WAN 2.5 создаёт короткие видео с синхронным звуком. В промпте можно задать сцену, движение, камеру, диалог, фоновые звуки и музыку, а загруженный аудиофайл поможет согласовать темп и движение губ.
Модель поддерживает режимы text-to-video и image-to-video с исходным изображением в качестве первого кадра. В официальной документации Alibaba Cloud указаны ролики длительностью 5 и 10 секунд, разрешения 480p, 720p и 1080p, частота 30 кадров в секунду и формат MP4.
В этом руководстве разберём, как использовать короткий формат с пользой: описывать одну понятную сцену, продумывать изображение вместе со звуком, выбирать между текстом и исходным изображением и создавать в Phygital+ несколько управляемых вариантов.
Сравнение версий WAN
Семейство Wan быстро развивается. WAN 2.5 по-прежнему полезна благодаря нескольким вариантам разрешения, генерации звука и синхронизации с загруженной звуковой дорожкой. Более новая WAN 2.6 в поддерживаемых режимах предлагает увеличенную длительность и создание видео из нескольких связанных кадров.
| Версия | Главное преимущество | Для каких задач |
|---|---|---|
| WAN 2.1 | Раннее широко доступное семейство моделей text-to-video и image-to-video | Существующие и локально развёрнутые рабочие процессы на вариантах 2.1 |
| WAN 2.2 | Улучшенное качество изображения и короткие ролики фиксированной длительности в описанных режимах | Короткие ролики, где изображение важнее звука |
| WAN 2.5 | Видео на 5 или 10 секунд, 480p–1080p, сгенерированная или загруженная звуковая дорожка | Короткая реклама, диалоги, музыкальные и продуктовые ролики, видео для соцсетей со звуком |
| WAN 2.6 | Более новое семейство с увеличенной длительностью и поддержкой нескольких кадров в отдельных режимах | Сцены, которым нужна большая длительность или несколько связанных кадров |
Режимы создания видео в WAN 2.5
Text-to-video
В режиме text-to-video работа начинается с текстового описания. Задайте один объект или персонажа, одно основное действие, окружение, камеру, освещение и звук. Режим подходит для поиска идеи, когда точное исходное изображение не требуется.
Image-to-video
В режиме image-to-video исходное изображение становится первым кадром. В промпте лучше описать движение и звук, не повторяя то, что уже видно. Этот режим помогает сохранить форму продукта, внешность персонажа, композицию и визуальное направление кампании.
Разрешение и длительность
- Длительность: 5 или 10 секунд
- Разрешение: 480p, 720p и 1080p
- Частота кадров: 30 fps
- Формат: MP4 с кодированием H.264
- Доступные соотношения сторон зависят от разрешения и включают 16:9, 9:16, 1:1, 4:3 и 3:4
Если интерфейс позволяет, проверяйте творческое направление в низком разрешении, чтобы экономить ресурсы. После согласования промпта или исходного изображения переходите к нужному итоговому разрешению.
Генерация звука и своя звуковая дорожка
Автоматическая озвучка
Если аудиофайл не загружен, WAN 2.5 может создать звук по промпту: диалог, звуки окружения, музыку и атмосферный фон. Точно укажите, что должно быть слышно, и исключите всё лишнее для сцены.
Загруженное аудио
Загруженный файл WAV или MP3 может задавать темп результата. Согласно документации Alibaba, длительность собственного аудио может составлять от 3 до 30 секунд, хотя итоговое видео остаётся 5- или 10-секундным. Часть дорожки за пределами выбранной длительности обрезается; если дорожка короче, оставшийся фрагмент видео может быть без звука.
Как задавать диалог
Заключите реплику в кавычки и укажите говорящего. Для 5-секундного ролика реплика должна быть короткой. В 10-секундном оставьте время для пауз и действия. Фоновый звук описывайте отдельно от диалога.
