人聲對白，口型精準同步
Wan 2.5 是第一個能在生成影片時同時生成人聲的 Wan 模型。你在提示詞裡寫下角色要說的台詞，生成的說話聲就會和人物的口型、表情、手勢同步出現。真人出鏡開場白、產品講解、短劇對話都能一次生成，不必再找人配音、反覆對軌。台詞寫得越具體，語氣和節奏越貼近你想要的效果。
Wan 2.5 音畫同步 AI 影片生成器
Wan 2.5 在同一次生成中同時完成畫面和聲音。寫下一段場景描述，或上傳一張圖片作為首幀，就能得到 5 秒或 10 秒、720p 或 1080p 的影片，人聲對白、環境音效和背景音樂都與畫面內容、人物口型精準匹配，不需要再單獨配音和配樂，一步完成整段創作。
Wan 2.5 的核心功能
聲音與畫面一起生成，電影級的鏡頭語言，更強的指令遵循，讓一段提示詞或一張圖片直接變成可以釋出的成片，省去後期配音、配樂和音效製作的時間。
音效與背景音樂同步生成
環境音、動作音效和背景音樂都由同一段提示詞生成，和畫面同時出現。雨點打在玻璃上、深夜酒吧裡的薩克斯、窗外的車流聲，都能落在正確的節拍上。只要在提示詞最後一行列出想要的聲音，Wan 2.5 就會為整個場景配好聲。做短影片時，素材一出來就能直接剪輯釋出。
圖生影片，主體特徵穩定保留
上傳一張圖片作為首幀，Wan 2.5 就會讓它動起來，並配上合適的聲音。人物面貌、服裝造型、商品外觀和整體畫風都會盡量貼近原圖，同時鏡頭和主體自然運動。人像寫真、電商商品圖和插畫作品都很適合用它擴充套件成短影片。想讓動作更可控，就在提示詞裡寫清楚主體怎麼動、鏡頭怎麼走。
運鏡穩定，鏡頭語言可控
跟拍、推鏡、環繞等運鏡指令，Wan 2.5 都能穩定執行，主體不會跑出畫面或變形。快速奔跑的騎手、高速行駛的汽車、整齊起舞的群舞，在整段影片裡都能保持清晰的輪廓。用日常語言描述運鏡方式就可以，不需要專業術語。畫面構圖在運動中依然保持穩定。
複雜變化與特效表現更出色
相比前幾代 Wan 模型，這一代的指令遵循能力明顯增強，提示詞裡的多個事件會按順序發生。比如雨夜裡飛馳的汽車被閃電擊中、隨即燃起大火，可以在同一個鏡頭裡連貫呈現。天氣變化、爆炸、形態轉換等效果都像是場景的一部分，而不是生硬疊加上去的。適合預告片、廣告和創意短片裡的高光瞬間。
電影級光影與大幅度動態
提示詞可以直接使用光線、色彩、構圖等專業影視語言，生成的畫面細節細膩、質感接近電影。群舞、追逐這類大幅度動作也能保持流暢穩定，不易出現肢體錯亂。文生影片支援 16:9、9:16 和 1:1 三種畫面比例，解析度可選 720p 或 1080p。橫屏大片、直式短影片和方形社媒內容都能一步到位。
Wan 2.5 如何創作影片
只需三個簡單步驟，即可創作帶聲音的 AI 影片：
- 01
寫提示詞或上傳圖片
開啟工作台，Wan 2.5 已為你選好。文生影片直接描述場景、台詞和想要的聲音；圖生影片切換到圖生影片模式，上傳一張 JPG、PNG 或 WebP 圖片作為首幀。台詞可以直接寫進提示詞，用引號標出來，方便模型分清誰在說話。
- 02
選擇時長、解析度與比例
時長可選 5 秒或 10 秒，解析度可選 720p 或 1080p。文生影片還可以選擇 16:9、9:16 或 1:1，圖生影片會沿用圖片本身的比例。第一次嘗試建議先用 720p、5 秒測試提示詞，效果滿意後再生成 1080p 或 10 秒版本。
- 03
生成並下載
確認點數後開始生成，帶聲音的成片會出現在你的作品裡，可隨時預覽和下載。不滿意就調整提示詞裡的動作、運鏡或聲音描述，再生成一次。
