人声对白，口型精准同步
Wan 2.5 是第一个能在生成视频时同时生成人声的 Wan 模型。你在提示词里写下角色要说的台词，生成的说话声就会和人物的口型、表情、手势同步出现。真人出镜开场白、产品讲解、短剧对话都能一次生成，不必再找人配音、反复对轨。台词写得越具体，语气和节奏越贴近你想要的效果。
Wan 2.5 音画同步 AI 视频生成器
Wan 2.5 在同一次生成中同时完成画面和声音。写下一段场景描述，或上传一张图片作为首帧，就能得到 5 秒或 10 秒、720p 或 1080p 的视频，人声对白、环境音效和背景音乐都与画面内容、人物口型精准匹配，不需要再单独配音和配乐，一步完成整段创作。
Wan 2.5 的核心功能
声音与画面一起生成，电影级的镜头语言，更强的指令遵循，让一段提示词或一张图片直接变成可以发布的成片，省去后期配音、配乐和音效制作的时间。
音效与背景音乐同步生成
环境音、动作音效和背景音乐都由同一段提示词生成，和画面同时出现。雨点打在玻璃上、深夜酒吧里的萨克斯、窗外的车流声，都能落在正确的节拍上。只要在提示词最后一行列出想要的声音，Wan 2.5 就会为整个场景配好声。做短视频时，素材一出来就能直接剪辑发布。
图生视频，主体特征稳定保留
上传一张图片作为首帧，Wan 2.5 就会让它动起来，并配上合适的声音。人物面貌、服装造型、商品外观和整体画风都会尽量贴近原图，同时镜头和主体自然运动。人像写真、电商商品图和插画作品都很适合用它扩展成短视频。想让动作更可控，就在提示词里写清楚主体怎么动、镜头怎么走。
运镜稳定，镜头语言可控
跟拍、推镜、环绕等运镜指令，Wan 2.5 都能稳定执行，主体不会跑出画面或变形。快速奔跑的骑手、高速行驶的汽车、整齐起舞的群舞，在整段视频里都能保持清晰的轮廓。用日常语言描述运镜方式就可以，不需要专业术语。画面构图在运动中依然保持稳定。
复杂变化与特效表现更出色
相比前几代 Wan 模型，这一代的指令遵循能力明显增强，提示词里的多个事件会按顺序发生。比如雨夜里飞驰的汽车被闪电击中、随即燃起大火，可以在同一个镜头里连贯呈现。天气变化、爆炸、形态转换等效果都像是场景的一部分，而不是生硬叠加上去的。适合预告片、广告和创意短片里的高光瞬间。
电影级光影与大幅度动态
提示词可以直接使用光线、色彩、构图等专业影视语言，生成的画面细节细腻、质感接近电影。群舞、追逐这类大幅度动作也能保持流畅稳定，不易出现肢体错乱。文生视频支持 16:9、9:16 和 1:1 三种画面比例，分辨率可选 720p 或 1080p。横屏大片、竖屏短视频和方形社媒内容都能一步到位。
Wan 2.5 如何创作视频
只需三个简单步骤，即可创作带声音的 AI 视频：
- 01
写提示词或上传图片
打开工作台，Wan 2.5 已为你选好。文生视频直接描述场景、台词和想要的声音；图生视频切换到图生视频模式，上传一张 JPG、PNG 或 WebP 图片作为首帧。台词可以直接写进提示词，用引号标出来，方便模型分清谁在说话。
- 02
选择时长、分辨率与比例
时长可选 5 秒或 10 秒，分辨率可选 720p 或 1080p。文生视频还可以选择 16:9、9:16 或 1:1，图生视频会沿用图片本身的比例。第一次尝试建议先用 720p、5 秒测试提示词，效果满意后再生成 1080p 或 10 秒版本。
- 03
生成并下载
确认积分后开始生成，带声音的成片会出现在你的作品里，可随时预览和下载。不满意就调整提示词里的动作、运镜或声音描述，再生成一次。
