Wan 2.5 erzeugt Bild und Ton in einem Durchgang. Beschreiben Sie eine Szene oder laden Sie ein Startbild hoch und erhalten Sie einen 5 oder 10 Sekunden langen Clip in 720p oder 1080p – mit Dialogen, Soundeffekten und Musik, die zum Bild und zu den Lippen der Sprechenden passen.
Ton, der mit dem Bild entsteht, filmische Kamerasprache und genaueres Befolgen von Anweisungen machen aus einem Prompt oder Bild einen fertigen Clip.
Wan 2.5 ist das erste Wan-Modell, das Stimmen zusammen mit dem Video erzeugt. Schreiben Sie, was eine Figur sagt, und die Sprache kommt synchron zu Mund, Mimik und Gesten. Intros vor der Kamera, Produkterklärungen und kurze Dramaszenen brauchen keine separate Vertonung mehr.
Atmo, Soundeffekte und Hintergrundmusik entstehen aus demselben Prompt wie das Bild. Regen an der Scheibe, ein Saxofon in einer Bar spät in der Nacht oder Verkehr vor dem Fenster setzen genau im richtigen Moment ein. Listen Sie die gewünschten Geräusche am Ende des Prompts auf, und das Modell vertont die Szene.
Laden Sie ein Bild als ersten Frame hoch, und das Modell animiert es mit Ton. Gesichter, Outfits, Produkte und der Zeichenstil bleiben nah am Original, während Kamera und Motiv sich bewegen. Das passt zu Porträts, Katalogfotos und Illustrationen.
Wan 2.5 folgt Kameraanweisungen wie Kamerafahrten, Ranfahrten und Kreisfahrten, ohne das Motiv zu verlieren. Schnelle Action bleibt lesbar: Reiter, Autos und Tänzer behalten über den ganzen Clip ihre Form. Beschreiben Sie die Bewegung einfach in Alltagssprache.
Anweisungen werden genauer umgesetzt als bei früheren Wan-Versionen, sodass mehrere Ereignisse in der richtigen Reihenfolge passieren. Ein Auto, das durch den Regen rast, kann in einer einzigen Einstellung vom Blitz getroffen werden und in Flammen aufgehen. Wetter, Explosionen und Verwandlungen wirken wie ein Teil der Szene, nicht wie aufgesetzt.
Prompts dürfen die Fachsprache für Licht, Farbe und Bildaufbau nutzen, und das Modell setzt sie detailreich um. Große Bewegungen wie eine Gruppenchoreografie bleiben flüssig und stabil. Text zu Video bietet 16:9, 9:16 oder 1:1 in 720p oder 1080p.
In drei einfachen Schritten zu KI-Videos mit Ton:
Öffnen Sie den Arbeitsbereich mit bereits ausgewähltem Wan 2.5. Für Text zu Video beschreiben Sie Szene, Dialog und Geräusche; für Bild zu Video laden Sie ein Startbild hoch.
Wählen Sie 5 oder 10 Sekunden und 720p oder 1080p. Bei Text zu Video wählen Sie zusätzlich 16:9, 9:16 oder 1:1; Bild zu Video übernimmt die Form Ihres Bildes.
Bestätigen Sie die Credits und starten Sie. Der fertige Clip samt Ton erscheint in Ihren Werken und lässt sich ansehen und herunterladen.
Beide Modi erzeugen Ton zum Bild; der Unterschied liegt darin, woher der erste Frame kommt.
Antworten zu Ton, Länge, Bildern und Credits.
Wan 2.5 ist ein KI-Videomodell des Wan-Teams von Alibaba, das Bild und Ton gemeinsam erzeugt. Es unterstützt Text zu Video und Bild zu Video und erstellt Clips mit 5 oder 10 Sekunden in 720p oder 1080p.
Ja. Jeder Clip hat eine Tonspur, die Dialoge, Soundeffekte und Musik enthalten kann. Beschreiben Sie die Geräusche im Prompt, etwa in einer letzten Zeile, die sie auflistet.
Jedes Video ist 5 oder 10 Sekunden lang, in 720p oder 1080p. Text zu Video bietet 16:9, 9:16 und 1:1; Bild zu Video behält die Form Ihres Bildes.
Prompts können auf Chinesisch oder Englisch geschrieben werden, mit bis zu 800 Zeichen. Kurze Prompts werden automatisch mit Details ergänzt.
Laden Sie ein JPG-, PNG- oder WebP-Bild hoch; es wird zum ersten Frame. Ein klares Motiv und gutes Licht ergeben die stabilste Bewegung.
Nicht immer. Gesichter, Produkte und Stil bleiben gut erhalten, kleine Schrift wie Preise auf einer Speisekarte kann sich aber in der Bewegung verändern; prüfen Sie das vor dem Veröffentlichen.
Ja. Schreiben Sie in den Prompt, wer spricht und was gesagt wird, dann entsteht die Stimme synchron zu Mund und Mimik. Kurze, klare Sätze funktionieren am besten.
Gehen Sie in dieser Reihenfolge vor: Motiv, Handlung, Ort, Kamera, Licht, Ton. Beschreiben Sie, wer im Bild ist und was passiert, ergänzen Sie Kamerabewegung und Stimmung und schließen Sie mit einer Zeile für Stimmen, Effekte und Musik.
Ja. Text zu Video bietet 9:16 für TikTok, Instagram Reels und YouTube Shorts, und ein Hochformatbild in Bild zu Video ergibt einen Clip im Hochformat.
In 720p kosten 5 Sekunden 37 Credits und 10 Sekunden 74 Credits. In 1080p kosten 5 Sekunden 62 Credits und 10 Sekunden 123 Credits.
Wan 2.6 bietet Multi-Shot-Erzählung und 15-Sekunden-Clips. Wan 2.5 ist die günstigere Wahl für Einzeleinstellungen mit 5 oder 10 Sekunden und synchronem Ton.
Nein. Jede Generierung ist eine durchgehende Einstellung. Für mehrere Einstellungen in einem Video nutzen Sie die Multi-Shot-Option von Wan 2.6.
Für Social-Clips, Intros, Produkt-Teaser, Musikmomente und kurze filmische Szenen – überall dort, wo der Ton so wichtig ist wie das Bild.
Schreiben Sie eine Szene oder laden Sie ein Bild hoch und erhalten Sie einen 1080p-Clip mit Stimmen, Effekten und Musik.
Jetzt erstellen
