Wan-2.7 Reference-to-Video API: Complete Developer Guide

Wan-2.7はAlibaba（Wan AI）が開発したビデオ生成・編集モデルで、参照画像からキャラクター一貫性を保ったビデオを生成する**reference-to-video（R2V）**機能が中核にある。このガイドでは、APIの仕様・ベンチマーク・価格・実装コードを実際のプロダクション導入判断に必要な粒度で解説する。

---

Wan-2.7で何が変わったか — 前バージョンとの比較

Wan 2.1〜2.6系と比較して、2.7では以下の機能が新たに追加・強化された。

主要な変更点

1. Reference-to-Video（R2V）の正式導入 前バージョン（2.6以前）はtext-to-video・image-to-videoが主軸で、複数参照画像によるキャラクター一貫性はサポートされていなかった。2.7では最大5枚の参照入力を受け付け、複数キャラクターを同一ビデオ内で整合性を保ちながら生成できる。

2. Instruction-based Video Editing（VideoEdit） 自然言語の指示でビデオを直接編集するVideoEdit機能が統合された。従来は別モデルやパイプラインを組む必要があったが、2.7では単一APIエンドポイントで完結する。

3. Temporal Feature Transfer フレーム間の時間的特徴を転送する機構が追加され、動き・照明・スタイルの時系列一貫性が向上したとTogether AIは説明している（Together AI）。

4. 解像度上限の拡張 Segmindのサーバーレスエンドポイントでは最大1080P出力に対応（Segmind）。2.6系では720P止まりのプロバイダーが多かった。

注意： 現時点（2025年7月）では、公式のVBenchスコアや定量的なFID比較データはAlibaba・各プロバイダーから公開されていない。以下のベンチマークセクションでは入手可能な定性・定量情報をそのまま記載する。

---

技術仕様テーブル

項目	仕様
モデル名	Wan 2.7 R2V / VideoEdit
開発元	Alibaba（Wan AI）
最大参照入力数	5枚（マルチキャラクター対応）
最大出力解像度	1080P（Segmind経由）
出力フォーマット	MP4
編集モード	Reference-to-Video、Instruction-based VideoEdit
音声機能	Voice cloning対応（Segmind経由）
APIアクセス	Segmind（サーバーレス）、Together AI、Replicate
入力形式	画像（参照）、テキストプロンプト、既存ビデオ（VideoEdit）
ライセンス	商用利用条件はプロバイダーごとに異なる

---

ベンチマーク比較

繰り返しになるが、Wan 2.7の公式VBenchスコアは現時点で未公開である。ここでは、同カテゴリの競合モデルとの定性比較と、入手可能なスペック情報を表にまとめる。

機能比較（競合3モデル）

機能	Wan 2.7 R2V	Kling 2.0	Runway Gen-4
最大参照入力数	5枚	2枚（推定）	1枚（Image-to-Video）
Instruction-based編集	✅ VideoEdit統合済	限定的	✅（Act-One等）
最大解像度	1080P	1080P	1080P
マルチキャラクター一貫性	✅ 明示的サポート	△	❌ 非対応
Temporal Feature Transfer	✅	非公開	非公開
APIアクセス（サーバーレス）	✅ 複数プロバイダー	✅	✅
Voice cloning	✅（Segmind）	❌	❌

評価注記： Klingの参照入力数は公式ドキュメントが流動的なため「推定」とした。Runway Gen-4のマルチキャラクター対応は2025年7月時点で非対応。

VBenchスコア（参考値）

Wan 2.7自体の公式スコアが存在しないため、Wan系モデルの系譜と業界水準を示す。

モデル	VBench Total Score（参考）
Wan 2.1（公開済）	~83.2
Sora（OpenAI、非公開API）	非公開
Kling 1.5	~82.4（サードパーティ計測）
Wan 2.7（R2V）	未公開

定量スコアが出揃った時点でこのテーブルは更新する。プロダクション選定にVBenchスコアが必須なら、現時点での採用判断は慎重にすべきだ。

---

価格比較

プロバイダーごとに課金モデルが異なる。2025年7月時点の情報を以下に示す。

プロバイダー	課金モデル	目安コスト	備考
Segmind	API呼び出し従量課金	要問い合わせ / 公開ページ参照	サーバーレス、voice cloning込み
Together AI	トークン/秒課金	要確認（Together AI料金ページ）	高スループット向け
Replicate	実行時間課金（秒単位）	要確認（Replicate料金ページ）	VideoEditモデル個別
Pixazo	Wan 2.6まで対応、2.7は未確認	—	2.2/2.5/2.6のみ明記