用 Wan 2.5 文生视频还是图生视频
两种方式都会同时生成声音，区别在于第一帧画面从哪里来：文生视频从文字开始自由创作，图生视频从你的图片出发，保留原有的人物、商品和画风。
文生视频
- 起点
- 一段最多 800 字的场景描述
- 画面比例
- 16:9、9:16 或 1:1
- 声音
- 提示词里写好的人声、音效和音乐
- 创作控制
- 角色、场景、光线和运镜全部由文字自由设定
- 最适合
- 从零开始的故事创意、广告和社媒短片
图生视频
- 起点
- 一张作为首帧的图片，加一段提示词
- 画面比例
- 沿用上传图片的比例
- 声音
- 贴合画面动作与提示词的声音
- 创作控制
- 先用图片锁定画面风格，再用提示词指挥动作
- 最适合
- 让人像、商品和画作动起来
Wan 2.5 常见问题解答
关于声音、时长、图片要求、提示词写法和积分，这里整理了创作前最常被问到的问题。
Wan 2.5 是什么？
Wan 2.5 是阿里巴巴 Wan 团队推出的 AI 视频生成模型，能在生成画面的同时生成声音。它支持文生视频和图生视频，可以生成 5 秒或 10 秒、720p 或 1080p 的视频。
Wan 2.5 生成的视频有声音吗？
有。每段视频都会带音轨，可以包含人声对白、音效和背景音乐。想要什么声音，就在提示词里写出来，比如在最后一行列出雨声、脚步声或钢琴曲。
Wan 2.5 的视频最长多久？分辨率是多少？
每段视频为 5 秒或 10 秒，分辨率为 720p 或 1080p。文生视频支持 16:9、9:16 和 1:1 三种比例，图生视频沿用图片本身的比例。
可以用中文写提示词吗？
可以。提示词支持中文和英文，最多 800 字。提示词较短时，系统会自动扩写补充细节，让画面更丰富。
图生视频对图片有什么要求？
上传一张 JPG、PNG 或 WebP 图片，它会作为视频的第一帧。主体清晰、光线良好的图片，生成的动作最稳定。
图片里的文字会保持不变吗？
不一定。人脸、商品和画风都能较好保留，但菜单价格这类小字可能会随着画面运动发生变化，发布前请检查文字较多的画面。
人物说话的口型能对上吗？
能。在提示词里写清楚谁在说话、说什么，生成的人声会和人物口型、表情同步。台词简短清楚时效果最好。
Wan 2.5 的提示词怎么写效果更好？
按“主体、动作、场景、镜头、光线、声音”的顺序来写效果最好。先说清楚谁在画面里、在做什么，再写运镜方式和光线氛围，最后一行列出想要的人声、音效和音乐。
Wan 2.5 能做竖屏短视频吗？
能。文生视频可以直接选择 9:16 竖屏比例，适合抖音、快手、视频号和小红书等平台；图生视频上传竖版图片，也会生成竖屏视频。
生成一段 Wan 2.5 视频需要多少积分？
720p 的 5 秒视频需要 37 积分，10 秒需要 74 积分；1080p 的 5 秒视频需要 62 积分，10 秒需要 123 积分。
Wan 2.5 和 Wan 2.6 有什么区别？
Wan 2.6 增加了多镜头叙事，时长可到 15 秒。Wan 2.5 更适合单镜头的 5 秒或 10 秒音画同步视频，积分也更省。
Wan 2.5 支持多镜头叙事吗？
不支持，Wan 2.5 每次生成一个连续镜头。需要在一段视频里切换多个镜头讲故事，可以使用 Wan 2.6 的多镜头功能。
Wan 2.5 适合做什么内容？
适合社媒短视频、真人出镜开场白、产品预告、音乐片段和电影感短场景，尤其是声音和画面同样重要的内容。