¿Qué son los modelos de vídeo Wan y cómo se usan?

Respuesta corta: Wan es la familia de modelos de generación de vídeo de Alibaba. Genera clips cortos a partir de una escena escrita (texto a vídeo) o de una foto que subes (imagen a vídeo). Las primeras versiones se publicaron con pesos abiertos, es decir, puedes descargar los modelos y ejecutarlos en tu propio ordenador; las versiones más recientes se ofrecen como API a través de Alibaba Cloud Model Studio. En este artículo explicamos qué versión es cuál, los límites de la documentación oficial y cómo escribir un buen prompt.

¿Qué es Wan y quién lo desarrolló?

Wan es una familia de modelos de vídeo generativo publicada por Alibaba. Los repositorios oficiales están en la cuenta Wan-Video de GitHub, y la documentación de las versiones en la nube está en Alibaba Cloud Model Studio. Hay dos puertas distintas y no ofrecen lo mismo: los repositorios abiertos proporcionan los pesos para ejecutarlos en tu propio equipo, mientras que la documentación de Model Studio describe las versiones que llamas como servicio.

Esta diferencia importa, porque cuando veas un nombre como «Wan 2.6» en un artículo o en un vídeo, necesitas saber si se trata de un modelo descargable o de un modelo de API. En las secciones siguientes solo recogemos lo que aparece en los repositorios y en la documentación oficiales.

¿Qué versiones de Wan son de pesos abiertos?

Según los repositorios oficiales, dos familias de versiones se publicaron con pesos abiertos, y ambas tienen licencia Apache 2.0.

Versión	Publicación (sección de noticias del repositorio)	Modelos principales	Información oficial de resolución
Wan2.1	25 de febrero de 2025	T2V-14B, T2V-1.3B, I2V-14B, FLF2V-14B, VACE	480P y 720P (para T2V-1.3B se recomienda 480P)
Wan2.2	28 de julio de 2025	T2V-A14B, I2V-A14B, TI2V-5B; después, S2V-14B y Animate-14B	480P y 720P (para TI2V-5B, 720P)

El repositorio de Wan2.1 incluye texto a vídeo, imagen a vídeo, vídeo desde el primer y el último fotograma, y edición de vídeo con VACE. Según el repositorio, el modelo de texto a vídeo más pequeño, T2V-1.3B, necesita unos 8,19 GB de memoria de vídeo, y en una RTX 4090 se genera un vídeo de 5 segundos a 480P en unos 4 minutos. Es decir, hay un modelo que se puede probar incluso en una tarjeta gráfica de consumo.

El repositorio de Wan2.2 describe la arquitectura de «mezcla de expertos» (MoE): los modelos A14B tienen 27 000 millones de parámetros en total, pero en cada paso se activan unos 14 000 millones. En los primeros pasos actúa un experto que establece la composición general, y en los pasos finales, otro que trabaja el detalle. El modelo TI2V-5B, que acepta texto e imagen, se indica con salida en 720P a 24 fotogramas por segundo; el repositorio señala que necesita al menos 24 GB de memoria de vídeo en una sola tarjeta. Para los modelos A14B, el umbral es de 80 GB.

Después, el repositorio añadió modelos para sonido y animación de personajes: en agosto de 2025, el vídeo guiado por sonido (S2V-14B), y en septiembre de 2025, la animación y el reemplazo de personajes (Animate-14B). La sección de noticias del repositorio no menciona Wan2.5 ni versiones posteriores.

¿Qué ofrecen las versiones en la nube?

La documentación de Alibaba Cloud Model Studio enumera las versiones más nuevas como modelos de API. La lista de texto a vídeo de su documentación es la siguiente:

Nombre del modelo	Duración	Opciones de resolución	Sonido
wan2.1-t2v-turbo / plus	5 segundos fijos	480p-720p / solo 720p	Sin sonido
wan2.2-t2v-plus	5 segundos fijos	480p y 1080p	Sin sonido
wan2.5-t2v-preview	5 o 10 segundos	480p, 720p, 1080p	Se genera por defecto
wan2.6-t2v	De 2 a 15 segundos	720p y 1080p	Se genera por defecto
wan2.7-t2v	De 2 a 15 segundos	720p y 1080p	Entrada de audio opcional; si no la hay, el modelo genera música o efectos

Según la documentación, desde la versión 2.5 puedes dar tu propio archivo de audio (WAV o MP3): si el audio es más largo que el vídeo, se corta; si es más corto, el resto queda en silencio. Solo en las versiones 2.6 y 2.7 puedes describir varias tomas dentro del prompt para un vídeo de varios planos. El formato de salida es MP4 (H.264). Una advertencia: la documentación de Model Studio indica que los enlaces de los vídeos generados y los identificadores de tarea son válidos durante 24 horas, así que descarga el resultado de inmediato.

¿Cómo funcionan el texto a vídeo y la imagen a vídeo?

Texto a vídeo: solo escribes el prompt, y el modelo intenta construir el tema, la escena y el movimiento tal como los describes. Según la documentación, desde la versión 2.5 el prompt puede tener hasta 1.500 caracteres (800 en las versiones 2.1 y 2.2), y el prompt negativo hasta 500; lo que sobrepase ese límite se corta.

Imagen a vídeo: subes una fotografía y el modelo la usa como primer fotograma del vídeo para animarla. La documentación admite para la imagen de entrada los formatos JPEG, PNG (sin transparencia), BMP y WEBP, lados entre 240 y 8000 píxeles, y un tamaño máximo de 20 MB en las versiones 2.5 y 2.6. La salida conserva aproximadamente la proporción de la entrada; no exactamente, porque las dimensiones deben ser múltiplos de 16.