注意： 各プロバイダーの価格は変動する。本番導入前に必ず公式料金ページで最新値を確認すること。Pixazoは公開ドキュメントでWan 2.6までを明記しており、2.7対応の可否は不明。

コスト最適化のヒント：

• 1080P出力はレンダリング時間が長く、コストが上がる。PoC段階では720Pで検証する。
• Replicateは小規模・散発的な呼び出しに向いており、Together AIは高頻度バッチ処理に向く。

---

ベストユースケース

1. E-commerce / 商品プロモーション動画

同一モデル（人物）を複数の商品・背景と組み合わせて一貫性のあるプロモ動画を量産するケース。参照画像にモデルの顔写真を使い、プロンプトで服装・背景を切り替える。最大5参照入力により、複数人が登場するシーン（例：カップルが製品を使用するシーン）も1リクエストで対応可能。

2. ゲーム / VTuberキャラクターのアニメーション

キャラクターデザインシートを参照画像として与え、台詞やアクションのビデオクリップを生成する。voice cloningと組み合わせれば音声込みのショートクリップを自動生成できる。

3. Instruction-based Video Editing（VideoEdit）

既存ビデオに対して「背景を夕焼けに変える」「登場人物の服を青にする」といった自然言語指示で編集する。ポストプロダクションの一部を自動化したいチームに向いている（Replicate）。

4. キャラクター一貫性が必要なショートフォームコンテンツ

SNS向けの短編シリーズ動画（各話で同一キャラクターが登場する構成）。Wan 2.7のR2V機能はこの用途に直接対応している数少ないモデルの一つ。

---

制限事項 — 使うべきでないケース

正直に書く。

1. 長尺ビデオ（>30秒） 現状のAPIはショートクリップ向けに最適化されており、長尺の連続生成にはコストと待機時間が跳ね上がる。長尺コンテンツにはRunwayのExtendやPika 2.2のほうが現実的。

2. リアルタイム / 低レイテンシが必要なアプリ サーバーレスAPIの性質上、コールドスタートが発生する場合がある。リアルタイムのインタラクティブ用途には不向き。専用インスタンスを持てるプロバイダーを選ぶか、別アーキテクチャを検討すること。

3. VBenchスコアで厳密な品質保証が必要な場合 現時点で公式ベンチマークが存在しない。品質SLAをスコアで定義しているプロダクションには採用根拠が薄い。

4. ライセンス厳格なB2Bプロジェクト 商用利用条件はAlibaba本体ではなく各プロバイダー（Segmind、Together AI、Replicate）のTOSに依存する。法務レビューなしに本番投入しないこと。

5. 極めて細かい顔の特徴を維持したいケース R2V機能はキャラクター一貫性を謳っているが、極端にディテールが多い顔特徴（特定の傷跡、複雑なメイクアップ）の完全再現は保証されていない。用途に応じてサンプル生成で検証すること。

---

最小動作コード例

Replicateのエンドポイントを使ったPythonの最小実装。

import replicate

output = replicate.run(
    "wan-video/wan-2.7-videoedit:latest",
    input={
        "video": open("input.mp4", "rb"),
        "prompt": "Change the background to a sunset beach",
        "num_inference_steps": 30,
    }
)

with open("output.mp4", "wb") as f:
    f.write(output.read())

print("Done:", output)

R2V（Reference-to-Video）の場合はSegmind APIを使い、reference_imagesパラメータに最大5枚の画像URLを渡す形になる。各プロバイダーのパラメータ名は異なるため、公式ドキュメントを必ず参照すること。

---

採用前チェックリスト

確認項目	状況
プロバイダーのTOS（商用利用）を読んだか	❗ 必須
出力解像度・フォーマットが要件を満たすか	1080P MP4は対応
レイテンシ要件がサーバーレスAPIと合致するか	リアルタイムには不向き
参照入力数が5枚で足りるか	超える場合は別モデルを検討
VBenchスコアによる品質SLAが不要か	現時点でスコア未公開
コスト見積もりをプロバイダー料金ページで確認したか	❗ 必須

---

結論

Wan-2.7のreference-to-video APIは、最大5参照入力によるマルチキャラクター一貫性とinstruction-based編集を単一エンドポイントで提供する点において、2025年7月時点で実用的な選択肢の一つになっている。ただし公式VBenchスコアが未公開であるため、品質保証をスコアで定義するプロダクションは、自前のテストセットで検証してから採用判断を下すべきだ。

メモ： 複数の AI モデルを一つのパイプラインで使う場合、AtlasCloud は Kling、Flux、Seedance、Claude、GPT など 300+ モデルへの統一 API アクセスを提供します。API キー一つで全モデル対応。新規ユーザーは初回チャージで 25% ボーナス（最大 $100）。