Was sind die Wan-Videomodelle und wie nutzt du sie?

Kurze Antwort: Wan ist Alibabas Familie von Videomodellen. Sie erzeugt kurze Clips aus einer Szene, die du beschreibst (Text-zu-Video), oder aus einem Foto, das du hochlädst (Bild-zu-Video). Die ersten Versionen wurden als offene Gewichte veröffentlicht, das heißt, du kannst die Modelle herunterladen und auf deinem eigenen Computer ausführen. Neuere Versionen werden als API über Alibaba Cloud Model Studio angeboten. Dieser Artikel erklärt, welche Version was ist, was die offizielle Dokumentation zu den Grenzen sagt und wie du Prompts schreibst.

Was ist Wan, und wer hat es entwickelt?

Wan ist eine Familie generativer Videomodelle, die Alibaba veröffentlicht hat. Die offiziellen Repositories liegen im Konto Wan-Video auf GitHub, die Dokumentation der gehosteten Versionen steht in Alibaba Cloud Model Studio. Das sind zwei getrennte Wege, die nicht dasselbe bieten: Die offenen Repositories geben dir Gewichte, die du auf deiner eigenen Hardware ausführen kannst, während die Model-Studio-Dokumentation Versionen beschreibt, die du als Dienst aufrufst.

Die Unterscheidung ist wichtig, denn wenn du in einem Artikel oder Video einen Namen wie „Wan 2.6“ siehst, musst du wissen, ob es ein herunterladbares Modell oder ein API-Modell ist. In den folgenden Abschnitten geben wir nur wieder, was in den offiziellen Repositories und der Dokumentation steht.

Welche Wan-Versionen sind offene Gewichte?

Laut den offiziellen Repositories wurden zwei Versionsfamilien als offene Gewichte veröffentlicht, und beide tragen die Apache-2.0-Lizenz.

Version	Veröffentlichung (Nachrichtenbereich des Repos)	Hauptmodelle	Offizielle Auflösungsangabe
Wan2.1	25. Februar 2025	T2V-14B, T2V-1.3B, I2V-14B, FLF2V-14B, VACE	480P und 720P (480P für T2V-1.3B empfohlen)
Wan2.2	28. Juli 2025	T2V-A14B, I2V-A14B, TI2V-5B; später S2V-14B und Animate-14B	480P und 720P (720P für TI2V-5B)

Das Wan2.1-Repository deckt Text-zu-Video, Bild-zu-Video, Erstes-und-letztes-Bild-zu-Video sowie Videobearbeitung mit VACE ab. Für das kleinste Text-zu-Video-Modell, T2V-1.3B, nennt das Repository etwa 8,19 GB Videospeicher und dass ein 5 Sekunden langes 480P-Video auf einer RTX 4090 in etwa 4 Minuten entsteht. Es gibt also ein Modell, das du schon auf einer handelsüblichen Grafikkarte ausprobieren kannst.

Das Wan2.2-Repository beschreibt die Bauweise „Mixture of Experts“ (MoE): Die A14B-Modelle haben insgesamt 27 Milliarden Parameter, aber in jedem Schritt sind etwa 14 Milliarden aktiv. Ein Experte übernimmt die frühen Schritte, die das grobe Layout festlegen, ein anderer die späteren Schritte, die Details ausarbeiten. Das TI2V-5B-Modell, das sowohl Text als auch Bilder verarbeitet, ist mit 720P und 24 Bildern pro Sekunde aufgeführt; das Repository gibt an, dass es mindestens 24 GB Videospeicher auf einer einzelnen Grafikkarte braucht. Für die A14B-Modelle liegt diese Schwelle bei 80 GB.

Das Repository hat später Modelle für Ton und Figurenanimation ergänzt: sprachgesteuertes Video (S2V-14B) im August 2025 sowie Figurenanimation und -austausch (Animate-14B) im September 2025. Der Nachrichtenbereich erwähnt Wan2.5 oder spätere Versionen nicht.

Was bieten die gehosteten Versionen?

