fal.aiからWaveSpeedAIへの移行方法:モデルマッピングとコード変更
fal.aiからWaveSpeedAIへ連携を移行するためのステップバイステップガイド。Seedance、Kling、Veo、Wan、Nano Banana、Seedreamのエンドポイント対応表に加え、PythonとJavaScriptのコード変更点を解説します。
fal.ai から WaveSpeedAI への移行で必要な変更は3つです。API キー、モデルパス、そして出力 URL を読み取る場所です。どちらのプラットフォームも「ジョブを送信して結果を取得する」という同じパターンなので、コードの構造は変わりません。
このガイドでは、よく使われるエンドポイントのモデル対応表、Python と JavaScript でのコード変更、モデルを1つずつ切り替えられる小さなアダプター、そして安全に切り替えるためのチェックリストを紹介します。
両プラットフォームのモデル ID は 2026年11月22日に確認済みです。
変わるものと変わらないもの
| fal.ai | WaveSpeedAI | |
|---|---|---|
| 認証ヘッダー | Authorization: Key $FAL_KEY | Authorization: Bearer $WAVESPEED_API_KEY |
| 送信 | モデル ID に対応するキューエンドポイント | POST https://api.wavespeed.ai/api/v3/<model path> |
| 結果 | リクエスト ID でステータスを確認し、その後結果を取得 | GET https://api.wavespeed.ai/api/v3/predictions/<id>/result |
| クライアント呼び出し | fal_client.subscribe(id, arguments=...) | wavespeed.run(path, input) |
| 出力 | モデルによって異なる(例: video.url、images[0].url) | 常に outputs(URL のリスト) |
| Webhook | 対応 | 対応 |
| ファイル入力 | URL | URL |
最も多くのコードに影響するのは出力形式の変更ですが、これは簡素化でもあります。WaveSpeedAI ではすべてのモデルが、同じ outputs リストでファイルを返します。
モデル対応表
各行は両サイトで確認済みです。どちらのプラットフォームでもモデルには複数のバリアントがあります。この表には主要なテキストおよび画像エンドポイントを掲載しています。
| モデル | fal.ai の ID | WaveSpeedAI のパス |
|---|---|---|
| Seedance 2.5 text to video | bytedance/seedance-2.5/us/text-to-video | bytedance/seedance-2.5/text-to-video |
| Seedance 2.5 image to video | bytedance/seedance-2.5/us/image-to-video | bytedance/seedance-2.5/image-to-video |
| Kling 4.0 text to video | kling/v4/text-to-video | kwaivgi/kling-v4.0/text-to-video |
| Kling 4.0 image to video | kling/v4/image-to-video | kwaivgi/kling-v4.0/image-to-video |
| Veo 3.1 text to video | fal-ai/veo3.1 | google/veo3.1/text-to-video |
| Veo 3.1 Fast text to video | fal-ai/veo3.1/fast | google/veo3.1-fast/text-to-video |
| Wan 3.0 text to video | alibaba/wan-3.0/text-to-video | alibaba/wan-3.0/text-to-video |
| Wan 3.0 image to video | alibaba/wan-3.0/image-to-video | alibaba/wan-3.0/image-to-video |
| Nano Banana Pro text to image | fal-ai/nano-banana-pro | google/nano-banana-pro/text-to-image |
| Nano Banana Pro edit | fal-ai/nano-banana-pro/edit | google/nano-banana-pro/edit |
| Seedream 5.5 text to image | bytedance/seedream/v5.5/text-to-image | bytedance/seedream-v5.5 |
| Seedream 5.5 edit | bytedance/seedream/v5.5/edit | bytedance/seedream-v5.5/edit |
表にないモデルはモデルカタログで検索してください。パスは、パラメータや料金とともに各モデルのページに表示されています。
パラメータ名が異なる場合があります。 同じモデルでも、入力の名前がプラットフォームによって image_url だったり image だったりします。また、長さや解像度の指定方法が異なることもあります。ペイロードをそのままコピーせず、モデルページのパラメータ一覧を確認してください。
Python
変更前:
import fal_client
result = fal_client.subscribe(
"kling/v4/text-to-video",
arguments={"prompt": "A paper boat drifting down a rain-soaked street at dusk"},
)
print(result["video"]["url"])
変更後:
import wavespeed
output = wavespeed.run(
"kwaivgi/kling-v4.0/text-to-video",
{"prompt": "A paper boat drifting down a rain-soaked street at dusk"},
)
print(output["outputs"][0])
SDK は pip install wavespeed でインストールし、環境変数に WAVESPEED_API_KEY を設定してください。
JavaScript
変更前:
import { fal } from "@fal-ai/client";
const result = await fal.subscribe("fal-ai/nano-banana-pro", {
input: { prompt: "A glass teapot on a sunlit windowsill, macro product photo" },