用 Wan 2.5 文生影片還是圖生影片
兩種方式都會同時生成聲音，區別在於第一幀畫面從哪裡來：文生影片從文字開始自由創作，圖生影片從你的圖片出發，保留原有的人物、商品和畫風。
文生影片
- 起點
- 一段最多 800 字的場景描述
- 畫面比例
- 16:9、9:16 或 1:1
- 聲音
- 提示詞裡寫好的人聲、音效和音樂
- 創作控制
- 角色、場景、光線和運鏡全部由文字自由設定
- 最適合
- 從零開始的故事創意、廣告和社媒短片
圖生影片
- 起點
- 一張作為首幀的圖片，加一段提示詞
- 畫面比例
- 沿用上傳圖片的比例
- 聲音
- 貼合畫面動作與提示詞的聲音
- 創作控制
- 先用圖片鎖定畫面風格，再用提示詞指揮動作
- 最適合
- 讓人像、商品和畫作動起來
Wan 2.5 常見問題解答
關於聲音、時長、圖片要求、提示詞寫法和點數，這裡整理了創作前最常被問到的問題。
Wan 2.5 是什麼？
Wan 2.5 是阿里巴巴 Wan 團隊推出的 AI 影片生成模型，能在生成畫面的同時生成聲音。它支援文生影片和圖生影片，可以生成 5 秒或 10 秒、720p 或 1080p 的影片。
Wan 2.5 生成的影片有聲音嗎？
有。每段影片都會帶音軌，可以包含人聲對白、音效和背景音樂。想要什麼聲音，就在提示詞裡寫出來，比如在最後一行列出雨聲、腳步聲或鋼琴曲。
Wan 2.5 的影片最長多久？解析度是多少？
每段影片為 5 秒或 10 秒，解析度為 720p 或 1080p。文生影片支援 16:9、9:16 和 1:1 三種比例，圖生影片沿用圖片本身的比例。
可以用中文寫提示詞嗎？
可以。提示詞支援中文和英文，最多 800 字。提示詞較短時，系統會自動擴寫補充細節，讓畫面更豐富。
圖生影片對圖片有什麼要求？
上傳一張 JPG、PNG 或 WebP 圖片，它會作為影片的第一幀。主體清晰、光線良好的圖片，生成的動作最穩定。
圖片裡的文字會保持不變嗎？
不一定。人臉、商品和畫風都能較好保留，但選單價格這類小字可能會隨著畫面運動發生變化，釋出前請檢查文字較多的畫面。
人物說話的口型能對上嗎？
能。在提示詞裡寫清楚誰在說話、說什麼，生成的人聲會和人物口型、表情同步。台詞簡短清楚時效果最好。
Wan 2.5 的提示詞怎麼寫效果更好？
按「主體、動作、場景、鏡頭、光線、聲音」的順序來寫效果最好。先說清楚誰在畫面裡、在做什麼，再寫運鏡方式和光線氛圍，最後一行列出想要的人聲、音效和音樂。
Wan 2.5 能做直式短影片嗎？
能。文生影片可以直接選擇 9:16 直式比例，適合 TikTok、Instagram Reels 和 YouTube Shorts 等短影音平台；圖生影片上傳直式圖片，也會生成直式影片。
生成一段 Wan 2.5 影片需要多少點數？
720p 的 5 秒影片需要 37 點數，10 秒需要 74 點數；1080p 的 5 秒影片需要 62 點數，10 秒需要 123 點數。
Wan 2.5 和 Wan 2.6 有什麼區別？
Wan 2.6 增加了多鏡頭敘事，時長可到 15 秒。Wan 2.5 更適合單鏡頭的 5 秒或 10 秒音畫同步影片，點數也更省。
Wan 2.5 支援多鏡頭敘事嗎？
不支援，Wan 2.5 每次生成一個連續鏡頭。需要在一段影片裡切換多個鏡頭講故事，可以使用 Wan 2.6 的多鏡頭功能。
Wan 2.5 適合做什麼內容？
適合社媒短影片、真人出鏡開場白、產品預告、音樂片段和電影感短場景，尤其是聲音和畫面同樣重要的內容。