื่อเริ่มสร้าง

แต่ละครั้งจะใช้ $0.026 ด้วย $10 คุณสามารถรันได้ประมาณ 384 ครั้ง

คุณสามารถทำต่อได้:

Seedance 2.0 Kling v3 Vidu Wan2.7

พารามิเตอร์

ตัวอย่างโค้ด
import requests
import time

# Step 1: Start video generation
generate_url = "https://api.atlascloud.ai/api/v1/model/generateVideo"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "atlascloud/wan-2.2-turbo/infinite-image-to-video-lora",
    "prompt": "A beautiful sunset over the ocean with gentle waves",
    "width": 512,
    "height": 512,
    "duration": 3,
    "fps": 24,
}

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"] in ["completed", "succeeded"]:
            print("Generated video:", 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)

video_url = check_status()

ติดตั้ง

ติดตั้งแพ็คเกจที่จำเป็นสำหรับภาษาของคุณ

bash

pip install requests

การยืนยันตัวตน

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/generateVideo"
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/generateVideo

เนื้อหาคำขอ

import requests

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

data = {
    "model": "atlascloud/wan-2.2-turbo/infinite-image-to-video-lora",
    "input": {
        "prompt": "A beautiful sunset over the ocean with gentle waves"
    }
}

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

processingคำขอยังอยู่ระหว่างการประมวลผล

completedการสร้างเสร็จสมบูรณ์แล้ว ผลลัพธ์พร้อมใช้งาน

succeededการสร้างสำเร็จแล้ว ผลลัพธ์พร้อมใช้งาน

failedการสร้างล้มเหลว ตรวจสอบฟิลด์ error

การตอบกลับที่เสร็จสมบูรณ์

{
  "data": {
    "id": "pred_abc123",
    "status": "completed",
    "outputs": [
      "https://storage.atlascloud.ai/outputs/result.mp4"
    ],
    "metrics": {
      "predict_time": 45.2
    },
    "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/uploadMedia

ตัวอย่างการอัปโหลด

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": "atlascloud/wan-2.2-turbo/infinite-image-to-video-lora"
}

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 video 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

ตัวอย่างการตอบกลับ

json

{
  "id": "pred_abc123",
  "status": "completed",
  "model": "model-name",
  "outputs": [
    "https://storage.atlascloud.ai/outputs/result.mp4"
  ],
  "metrics": {
    "predict_time": 45.2
  },
  "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-skills

ตั้งค่า 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

github.com/AtlasCloudAI/atlas-cloud-skills

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-mcp

การกำหนดค่า

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

github.com/AtlasCloudAI/mcp-server

API Schema

ไม่มี Schema

กรุณาเข้าสู่ระบบเพื่อดูประวัติคำขอ

คุณต้องเข้าสู่ระบบเพื่อเข้าถึงประวัติคำขอโมเดล

เข้าสู่ระบบ

Wan 2.2 Turbo Infinite Image-to-Video — LoRA

Model Overview

Field	Description
Model Name	`atlascloud/wan-2.2-turbo/infinite-image-to-video-lora`
Model Type	Advanced Image-to-Video Generation
Core Architecture	Mixture-of-Experts (MoE)
Active Parameters	14B + LoRA adapter
Variant	LoRA

The LoRA variant of Wan 2.2 Turbo Infinite Image-to-Video. Same Infinite segmented-prompt mechanic and acceleration stack as the base model, with LoRA-grade fidelity and motion stability for final renders. Built on the Wan 2.2 Mixture-of-Experts (MoE) foundation for unrestricted creative work.

Key Features & Innovations

1. Ultra-Fast Inference: 4-Step Distillation with RCM

RCM (Refined Consistency Model) Sampler — efficient ODE solver that improves single-step sampling quality.
4-Step Distillation — denoising compressed to 4 steps, enabling cinematic-grade generation at low latency. LoRA inference is ~10–20 % slower than base but stays well within interactive territory.