});
console.log(result.data.images[0].url);
変更後:
import wavespeed from "wavespeed";
const output = await wavespeed.run(
"google/nano-banana-pro/text-to-image",
{ prompt: "A glass teapot on a sunlit windowsill, macro product photo" }
);
console.log(output["outputs"][0]);
インストールは npm install wavespeed です。
プレーン HTTP
curl --request POST 'https://api.wavespeed.ai/api/v3/google/veo3.1-fast/text-to-video' \
--header "Authorization: Bearer $WAVESPEED_API_KEY" \
--header 'Content-Type: application/json' \
--data '{"prompt": "A paper boat drifting down a rain-soaked street at dusk"}'
curl --request GET "https://api.wavespeed.ai/api/v3/predictions/$PREDICTION_ID/result" \
--header "Authorization: Bearer $WAVESPEED_API_KEY"
1つ目の呼び出しは data.id を返します。2つ目は data.status(created、processing、completed、failed のいずれか)を返し、完了時にはファイルの URL を data.outputs に含めます。
アダプターでモデルを1つずつ切り替える
すべてを一度に移行する必要はありません。このアダプターは既存の呼び出し箇所をそのまま残し、対応付けを済ませたモデルだけを振り分けます。そのため、エンドポイントを1つずつ移行しながら比較できます。
import fal_client
import wavespeed
FAL_TO_WAVESPEED = {
"kling/v4/text-to-video": "kwaivgi/kling-v4.0/text-to-video",
"fal-ai/veo3.1/fast": "google/veo3.1-fast/text-to-video",
"fal-ai/nano-banana-pro": "google/nano-banana-pro/text-to-image",
}
def generate(fal_model_id: str, arguments: dict) -> list[str]:
"""Return a list of output URLs, whichever platform served the request."""
path = FAL_TO_WAVESPEED.get(fal_model_id)
if path:
return wavespeed.run(path, arguments)["outputs"]
result = fal_client.subscribe(fal_model_id, arguments=arguments)
if "video" in result:
return [result["video"]["url"]]
return [image["url"] for image in result.get("images", [])]
この関数は常に URL のリストを返すため、アプリケーションの他の部分はどちらのプラットフォームがジョブを実行したかに依存しなくなります。同じ関数はそのままフォールバックとしても使えます。一方のプラットフォームがアカウントレベルのエラーを返した場合に、もう一方を呼び出せばよいのです。
切り替えチェックリスト
- API キーを作成します。アクセスキーのページで作成し、少額のクレジットを追加してください。クレジットは失効しません。
- モデルを対応付けます。上の表とカタログを使ってください。
- パラメータを確認します。各モデルのページと照らし合わせてください。
- 実際のプロンプトと参照画像を流し、対応付けた各モデルで実行して、現在の結果と比較します。
- 出力の処理を更新し、
outputsを読み取るようにします。 - 保存が必要な出力はダウンロードして、自前のストレージに保管します。これはどのプラットフォームでも行うべきことです。
- 本番トラフィックのごく一部を新しい経路に数日間流します。
- 残りを移行します。納得できるまでは、古い連携をフォールバックとして残してください。
移行後に得られるもの
- 失効しないクレジット。
- 失敗したタスクは全額返金。 コンテンツチェックで停止されたタスクも含みます。
- コールドスタートなし。
- すべてのモデルで共通のリクエスト/レスポンス形式。
- 実行前に表示される料金と、API キーごとに設定できる利用上限。
- きちんと応答するサポート。 サイト上のチャットまたは Discord で対応します。
fal のほうが適している場合
独自のカスタムモデルをサーバーレス GPU にデプロイしている場合や、fal のリアルタイム WebSocket エンドポイント、または Swift、Kotlin、Dart のクライアントに依存している場合は、まずそれらの要件を確認してください。WaveSpeedAI は、すぐに呼び出せるホスト型モデルに注力しており、Python と JavaScript の SDK と REST API を提供しています。両方を併用し、モデルごとに振り分けているチームも多くあります。
FAQ
WaveSpeedAI は fal.ai の API と互換性がありますか?
パターンは同じで、送信して結果を取得します。ただし、エンドポイント、認証ヘッダー、出力形式は異なります。上記のアダプターを使えば、既存のコードからどちらのプラットフォームも呼び出せます。
fal.ai のモデル ID は WaveSpeedAI で使えますか?
いいえ。パスはプラットフォームごとに異なります。対応表またはモデルカタログを使ってください。
プロンプトを変更する必要はありますか?
いいえ。モデルは同じなので、プロンプトはそのまま使えます。パラメータ名と許容される値を確認してください。
両方のプラットフォームを同時に使えますか?
はい。対応表を使ってモデルごとに振り分け、アカウントレベルのエラーに備えて、もう一方のプラットフォームをフォールバックとして使えます。
移行にはどのくらいかかりますか?
数個のモデルを1つのヘルパー関数経由で呼び出している連携であれば、コードの変更は小さく済みます。必要なのはキー、対応表、出力の処理だけです。時間の大半は、自分の入力で結果を比較する作業に費やされます。
/filters:quality(82)/media/images/1773962750383987480_n3hqzHRZ.webp)