WaveSpeedAI

如何從fal.ai遷移到WaveSpeedAI:模型對應與程式碼修改

從fal.ai遷移到WaveSpeedAI的逐步指南:涵蓋Seedance、Kling、Veo、Wan、Nano Banana和Seedream的端點對應,以及Python和JavaScript的程式碼修改。

By WaveSpeedAI3 min read

將整合從 fal.ai 遷移到 WaveSpeedAI 只需要三項更動:換一組 API 金鑰、換一個模型路徑,以及換一個讀取輸出 URL 的位置。兩個平台採用相同的模式:提交任務,再取回結果,因此程式碼的整體結構維持不變。

本指南提供最常用端點的模型對照表、Python 與 JavaScript 的程式碼修改方式、一個讓你可以逐個模型切換的小型轉接器,以及安全切換的檢查清單。

兩個平台的模型 ID 均於 2026 年 11 月 22 日核對。

哪些會變,哪些不變

fal.aiWaveSpeedAI
驗證標頭Authorization: Key $FAL_KEYAuthorization: Bearer $WAVESPEED_API_KEY
提交對應模型 ID 的佇列端點POST https://api.wavespeed.ai/api/v3/<model path>
結果依請求 ID 先查詢狀態,再取得結果GET https://api.wavespeed.ai/api/v3/predictions/<id>/result
用戶端呼叫fal_client.subscribe(id, arguments=...)wavespeed.run(path, input)
輸出依模型而異,例如 video.url 或 images[0].url一律為 outputs,即 URL 清單
Webhook支援支援
檔案輸入URLURL

輸出格式是牽動最多程式碼的變更,但它其實是一種簡化:每個 WaveSpeedAI 模型都以相同的 outputs 清單回傳檔案。

模型對照

每一列都已在兩個網站上核對過。兩個平台上的模型都有多種變體;此表列出主要的文字與圖像端點。

模型fal.ai idWaveSpeedAI 路徑
Seedance 2.5 文字生成影片bytedance/seedance-2.5/us/text-to-videobytedance/seedance-2.5/text-to-video
Seedance 2.5 圖像生成影片bytedance/seedance-2.5/us/image-to-videobytedance/seedance-2.5/image-to-video
Kling 4.0 文字生成影片kling/v4/text-to-videokwaivgi/kling-v4.0/text-to-video
Kling 4.0 圖像生成影片kling/v4/image-to-videokwaivgi/kling-v4.0/image-to-video
Veo 3.1 文字生成影片fal-ai/veo3.1google/veo3.1/text-to-video
Veo 3.1 Fast 文字生成影片fal-ai/veo3.1/fastgoogle/veo3.1-fast/text-to-video
Wan 3.0 文字生成影片alibaba/wan-3.0/text-to-videoalibaba/wan-3.0/text-to-video
Wan 3.0 圖像生成影片alibaba/wan-3.0/image-to-videoalibaba/wan-3.0/image-to-video
Nano Banana Pro 文字生成圖像fal-ai/nano-banana-progoogle/nano-banana-pro/text-to-image
Nano Banana Pro 編輯fal-ai/nano-banana-pro/editgoogle/nano-banana-pro/edit
Seedream 5.5 文字生成圖像bytedance/seedream/v5.5/text-to-imagebytedance/seedream-v5.5
Seedream 5.5 編輯bytedance/seedream/v5.5/editbytedance/seedream-v5.5/edit

若有未列出的模型,請搜尋模型目錄。每個模型頁面都會顯示其路徑、參數與價格。

參數名稱可能不同。 同一個模型在一個平台上可能把輸入稱為 image_url,在另一個平台上則稱為 image,或是以不同方式表達時長與解析度。請查看模型頁面上的參數清單,不要原封不動地複製 payload。

Python

遷移前:

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"])

遷移後:

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])

使用 pip install wavespeed 安裝 SDK,並在環境變數中設定 WAVESPEED_API_KEY。

JavaScript

遷移前:

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);

遷移後:

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]);

使用 npm install wavespeed 安裝。

純 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"

第一次呼叫會回傳 data.id。第二次呼叫會回傳 data.status(created、processing、completed 或 failed),並在完成時於 data.outputs 中提供檔案 URL。

用轉接器逐個模型切換

你不必一次全部遷移。這個轉接器保留你現有的呼叫位置,只將你已完成對照的模型導向新平台,讓你可以一個端點一個端點地遷移並比較。

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", [])]

由於這個函式永遠回傳 URL 清單,應用程式的其餘部分就不再依賴是哪個平台執行了任務。同一個函式也是現成的備援機制:如果其中一個平台回傳帳號層級的錯誤,就改呼叫另一個平台。

切換檢查清單

  1. 在存取金鑰頁面建立 API 金鑰,並儲值少量額度。額度永不過期。
  2. 使用上方的對照表與模型目錄對照你的模型。
  3. 對照各模型頁面檢查參數。
  4. 將你真實的提示詞與參考圖像送入每個已對照的模型,並將結果與你目前得到的結果比較。
  5. 更新輸出處理,改為讀取 outputs。
  6. 與在任何平台上一樣,將需要保留的輸出下載到你自己的儲存空間。
  7. 讓一小部分正式流量走新路徑,持續數日。
  8. 遷移其餘部分,並在你滿意之前保留舊的整合作為備援。

遷移之後你能得到什麼

  • 永不過期的額度。
  • 失敗的任務全額退款,包括被內容檢查攔下的任務。
  • 沒有冷啟動。
  • 所有模型使用同一種請求與回應格式。
  • 執行前就顯示價格,並可為每個 API 金鑰設定花費上限。
  • 有人回應的支援,可透過網站上的聊天或 Discord 聯繫。

fal 可能仍更合適的情況

如果你在無伺服器 GPU 上部署自己的自訂模型,或依賴 fal 的即時 WebSocket 端點,或其 Swift、Kotlin 與 Dart 用戶端,請先確認這些需求。WaveSpeedAI 專注於可直接呼叫的託管模型,提供 Python 與 JavaScript SDK 以及 REST API。許多團隊會同時使用兩者,並依模型進行路由。

常見問題

WaveSpeedAI 與 fal.ai API 相容嗎?

模式相同:提交後取回結果,但端點、驗證標頭與輸出格式不同。上方的轉接器可讓現有程式碼呼叫任一平台。

fal.ai 的模型 ID 能在 WaveSpeedAI 上使用嗎?

不能。每個平台都有自己的路徑。請使用對照表或模型目錄。

我需要修改提示詞嗎?

不需要。模型相同,因此提示詞可以沿用。請檢查參數名稱與允許的值。

我可以同時使用兩個平台嗎?

可以。用對照表依模型進行路由,並將第二個平台作為帳號層級錯誤的備援。

遷移需要多長時間?

如果整合是透過單一輔助函式呼叫少數幾個模型,程式碼的變更很小:一組金鑰、一張對照表,以及輸出處理。大部分時間會花在用你自己的輸入比較結果上。

分享