2. Infinite-Length Generation: Anchor-Frame Autoregressive Architecture

Anchor-Frame Evolution — automatically extracts key "anchor frames" during generation as global temporal references.
Dual-Frame Constraint (Anchor + Last Frame) — combines global structural consistency with motion continuity to construct video sequences autoregressively.
Semantic Stability — LoRA further sharpens identity and detail consistency across multi-minute outputs.

3. Cinematic-Level Aesthetics (Inherited + LoRA-Enhanced)

Precise Control — detailed labels for lighting, composition, color tone.
Complex Motion — fluid motion across diverse semantics.
Fine-Grained Fidelity — LoRA adapter delivers sharper textures, more stable identities, and stylistic depth that the base variant cannot match on its own.

Why Infinite?

Output duration equals prompt_count × duration_per_segment, up to 6 prompts x 5 s. Direct each segment with its own prompt; the API returns one server-stitched 30 fps MP4.

Prompts	Per-segment	Total output
1	5 s	5 s
3	5 s	15 s
6	5 s	30 s

When to Pick the LoRA Variant

Final renders, not drafts — the quality margin is worth the +30 % price.
Subjects with fine identity details that must stay consistent across segments.
Stylized motion or lighting that the base model under-delivers on.

For early iteration / bulk drafts, use the base: atlascloud/wan-2.2-turbo/infinite-image-to-video (cheaper, faster).

60-second Quickstart

curl -X POST https://api.atlascloud.ai/api/v1/model/generateVideo \
  -H "Authorization: Bearer $APIKEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "atlascloud/wan-2.2-turbo/infinite-image-to-video-lora",
    "image": "https://static.atlascloud.ai/media/images/db548fe3bd5cafa4ef7e0141d69c8566.jpeg",
    "prompt": [
      "A classic golden Cadillac speeds through a desert, kicking up a massive cloud of dust behind it.",
      "Camera pans to the passenger firing an assault rifle at monstrous dinosaurs hot on the trail.",
      "The roaring creatures close in as the driver grips the wheel, knuckles white."
    ],
    "duration": 5,
    "resolution": "720p"
  }'

Returns one MP4 — segments are stitched server-side at 30 fps.

Request Fields

Field	Type	Required	Notes
`model`	string	✅	`atlascloud/wan-2.2-turbo/infinite-image-to-video-lora`
`image`	string (URL)	✅	Source frame; jpg/png
`prompt`	string[]	✅	Must be a JSON array. Plain string is rejected.
`duration`	number	✅	Fixed at 5 s per segment.
`resolution`	string	optional	`480p`, `720p`, or `1080p`. Defaults to `720p`.
`seed`	number	optional	`-1` for random

Pricing — at a glance

price = $0.026 × max(1, prompt_count) × max(5, duration_seconds) × resolution_factor
                                                                     480p → 1
                                                                     720p → 2
                                                                     1080p → 3

Common combos:

Prompts	Duration	Resolution	Total
1	5 s	480 p	$0.13
1	5 s	720 p	$0.26
1	5 s	1080 p	$0.39
3	5 s	720 p	$0.78
6	5 s	720 p	$1.56
6	5 s	1080 p	$2.34

Output Spec

Format: MP4 (H.264)
Frame rate: 30 fps (post-processed)
Resolution: 480 p / 720 p / 1080 p tiers, aspect-ratio preserving
Audio: none

Intended Use & Applications

Final cinematic renders with cross-segment identity stability.
High-fidelity advertising / pre-visualization that depend on stylistic consistency.
Identity-critical I2V where minor drift would break the narrative.

Usage Guidelines

This model is tuned for adult-oriented, unrestricted creative generation. By calling it you confirm:

All depicted subjects are 18 +.
You hold the rights to the source image.
You will not generate content depicting real, identifiable people without their explicit consent.

Violations may result in account suspension.