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

Görüntü-Video

TURBO

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

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

Infinite-image-to-video

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

Girdi

Parametre yapılandırması yükleniyor...

Çıktı

Boşta

Oluşturulan videolarınız burada görünecek

Parametreleri yapılandırın ve oluşturmaya başlamak için Çalıştır'a tıklayın

Her çalıştırma $0.02 maliyete sahip. 10$ ile yaklaşık 500 kez çalıştırabilirsiniz.

Şununla devam edebilirsiniz:

Seedance 2.0 Kling v3 Vidu Wan2.7

Parametreler

Kod örneği
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",
    "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()

Kurulum

Programlama diliniz için gerekli paketi kurun.

bash

pip install requests

Kimlik Doğrulama

Tüm API istekleri, API anahtarı ile kimlik doğrulama gerektirir. API anahtarınızı Atlas Cloud kontrol panelinden alabilirsiniz.

bash

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

HTTP Başlıkları

python

import os

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

API anahtarınızı güvende tutun

API anahtarınızı asla istemci tarafı kodunda veya herkese açık depolarda ifşa etmeyin. Bunun yerine ortam değişkenleri veya arka uç proxy kullanın.

İstek gönder

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())

İstek Gönder

Asenkron bir oluşturma isteği gönderin. API, durumu kontrol etmek ve sonucu almak için kullanabileceğiniz bir tahmin ID'si döndürür.

POST/api/v1/model/generateVideo

İstek Gövdesi

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",
    "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']}")

Yanıt

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

Durumu Kontrol Et

İsteğinizin mevcut durumunu kontrol etmek için tahmin uç noktasını sorgulayın.

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

Sorgulama Örneği

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)

Durum Değerleri

processingİstek hâlâ işleniyor.

completedOluşturma tamamlandı. Çıktılar kullanılabilir.

succeededOluşturma başarılı oldu. Çıktılar kullanılabilir.

failedOluşturma başarısız oldu. Hata alanını kontrol edin.

Tamamlanmış Yanıt

{
  "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"
  }
}

Dosya Yükle

Dosyaları Atlas Cloud depolama alanına yükleyin ve API isteklerinizde kullanabileceğiniz bir URL alın. Yüklemek için multipart/form-data kullanın.

POST/api/v1/model/uploadMedia

Yükleme Örneği

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}")

Yanıt

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

Input Schema

İstek gövdesinde aşağıdaki parametreler kabul edilir.

Toplam: 0Zorunlu: 0İsteğe Bağlı: 0

Kullanılabilir parametre yok.

Örnek İstek Gövdesi

json

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

Output Schema

API, oluşturulan çıktı URL'lerini içeren bir tahmin yanıtı döndürür.

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

Örnek Yanıt

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, 300'den fazla AI modelini doğrudan AI kodlama asistanınıza entegre eder. Kurmak için tek bir komut, ardından görüntü, video oluşturmak ve LLM ile sohbet etmek için doğal dil kullanın.

Desteklenen İstemciler

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ desteklenen i̇stemciler

Kurulum

bash

npx skills add AtlasCloudAI/atlas-cloud-skills

API Anahtarını Ayarla

API anahtarınızı Atlas Cloud kontrol panelinden alın ve ortam değişkeni olarak ayarlayın.

bash

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

Yetenekler

Kurulduktan sonra, tüm Atlas Cloud modellerine erişmek için AI asistanınızda doğal dil kullanabilirsiniz.

Görüntü OluşturmaNano Banana 2, Z-Image ve daha fazla model ile görüntüler oluşturun.

Video OluşturmaKling, Vidu, Veo vb. ile metin veya görüntülerden videolar oluşturun.

LLM SohbetQwen, DeepSeek ve diğer büyük dil modelleri ile sohbet edin.

Medya YüklemeGörüntü düzenleme ve görüntüden videoya iş akışları için yerel dosyaları yükleyin.

Daha fazla bilgi

github.com/AtlasCloudAI/atlas-cloud-skills

MCP Server

Atlas Cloud MCP Server, IDE'nizi Model Context Protocol aracılığıyla 300'den fazla AI modeline bağlar. Herhangi bir MCP uyumlu istemci ile çalışır.

