WaveSpeedAI

如何从 fal.ai 迁移到 WaveSpeedAI:模型映射与代码修改

从 fal.ai 迁移到 WaveSpeedAI 的分步指南:涵盖 Seedance、Kling、Veo、Wan、Nano Banana 和 Seedream 的端点映射,以及 Python 和 JavaScript 的代码修改。

By WaveSpeedAI3 min read

迁移 fal.ai 集成到 WaveSpeedAI 只需要三处改动:更换 API 密钥、更换模型路径,以及更换读取输出 URL 的位置。两个平台使用相同的模式——提交任务并获取结果——因此你的代码结构保持不变。

本指南给出了最常用端点的模型映射、Python 和 JavaScript 的代码改动、一个可以让你逐个模型切换的小型适配器,以及一份安全切换的检查清单。

两个平台上的模型 id 均已于 2026 年 11 月 22 日核对。

哪些会变,哪些不变

fal.aiWaveSpeedAI
认证请求头Authorization: Key $FAL_KEYAuthorization: Bearer $WAVESPEED_API_KEY
提交对应模型 id 的队列端点POST https://api.wavespeed.ai/api/v3/<model path>
结果通过请求 id 先查状态,再取结果GET https://api.wavespeed.ai/api/v3/predictions/<id>/result
客户端调用fal_client.subscribe(id, arguments=...)wavespeed.run(path, input)
输出取决于模型,例如 video.url 或 images[0].url始终是 outputs,一个 URL 列表
Webhook支持支持
文件输入URLURL

输出格式是改动涉及代码最多的地方,但它其实是一种简化:每个 WaveSpeedAI 模型都在同一个 outputs 列表中返回文件。

模型映射

每一行都在两个站点上核对过。两个平台上的模型都有多个变体;下表列出的是主要的文生内容和图像端点。

模型fal.ai idWaveSpeedAI 路径
Seedance 2.5 文生视频bytedance/seedance-2.5/us/text-to-videobytedance/seedance-2.5/text-to-video
Seedance 2.5 图生视频bytedance/seedance-2.5/us/image-to-videobytedance/seedance-2.5/image-to-video
Kling 4.0 文生视频kling/v4/text-to-videokwaivgi/kling-v4.0/text-to-video
Kling 4.0 图生视频kling/v4/image-to-videokwaivgi/kling-v4.0/image-to-video
Veo 3.1 文生视频fal-ai/veo3.1google/veo3.1/text-to-video
Veo 3.1 Fast 文生视频fal-ai/veo3.1/fastgoogle/veo3.1-fast/text-to-video
Wan 3.0 文生视频alibaba/wan-3.0/text-to-videoalibaba/wan-3.0/text-to-video
Wan 3.0 图生视频alibaba/wan-3.0/image-to-videoalibaba/wan-3.0/image-to-video
Nano Banana Pro 文生图fal-ai/nano-banana-progoogle/nano-banana-pro/text-to-image
Nano Banana Pro 编辑fal-ai/nano-banana-pro/editgoogle/nano-banana-pro/edit
Seedream 5.5 文生图bytedance/seedream/v5.5/text-to-imagebytedance/seedream-v5.5
Seedream 5.5 编辑bytedance/seedream/v5.5/editbytedance/seedream-v5.5/edit

对于未列出的模型,请在模型目录中搜索。每个模型页面都会显示其路径、参数和价格。

参数名称可能不同。 同一个模型可能在一个平台上把某个输入叫作 image_url,在另一个平台上叫作 image,或者以不同的方式表达时长和分辨率。请查看模型页面上的参数列表,不要原样照搬请求体。

Python

之前:

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"])

之后:

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])

使用 pip install wavespeed 安装 SDK,并在环境变量中设置 WAVESPEED_API_KEY。

JavaScript

之前:

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);

之后:

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]);

使用 npm install wavespeed 安装。

纯 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"

第一次调用返回 data.id。第二次调用返回 data.status(created、processing、completed 或 failed),任务完成后,文件 URL 位于 data.outputs 中。

使用适配器逐个切换模型

你不必一次性迁移所有内容。这个适配器保留你现有的调用位置,只将你已映射的模型路由到 WaveSpeedAI,这样你就可以一次迁移并对比一个端点。

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", [])]

由于该函数始终返回 URL 列表,你的应用其余部分不再依赖由哪个平台运行任务。同一个函数也是现成的回退方案:如果一个平台返回账户级错误,就调用另一个平台。

切换检查清单

  1. 创建 API 密钥:在访问密钥页面创建,并充入少量额度。额度永不过期。
  2. 映射你的模型:使用上面的表格和模型目录。
  3. 检查参数:对照每个模型的页面检查其参数。
  4. 用真实的提示词和参考图像跑一遍每个已映射的模型,并将结果与你目前得到的结果对比。
  5. 更新输出处理,改为读取 outputs。
  6. 把需要保留的输出下载到你自己的存储中,这在任何平台上都应如此。
  7. 将一小部分生产流量经由新路径运行几天。
  8. 迁移其余部分,并保留旧的集成作为回退,直到你满意为止。

迁移之后你将获得

  • 永不过期的额度。
  • 失败的任务全额退款,包括被内容检查拦截的任务。
  • 没有冷启动。
  • 所有模型使用统一的请求和响应格式。
  • 运行前即显示价格,并且可以为每个 API 密钥设置消费上限。
  • 有人回应的支持,可通过网站上的聊天或 Discord 联系。

fal 可能仍更合适的场景

如果你在无服务器 GPU 上部署自己的自定义模型,或依赖 fal 的实时 WebSocket 端点,或其 Swift、Kotlin 和 Dart 客户端,请先核实这些需求。WaveSpeedAI 专注于即调即用的托管模型,提供 Python 和 JavaScript SDK 以及 REST API。许多团队两者并用,并按模型进行路由。

常见问题

WaveSpeedAI 与 fal.ai API 兼容吗?

模式相同——提交并获取结果——但端点、认证请求头和输出格式不同。上面的适配器可以让现有代码调用任一平台。

fal.ai 的模型 id 能在 WaveSpeedAI 上使用吗?

不能。每个平台都有自己的路径。请使用映射表或模型目录。

我需要修改提示词吗?

不需要。模型是相同的,所以提示词可以沿用。请检查参数名称和允许的取值。

我可以同时使用两个平台吗?

可以。通过映射表按模型进行路由,并把第二个平台作为账户级错误的回退。

迁移需要多长时间?

如果你的集成通过一个辅助函数调用少数几个模型,代码改动很小:一个密钥、一张映射表和输出处理。大部分时间都花在用你自己的输入对比结果上。

分享