口の動きに合ったセリフ
Wan 2.5 は、動画と同時に人の声を生成できる初めての Wan モデルです。キャラクターのセリフを書けば、口の動き、表情、身ぶりに合わせて声が入ります。自己紹介動画、商品説明、短いドラマのワンシーンも、別撮りのナレーションなしで仕上がります。
Wan 2.5 音声同期AI動画生成
Wan 2.5 は映像と音声を1回の生成でまとめて作ります。シーンを文章で書くか、最初のフレームにする画像をアップロードするだけで、720p または 1080p の5秒・10秒動画が完成。セリフ、効果音、BGM が映像と話し手の口の動きにぴったり合います。
Wan 2.5 の主な機能
映像と一緒に生まれる音、映画的なカメラ表現、より正確なプロンプト理解で、1つのプロンプトや1枚の画像がそのまま完成した動画になります。
効果音とBGMも同じテイクで
環境音、効果音、BGM は映像と同じプロンプトから生成されます。窓を打つ雨、深夜のバーのサックス、窓の外の車の音も、ちょうどよいタイミングで鳴ります。プロンプトの最後に欲しい音を並べておけば、シーン全体に音が付きます。
被写体を保ったまま画像から動画へ
1枚の画像を最初のフレームとしてアップロードすると、音付きで動き出します。顔、衣装、商品、絵のタッチは元の画像に近いまま、カメラと被写体が自然に動きます。ポートレート、商品写真、イラストを短い動画に広げたいときに向いています。
安定してコントロールできるカメラワーク
Wan 2.5 は、追いかけるショット、寄り、回り込みといったカメラ指示に従い、被写体を見失いません。速いアクションでも形が崩れにくく、騎手、車、ダンサーの輪郭が最後まで保たれます。カメラの動きはふだんの言葉で書くだけで十分です。
複雑な変化と視覚効果
これまでの Wan よりも指示への忠実さが上がり、複数の出来事が順番どおりに起こります。雨の中を走る車に雷が落ち、炎に包まれるまでを1カットで描けます。天候の変化、爆発、変身も、後から重ねたものではなくシーンの一部として見えます。
映画的なライティングと大きな動き
光、色、構図といった映像のプロの言葉をそのままプロンプトに使え、細部まで丁寧に描写されます。群舞のような大きな動きも滑らかで安定しています。テキストから動画では 16:9、9:16、1:1 を選べ、解像度は 720p または 1080p です。
Wan 2.5 で動画を作る方法
3つのステップで音付きのAI動画を作成できます：
- 01
プロンプトを書くか画像を追加
Wan 2.5 が選択された状態でワークスペースが開きます。テキストから動画ならシーン、セリフ、音を書き、画像から動画なら最初のフレームにする画像を1枚アップロードします。
- 02
長さ・解像度・比率を選ぶ
5秒か10秒、720p か 1080p を選びます。テキストから動画では 16:9、9:16、1:1 も選べ、画像から動画は元画像の形に合わせます。
- 03
生成してダウンロード
クレジットを確認して生成を開始します。音声付きの完成動画が作品一覧に表示され、プレビューもダウンロードもすぐにできます。
Wan 2.5 のテキストから動画と画像から動画
どちらのモードも映像と一緒に音を生成します。違うのは最初のフレームの出どころです。
テキストから動画
- 出発点
- 800文字までのシーン描写
- 画面比率
- 16:9、9:16、1:1
- 音
- プロンプトに書いたセリフ、効果音、音楽
- 表現のコントロール
- 人物、舞台、光、カメラをすべて自由に設定
- おすすめの用途
- ゼロから作るストーリー、広告、SNS動画
画像から動画
- 出発点
- 最初のフレームになる画像1枚とプロンプト
- 画面比率
- アップロードした画像に合わせる
- 音
- 動き出した画像とプロンプトに合う音
- 表現のコントロール
- 見た目を画像で固定し、動きを演出
- おすすめの用途
- 人物写真、商品、アート作品に動きを
Wan 2.5 よくある質問
音声、長さ、画像入力、クレジットについての回答です。
Wan 2.5 とは何ですか？
Wan 2.5 は Alibaba の Wan チームによるAI動画モデルで、映像と音声を一緒に生成します。テキストから動画と画像から動画に対応し、720p または 1080p の5秒・10秒動画を作れます。
Wan 2.5 の動画に音は入りますか？
はい。すべての動画に音声トラックが付き、セリフ、効果音、BGM を含められます。欲しい音はプロンプトに書いてください。最後の行に並べると伝わりやすくなります。
Wan 2.5 の動画の長さと解像度は？
1本あたり5秒または10秒で、720p か 1080p です。テキストから動画は 16:9、9:16、1:1 に対応し、画像から動画は元画像の形を保ちます。
日本語でプロンプトを書けますか？
プロンプトは中国語と英語に対応しており、最大800文字です。短いプロンプトは自動で詳しく補われます。
画像から動画にはどんな画像を使えますか？
JPG、PNG、WebP の画像を1枚アップロードすると、それが最初のフレームになります。被写体がはっきりして明るい画像ほど、動きが安定します。
画像の中の文字はそのまま残りますか？
必ず残るとは限りません。顔、商品、絵のタッチはよく保たれますが、メニューの値段のような小さな文字は動きの中で変わることがあります。公開前に確認してください。
口の動きはセリフと合いますか？
はい。誰が何を話すかをプロンプトに書けば、話し手の口と表情に合わせて声が生成されます。短くはっきりしたセリフほどきれいに合います。
Wan 2.5 のプロンプトはどう書けばよいですか？
被写体、動作、場所、カメラ、光、音の順に書くのがおすすめです。誰が何をしているかを書き、カメラの動きと雰囲気を加え、最後の行に欲しいセリフ・効果音・音楽を並べます。
Wan 2.5 で縦長の動画も作れますか？
はい。テキストから動画では TikTok、Instagram リール、YouTube ショート向けの 9:16 を選べます。画像から動画で縦長の画像を使うと縦長の動画になります。
Wan 2.5 は何クレジット使いますか？
720p は5秒で37クレジット、10秒で74クレジットです。1080p は5秒で62クレジット、10秒で123クレジットです。
Wan 2.5 と Wan 2.6 の違いは？
Wan 2.6 はマルチショットと15秒の動画に対応します。Wan 2.5 は、音声付きの5秒・10秒のワンショット動画を抑えたクレジットで作りたいときに向いています。
Wan 2.5 はマルチショット動画に対応していますか？
いいえ。1回の生成は1つの連続したショットです。1本の中で複数のショットを切り替えたいときは、Wan 2.6 のマルチショットを使ってください。
Wan 2.5 は何に向いていますか？
SNS動画、自己紹介、商品ティーザー、音楽のワンシーン、映画風の短いシーンなど、映像と同じくらい音が大切な動画に向いています。