Die Dokumentation von Alibaba Cloud Model Studio führt neuere Versionen als API-Modelle auf. Hier ist die Tabelle aus ihrer Referenz für Text-zu-Video:

Modellname	Dauer	Auflösungsoptionen	Ton
wan2.1-t2v-turbo / plus	Fest 5 Sekunden	480p-720p / nur 720p	Ohne Ton
wan2.2-t2v-plus	Fest 5 Sekunden	480p und 1080p	Ohne Ton
wan2.5-t2v-preview	5 oder 10 Sekunden	480p, 720p, 1080p	Standardmäßig erzeugt
wan2.6-t2v	2 bis 15 Sekunden	720p und 1080p	Standardmäßig erzeugt
wan2.7-t2v	2 bis 15 Sekunden	720p und 1080p	Optionale Toneingabe; ohne sie erzeugt das Modell Musik oder Effekte

Laut Dokumentation kannst du ab 2.5 eine eigene Audiodatei (WAV oder MP3) angeben; Ton, der länger als das Video ist, wird abgeschnitten, kürzerer Ton wird von Stille gefolgt. Nur 2.6 und 2.7 unterstützen Videos mit mehreren Einstellungen, bei denen du die einzelnen Einstellungen im Prompt beschreibst. Die Ausgabe ist MP4 (H.264). Eine Warnung: Model Studio sagt, dass Videolinks und Task-IDs 24 Stunden gültig bleiben, lade dein Ergebnis also sofort herunter.

Wie funktionieren Text-zu-Video und Bild-zu-Video?

Text-zu-Video: Du schreibst nur einen Prompt, und das Modell versucht, Motiv, Szene und Bewegung so aufzubauen, wie du sie beschrieben hast. Laut Dokumentation kann der Prompt ab 2.5 bis zu 1.500 Zeichen lang sein (bei 2.1 und 2.2 sind es 800), der Negativ-Prompt bis zu 500 Zeichen; was darüber hinausgeht, wird abgeschnitten.

Bild-zu-Video: Du lädst ein Foto hoch, und das Modell verwendet es als erstes Bild des Videos und belebt es. Die Dokumentation nennt für das Eingabebild JPEG, PNG (ohne Transparenz), BMP und WEBP, Kantenlängen zwischen 240 und 8000 Pixeln und für 2.5 und 2.6 eine maximale Dateigröße von 20 MB. Die Ausgabe behält das Seitenverhältnis des Eingabebildes nur ungefähr bei, nicht exakt, weil die Maße Vielfache von 16 sein müssen.

Die Dokumentation stellt 2.7 mit zusätzlichen Modi wie Erstes-und-letztes-Bild und Videofortsetzung vor; das Tor „vom Foto zum Video“ ist also nicht auf das erste Bild beschränkt. Welche Modi dein Werkzeug aktiviert hat, musst du in der eigenen Oberfläche prüfen.

Wie schreibst du einen guten Wan-Prompt?

Alibabas eigener Prompt-Leitfaden gibt eine einfache Formel vor: Motiv + Szene + Bewegung. Die fortgeschrittenere Version fügt ästhetische Steuerung (Licht, Einstellung) und Stil hinzu. Laut Leitfaden lassen schwache Prompts meist die ästhetische Steuerung und den Stil aus, und das Ergebnis ist eine starre Kamera in einer unbestimmten Umgebung.

Schwach: A woman walks in a city.

Besser: A young woman in a yellow raincoat walks along a wet cobblestone street at dusk, medium shot, camera slowly pushes in, warm streetlamp light reflecting on the stones, soft film look.

Weitere Punkte, die der Leitfaden hervorhebt:

• Kamerasprache: Einstellungsgröße (Nahaufnahme, Halbnah, Weitwinkel), Winkel (Augenhöhe, Untersicht, Vogelperspektive) und Bewegung (Heranfahren, Wegfahren, Umkreisen, feste Kamera) lassen sich getrennt beschreiben. Bei Umkreisbewegungen empfiehlt der Leitfaden, den Bogen unter 45 Grad zu halten.
• Licht: Ausdrücke wie Tageslicht, weiches oder hartes Licht, Seitenlicht, Gegenlicht sowie warme oder kühle Töne steuern das Ergebnis deutlich.
• Bewegung: Nenne Ausmaß und Tempo („langsam“, „schnell“). Halte Handlungen einfach und kurz; lange Choreografien funktionieren schlecht. Ein Clip sollte eine durchgehende Einstellung sein, Szenenwechsel bleiben zwischen den Clips.
• Bei Bild-zu-Video: Das Bild legt bereits Motiv, Szene und Stil fest; schreibe im Prompt nur, was sich bewegt und was die Kamera tut.
• Mehrere Einstellungen: Für 2.6 und 2.7 empfiehlt der Leitfaden eine Gesamtbeschreibung, gefolgt von nummerierten Einstellungen mit Zeitmarken, etwa „Shot 1 [0-3 s]“.
• Ton: Ab 2.5 kannst du Sprache, Effekte und Musik neben dem visuellen Prompt ergänzen.

Bild zu Video: The girl slowly turns her head toward the window and smiles; curtains sway in a gentle breeze; the camera stays fixed.