La documentación presenta la versión 2.7 con modos adicionales como el primer y último fotograma y la continuación de vídeo; es decir, la puerta de foto a vídeo no se limita al primer fotograma. Debes comprobar qué modos tiene activados la herramienta que uses.

¿Cómo se escribe un buen prompt para Wan?

La guía de prompts de Alibaba propone una fórmula básica: sujeto + escena + movimiento. En la versión avanzada se añaden el control estético (luz y toma) y el estilo. Según la guía, los prompts débiles suelen omitir el control estético y el estilo, y el resultado es una cámara fija en un entorno vago.

Débil: A woman walks in a city.

Mejor: 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.

Otros puntos que destaca la guía:

• Lenguaje de cámara: se pueden indicar por separado el tamaño del plano (primer plano, plano medio, gran angular), el ángulo (a la altura de los ojos, contrapicado, cenital) y el movimiento (acercamiento, alejamiento, órbita, cámara fija). En la órbita, se recomienda que el arco sea menor de 45 grados.
• Luz: expresiones como luz del día, luz suave o dura, luz lateral, contraluz, tono cálido o frío orientan claramente el resultado.
• Movimiento: indica la amplitud y la velocidad («despacio», «con rapidez»). Mantén las acciones sencillas y cortas; las coreografías largas no funcionan bien. Un clip debe ser un solo plano continuo, y los cambios de escena van entre clips.
• En imagen a vídeo: la imagen ya define el sujeto, la escena y el estilo; en el prompt solo escribe lo que se moverá y lo que hará la cámara.
• Varias tomas: para las versiones 2.6 y 2.7, la guía propone una descripción general seguida de tomas numeradas con marca de tiempo, por ejemplo «Shot 1 [0-3 s]».
• Sonido: desde la versión 2.5 puedes añadir la conversación, los efectos y la música junto al prompt visual.

De imagen a vídeo: The girl slowly turns her head toward the window and smiles; curtains sway in a gentle breeze; the camera stays fixed.

Alibaba también ofrece el ajuste prompt_extend: está activado por defecto y un modelo de lenguaje amplía el prompt corto. Según la documentación, mejora la calidad, pero añade latencia. Los repositorios abiertos también recomiendan la ampliación del prompt para enriquecer el detalle del vídeo.

Semilla y repetibilidad

En Model Studio, la semilla es un entero entre 0 y 2.147.483.647; si no la indicas, se elige al azar. Una semilla fija hace el resultado más repetible, pero la documentación es clara: la generación es probabilística y, incluso con la misma semilla, el resultado puede variar. Por tanto, la semilla es una pista de dirección, no un botón de guardado.

¿Cuáles son los límites oficiales conocidos?

• Texto y sincronía labial: la guía de prompts de Alibaba advierte de que no se puede esperar texto totalmente legible en pantalla ni una sincronía labial fiable con palabras concretas.
• Nombres de personas reales: la guía recomienda no escribir el nombre de personas reales; las plataformas pueden rechazarlos o dar resultados incoherentes.
• Movimiento circular: la documentación anota que, en la imagen a vídeo, la versión wan2.6-i2v-flash puede atascarse brevemente cuando objetos redondos giran de forma continua.
• Hardware: si vas a ejecutar los modelos abiertos tú mismo, los A14B necesitan al menos 80 GB de memoria de vídeo en una sola tarjeta; por eso, para la mayoría de las personas, la versión en la nube o un modelo pequeño es más realista.
• Velocidad de fotogramas: la documentación de la API no indica la velocidad de fotogramas de las versiones en la nube; solo puedes conocerla a partir de la salida de tu herramienta.

También tienes una responsabilidad: pide permiso antes de animar la foto de otra persona y comparte el vídeo generado indicando que se hizo con IA. La licencia Apache 2.0 no reclama derechos sobre el contenido generado, pero el repositorio también subraya que la responsabilidad del uso recae en el usuario.

¿Para quién es Wan y cuándo conviene?

• Quien quiera probar en su propio equipo: Wan2.1 T2V-1.3B o Wan2.2 TI2V-5B son las opciones más cercanas a las tarjetas gráficas de consumo.
• Quien necesite clips más largos y con sonido: las versiones 2.5, 2.6 y 2.7 de Model Studio, con duración de hasta 15 segundos y soporte de audio.
• Quien quiera animar una fotografía fija: los modos de imagen a vídeo; basta un prompt corto centrado en el movimiento.

Errores frecuentes

• Confundir la versión abierta con la de la nube: los repositorios llegan hasta la 2.2; las versiones 2.5, 2.6 y 2.7 aparecen en la documentación como modelos de API.
• Pedir muchas escenas en un solo prompt: un clip debe ser un plano continuo; cuenta la historia clip a clip o usa el formato de varias tomas.
• No indicar la cámara: si no la describes, el resultado suele ser una cámara fija.
• Describir de nuevo la imagen en imagen a vídeo: no repitas lo que ya aparece en la foto; describe el movimiento.
• Escribir coreografías complejas: las acciones sencillas y cortas salen más limpias.
• Olvidar descargar el resultado: los enlaces de la nube caducan a las 24 horas.

Resumen

• Wan es la familia de vídeo de Alibaba; Wan2.1 y Wan2.2 son de pesos abiertos (Apache 2.0), y la 2.5 en adelante se ofrece como API en Model Studio.
• Según la documentación, las versiones en la nube 2.6 y 2.7 generan de 2 a 15 segundos en 720p y 1080p; el sonido está disponible desde la 2.5.
• Una buena fórmula de prompt: sujeto, escena y movimiento, con luz y cámara.
• La semilla hace el resultado más repetible, pero no lo garantiza.
• Son límites conocidos el texto en pantalla, la sincronía labial y los nombres de personas reales.
• Descarga los resultados en 24 horas, pide permiso para las fotos de personas y etiqueta el vídeo.