Как составлять промпты для WAN 2.5
Хороший промпт похож на краткое описание кадра. Последовательно задайте объект или персонажа, действие, сцену, камеру, визуальный стиль и звук. В режиме image-to-video сосредоточьтесь на том, что меняется после первого кадра.
| Элемент | Что описать | Пример |
|---|---|---|
| Объект или персонаж | Человек, персонаж, предмет или продукт | A cyclist in a yellow rain jacket |
| Действие | Одно понятное движение | Rides through a flooded street |
| Сцена | Место, погода и время | Empty city at blue hour after heavy rain |
| Камера | Крупность кадра и одно основное движение | Low side-tracking shot |
| Освещение | Направление света, контраст и палитра | Cool streetlights reflected in water |
| Диалог | Точная реплика и манера речи | She says quietly, “We keep moving.” |
| Звук | Эффекты, фоновые звуки или музыка | Tire spray, distant thunder, low pulse |
| Постоянство деталей | Что должно оставаться неизменным | Preserve face, jacket, bicycle, and weather |
Десяти секунд достаточно для одного развёрнутого действия или двух простых событий. Несколько локаций, смена костюмов и разные движения камеры в одном промпте обычно ухудшают связность результата.
Примеры промптов для WAN 2.5
Велосипедист под дождём
Low side-tracking shot of a cyclist in a yellow rain jacket riding through a flooded city street at blue hour. Cool lights reflect in the water. Tire spray, distant thunder, and a restrained electronic pulse. Preserve the rider and bicycle throughout.
Диалог на улице
Medium close-up of a woman waiting beneath a flickering bus-stop light at night. She looks down the empty road and says quietly, “You said you would come back.” Slow push-in. Light rain and distant traffic. No other voices.
Реклама сыворотки
Macro product film of an amber serum bottle beside sliced citrus and wet leaves. The camera slides slowly across condensation as morning light reaches the label. Sound of water drops, soft glass resonance, airy ambient music. Keep the bottle geometry and label readable.
Реклама кофе
Close cinematic sequence in a quiet café. Espresso pours into a white cup, steam curls upward, and a hand places the cup beside an open notebook. Rich machine sound, ceramic contact, soft morning room tone. Warm natural light.
Беговые кроссовки
Low tracking shot following a runner under an elevated railway before sunrise. The shoes strike wet pavement in rhythm. Pale blue haze, gritty realism. Synchronized footsteps, breath, and a train passing overhead.
Презентация продукта
Vertical UGC shot of a creator holding a compact camera in a bright apartment. She smiles and says, “This is the one feature I use every day.” She turns the screen toward the viewer. Natural room tone and one soft notification sound.
Фэнтезийные врата
Wide cinematic shot of a traveler approaching a stone doorway suspended in a glowing forest. The symbols activate as she raises her hand. Slow camera arc, drifting spores, low wind, stone resonance, and distant choral music.
Анимированный талисман
A small illustrated orange robot jumps out of a delivery box, rolls across the table, and says cheerfully, “Right place, right time.” Preserve the drawing style and proportions. Cardboard rustle, wheel sounds, bright two-note music sting.
Модный ролик
Full-body fashion film in a white concrete gallery. A model in a structured red coat walks toward the camera, stops, and turns in profile. Smooth backward tracking, crisp footsteps, subtle fabric movement, minimal electronic beat.
Реклама блюда
Overhead view of fresh pasta being finished with parmesan and basil on a dark wooden table. One continuous slow push-in. Detailed grating and plating sounds, quiet restaurant ambience, warm editorial lighting.
Путник в лесу
Behind view of a lone traveler moving through a dark forest as heavy fog curls around the trees. The camera follows in one continuous shot. Saturated fantasy palette, old-film atmosphere, slow suspenseful pacing, branches and distant birds.
Спортивное интервью
Medium shot of a boxer catching his breath beside the ring. He looks at the interviewer and says, “The last round starts in your head.” Slight handheld movement, gym reverb, rope creaks, and distant training impacts.
Музыкальное выступление
Close performance shot of a singer on a small rooftop at sunset, synchronized to the supplied vocal audio. Natural mouth movement and restrained gestures. Slow clockwise camera arc, wind in clothing, city ambience under the music.
Презентация автомобиля
A silver electric car emerges from a dark tunnel into early morning light. Low front tracking shot, then a controlled side reveal. Tire noise, electric motor tone, tunnel reflections, no dialogue. Preserve body shape, wheels, lights, and paint.
Диалог на русском
Крупный план мужчины у окна поезда на рассвете. Он смотрит на отражение и спокойно говорит: «Иногда дорога важнее пункта назначения». Медленный отъезд камеры, стук колёс, тихий гул вагона, без других голосов.
Рабочий процесс с WAN 2.5 в Phygital+
В рабочем процессе с WAN можно подготовить изображение, промпт и звук до создания видео. Начните с текстового блока, где описаны кадр и диалог. Если важно сохранить внешность персонажа или форму продукта, создайте стабильный первый кадр в модели для изображений. Затем создайте или загрузите аудио и передайте согласованные материалы в WAN 2.5.