Alibaba bietet außerdem die Einstellung prompt_extend: Sie ist standardmäßig aktiviert, und ein Sprachmodell erweitert dabei einen kurzen Prompt. Laut Dokumentation verbessert das die Qualität, verlängert aber die Wartezeit. Auch die offenen Repositories empfehlen diese Idee: Die Prompt-Erweiterung wird empfohlen, um Details im Video anzureichern.

Seed und Wiederholbarkeit

In Model Studio ist der Seed eine ganze Zahl von 0 bis 2.147.483.647; wenn du keinen angibst, wird zufällig einer gewählt. Ein fester Seed macht Ergebnisse besser wiederholbar, aber die Dokumentation ist eindeutig: Die Erzeugung ist probabilistisch, und auch mit demselben Seed können Ergebnisse abweichen. Ein Seed ist also keine „Speichertaste“, sondern ein Richtungszeiger.

Welche Grenzen sind offiziell bekannt?

• Schrift und Lippensynchronisation: Alibabas Prompt-Leitfaden rät, weder vollständig lesbare Schrift auf dem Bildschirm noch verlässliche Lippensynchronisation auf bestimmte Wörter zu erwarten.
• Namen echter Personen: Der Leitfaden rät davon ab, echte Personen namentlich zu nennen; Plattformen können solche Prompts ablehnen oder die Ergebnisse werden inkonsistent.
• Kreisförmige Bewegung: Bei Bild-zu-Video ist in der Dokumentation vermerkt, dass wan2.6-i2v-flash bei dauerhafter Drehung runder Objekte kurz hängen bleiben kann.
• Hardware: Wenn du die offenen Modelle selbst ausführst, brauchen die A14B-Modelle mindestens 80 GB Videospeicher auf einer einzelnen Grafikkarte; deshalb ist für die meisten Menschen eine gehostete Version oder ein kleineres Modell realistischer.
• Bildrate: Die API-Dokumentation nennt die Bildrate der gehosteten Versionen nicht; du erfährst sie nur aus der Ausgabe deines eigenen Werkzeugs.

Außerdem gibt es deine eigene Verantwortung: Hol dir die Erlaubnis, bevor du das Foto eines anderen Menschen belebst, und teile das Ergebnis als KI-generiert. Die Apache-2.0-Lizenz erhebt keinen Anspruch auf erzeugte Inhalte, das Repository betont aber ebenfalls, dass die Verantwortung für die Nutzung bei den Nutzenden liegt.

Für wen ist Wan, und wann?

• Wer auf dem eigenen Computer experimentieren will: Wan2.1 T2V-1.3B oder Wan2.2 TI2V-5B sind den handelsüblichen Grafikkarten am nächsten.
• Wer längere und vertonte Clips möchte: Die Versionen 2.5, 2.6 und 2.7 in Model Studio, mit bis zu 15 Sekunden und Tonunterstützung.
• Wer ein stehendes Foto beleben möchte: Die Bild-zu-Video-Modi; ein kurzer, bewegungsorientierter Prompt genügt.

Häufige Fehler

• Offene Gewichte und gehostete Version verwechseln: Die Repositories enden bei 2.2; 2.5, 2.6 und 2.7 tauchen in der Dokumentation als API-Modelle auf.
• In einem Prompt viele Szenen verlangen: Halte einen Clip bei einer durchgehenden Einstellung; baue die Geschichte Clip für Clip auf oder verwende das Format mit mehreren Einstellungen.
• Die Kamera nicht angeben: Wenn du sie nicht angibst, ist das Ergebnis oft eine feste Kamera.
• Bei Bild-zu-Video das Bild noch einmal beschreiben: Zähle nicht auf, was das Foto zeigt; beschreibe die Bewegung.
• Komplexe Choreografien schreiben: Einfache, kurze Handlungen werden sauberer.
• Das Ergebnis herunterzuladen vergessen: Gehostete Links sind 24 Stunden gültig.

Zusammenfassung

• Wan ist Alibabas Familie von Videomodellen; Wan2.1 und Wan2.2 sind offene Gewichte (Apache 2.0), 2.5 bis 2.7 werden in Model Studio als API angeboten.
• Laut offizieller Dokumentation erzeugen die gehosteten Versionen 2.6 und 2.7 2 bis 15 Sekunden in 720p und 1080p; Ton wird seit 2.5 unterstützt.
• Ein guter Prompt umfasst Motiv, Szene, Bewegung, Licht und Kamera; bei Bild-zu-Video nur Bewegung und Kamera.
• Ein Seed verbessert die Wiederholbarkeit, garantiert sie aber nicht.
• Schrift, Lippensynchronisation und Namen echter Personen sind bekannte Schwachstellen.
• Lade Ergebnisse sofort herunter, hol dir für fremde Fotos die Erlaubnis und kennzeichne das Video als KI-generiert.