Desteklenen İstemciler

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ desteklenen i̇stemciler

Kurulum

bash

npx -y atlascloud-mcp

Yapılandırma

Aşağıdaki yapılandırmayı IDE'nizin MCP ayarları dosyasına ekleyin.

json

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

Mevcut Araçlar

atlas_generate_imageMetin istemlerinden görüntüler oluşturun.

atlas_generate_videoMetin veya görüntülerden videolar oluşturun.

atlas_chatBüyük dil modelleri ile sohbet edin.

atlas_list_models300'den fazla mevcut AI modelini keşfedin.

atlas_quick_generateOtomatik model seçimi ile tek adımda içerik oluşturma.

atlas_upload_mediaAPI iş akışları için yerel dosyaları yükleyin.

Daha fazla bilgi

github.com/AtlasCloudAI/mcp-server

API Şeması

Şema mevcut değil

İstek geçmişini görüntülemek için oturum açın

Model istek geçmişinize erişmek için oturum açmanız gerekir.

Oturum Aç

Wan 2.2 Turbo Infinite Image-to-Video

Model Overview

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

Wan 2.2 Turbo Infinite Image-to-Video is an enhanced image-to-video model built on the Wan 2.2 foundation. Inheriting the Mixture-of-Experts (MoE) architecture and cinematic-level aesthetics of the original Wan series, this variant introduces two breakthroughs — inference acceleration and infinite-length generation — for unrestricted creative work.

Key Features & Innovations

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

To address the high latency typical of large-scale models, we apply specialized sampling optimization and knowledge distillation:

RCM (Refined Consistency Model) Sampler — a more efficient ODE solver that significantly improves single-step sampling quality.
4-Step Distillation — denoising steps are compressed to 4 steps through multi-stage distillation, enabling cinematic-grade generation at a fraction of the original cost and unlocking low-latency interaction.

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

A targeted retraining gives the model an advanced temporal extension mechanism that breaks the duration limits of traditional video models:

Anchor-Frame Evolution — automatically extracts key "anchor frames" during generation as global temporal references.
Dual-Frame Constraint (Anchor + Last Frame) — combines structural consistency from the global anchor frame with motion continuity from the previous frame to construct video sequences autoregressively.
Semantic Stability — subject identity, scene details, and lighting stay consistent across multi-minute outputs, suppressing semantic drift and logical collapse.

3. Cinematic-Level Aesthetics (Inherited)

The model retains the curated training foundation of Wan 2.2:

Precise Control — detailed labels for lighting, composition, and color tone.
Complex Motion — superior generation of realistic, fluid motion across diverse semantics.

Why Infinite?

Most image-to-video models lock you into a single short clip (5–10 s). Infinite extends that into a controlled multi-segment clip — 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

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",
    "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.

Base vs LoRA — which one?

	Base (this model)	LoRA variant
Model name	`atlascloud/wan-2.2-turbo/infinite-image-to-video`	`…/infinite-image-to-video-lora`
Price (480 p, per second)	$0.020	$0.026 (+30 %)
Best for	Standard runs, fast iteration, bulk drafts	Higher fidelity, fine-grained control
Recommended for	Pre-production, A/B prompts	Final renders

Switch the variant by changing model only — all other fields are identical.

Request Fields

Field	Type	Required	Notes
`model`	string	✅	`atlascloud/wan-2.2-turbo/infinite-image-to-video`
`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 = $0.020 × 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	$0.10
1	5 s	720 p	$0.20
1	5 s	1080 p	$0.30
3	5 s	720 p	$0.60
6	5 s	720 p	$1.20
6	5 s	1080 p	$1.80

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

Cinematic Long-Take Production — high-fidelity, consistent long-duration shots without manual stitching.
Low-Latency Interactive Content — leverage 4-step distillation for live broadcasts and AI-driven interactive installations.
Advanced Image-to-Video (I2V) — transform a static image into infinite, naturally moving visual scrolls via anchor-frame technology.
Professional Pre-visualization — minutes-long dynamic storyboards that compress pre-production time.

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.

Limitations

prompt must be a JSON array, never a plain string.
While anchor-frame technology suppresses cross-segment drift, it does not fully eliminate it — long prompts sharing fine identity details across many segments may still show minor variation.
480 p generates ~2× faster than 720 p; use 480 p for drafts.