- Опишите один 5- или 10-секундный кадр, включая диалог и звуковые слои.
- Создайте или выберите исходное изображение для режима image-to-video.
- Если нужна своя звуковая дорожка, создайте или загрузите голос, музыку либо эффекты.
- Запустите несколько вариантов WAN 2.5, меняя между ними только один параметр.
- Оценивайте движение, внешность персонажа, синхронизацию губ и звук вместе.
- Передайте выбранный результат на увеличение разрешения или монтаж.
Если все исходные материалы и варианты остаются на рабочем поле, можно заменить реплику, направление камеры или первый кадр, сохранив согласованные настройки.
Стоимость WAN 2.5 в Phygital+
WAN 2.5 расходует кредиты Phygital+. Актуальная стоимость отображается в блоке до запуска и зависит от выбранных длительности и разрешения. Проверяйте идею с минимально достаточными настройками, а после согласования создавайте выбранный вариант в итоговом качестве.
Частые проблемы при работе с WAN 2.5
Сцена выглядит слишком быстрой
Оставьте в промпте одно основное действие и выберите 10 секунд, если в сцене должны поместиться и диалог, и движение.
Сгенерированный диалог звучит неразборчиво
Сократите реплику, укажите говорящего и манеру речи, а также попросите не добавлять другие голоса.
Звук не совпадает с действием
Укажите, в какой момент возникает каждый звук, и отделяйте эффекты от фоновых звуков и музыки.
Внешность персонажа меняется
Используйте режим image-to-video с согласованным первым кадром и повторяйте только основные требования к внешности.
Камера движется хаотично
Задайте одно основное движение камеры. Не объединяйте в одном коротком ролике такие команды, как orbit, zoom, pan и crane.
Загруженное аудио обрезается
До запуска подгоните звуковую дорожку под выбранную длительность — 5 или 10 секунд.
Текущие ограничения
WAN 2.5 рассчитана на короткие ролики. Сложные истории из нескольких кадров, несколько говорящих, быстрые взаимодействия рук с предметами, многолюдные сцены и длинные диалоги могут снизить стабильность результата. Если звук описан недостаточно точно, автоматическая озвучка может добавить лишнюю речь или музыку.
Предварительная версия WAN 2.5 доступна через облачные эндпоинты Alibaba Cloud. Условия открытых весов для предыдущих выпусков Wan не следует автоматически применять к этому точному идентификатору модели.
Частые вопросы
Что такое WAN 2.5?
WAN 2.5 — модель Alibaba для создания коротких видео в режимах text-to-video и image-to-video с синхронным сгенерированным или загруженным аудио.
Какова длительность видео WAN 2.5?
Официальные эндпоинты предварительной версии поддерживают ролики длительностью 5 и 10 секунд.
Какие разрешения поддерживает WAN 2.5?
В документации Alibaba указаны разрешения 480p, 720p и 1080p, частота 30 fps и формат MP4.
Создаёт ли WAN 2.5 звук?
Да. Модель может создавать озвучку, эффекты, музыку и фоновые звуки либо синхронизировать видео с загруженным аудиофайлом.
Что выбрать: text-to-video или image-to-video?
Text-to-video подходит для поиска идей. Выбирайте image-to-video, если первый кадр, персонаж, продукт, композиция или визуальный стиль уже согласованы.
Можно ли загрузить своё аудио?
Да. Официальная документация поддерживает аудио в форматах WAV и MP3. Заранее подгоните дорожку под выбранную длительность видео, чтобы важный фрагмент не обрезался.
Может ли WAN 2.5 создавать диалоги?
Да. Заключите точную реплику в кавычки, укажите говорящего и манеру речи и убедитесь, что текст укладывается в выбранную длительность.
У WAN 2.5 открытый исходный код?
У предыдущих выпусков Wan есть варианты с открытыми весами, однако предварительная версия WAN 2.5 описана для облачных эндпоинтов Alibaba Cloud. Проверяйте лицензию точной модели и не переносите на неё условия другой версии.
Сколько стоит WAN 2.5 в Phygital+?
Модель расходует кредиты Phygital+, а актуальная стоимость отображается в блоке до запуска.
Зачем использовать WAN 2.5 в Phygital+?
В Phygital+ можно объединить на одном рабочем поле подготовку сценария, создание первого кадра, голоса и звука, варианты видео WAN, монтаж и увеличение разрешения.
