O que são os modelos de vídeo Wan e como usá-los?

Resposta curta: Wan é a família de modelos de geração de vídeo da Alibaba. Ela cria clipes curtos a partir de uma cena descrita em texto (texto para vídeo) ou de uma foto enviada (imagem para vídeo). As primeiras versões foram publicadas com pesos abertos; ou seja, você pode baixar os modelos e executá-los no seu próprio computador. As versões mais recentes são oferecidas como API pelo Alibaba Cloud Model Studio. Neste texto explicamos o que é cada versão, os limites indicados na documentação oficial e como escrever um prompt.

O que é o Wan e quem o desenvolveu?

Wan é uma família de modelos generativos de vídeo publicada pela Alibaba. Os repositórios oficiais ficam na conta Wan-Video, no GitHub, e a documentação das versões na nuvem fica no Alibaba Cloud Model Studio. São dois caminhos diferentes, e eles não oferecem exatamente a mesma coisa: os repositórios abertos disponibilizam pesos que você pode executar no seu hardware, enquanto a documentação do Model Studio descreve as versões que você chama como serviço.

Essa distinção é importante porque, ao ver um nome como “Wan 2.6” em um texto ou vídeo, você precisa saber se se trata de um modelo para download ou de um modelo de API. Nas seções a seguir, reproduzimos apenas o que está escrito nos repositórios e na documentação oficiais.

Quais versões do Wan têm pesos abertos?

Segundo os repositórios oficiais, duas famílias de versões foram publicadas com pesos abertos, e ambas usam a licença Apache 2.0.

Versão	Publicação (seção de notícias do repositório)	Modelos principais	Informação oficial de resolução
Wan2.1	25 de fevereiro de 2025	T2V-14B, T2V-1.3B, I2V-14B, FLF2V-14B, VACE	480P e 720P (para o T2V-1.3B, 480P é recomendado)
Wan2.2	28 de julho de 2025	T2V-A14B, I2V-A14B, TI2V-5B; depois S2V-14B e Animate-14B	480P e 720P (para o TI2V-5B, 720P)

O repositório do Wan2.1 inclui texto para vídeo, imagem para vídeo, primeiro e último quadro para vídeo e edição de vídeo com VACE. O menor modelo de texto para vídeo, o T2V-1.3B, precisa de cerca de 8,19 GB de memória de vídeo, e o repositório informa que, em uma RTX 4090, um vídeo de 5 segundos em 480P leva aproximadamente 4 minutos para ser gerado. Ou seja, existe um modelo que pode ser testado até em placas de vídeo de consumo.

O repositório do Wan2.2 descreve a arquitetura de “mistura de especialistas” (MoE): os modelos A14B têm 27 bilhões de parâmetros no total, mas cerca de 14 bilhões são ativados em cada passo. Nos passos iniciais, um especialista define a disposição geral da cena; nos passos finais, outro especialista trata os detalhes. O modelo TI2V-5B, que aceita texto e imagem, é listado com saída em 720P e 24 quadros por segundo; o repositório indica que ele precisa de pelo menos 24 GB de memória de vídeo em uma única placa. Para os modelos A14B, esse limite é de 80 GB.

O repositório acrescentou depois modelos para som e animação de personagens: em agosto de 2025, o vídeo guiado por áudio (S2V-14B) e, em setembro de 2025, a animação e a substituição de personagens (Animate-14B). A seção de notícias do repositório não menciona o Wan2.5 nem versões posteriores.

O que oferecem as versões na nuvem?

A documentação do Alibaba Cloud Model Studio lista as versões mais novas como modelos de API. A lista de texto para vídeo, segundo essa documentação, é a seguinte:

Nome do modelo	Duração	Opções de resolução	Áudio
wan2.1-t2v-turbo / plus	5 segundos fixos	480p-720p / somente 720p	Sem som
wan2.2-t2v-plus	5 segundos fixos	480p e 1080p	Sem som
wan2.5-t2v-preview	5 ou 10 segundos	480p, 720p, 1080p	Gerado por padrão
wan2.6-t2v	De 2 a 15 segundos	720p e 1080p	Gerado por padrão
wan2.7-t2v	De 2 a 15 segundos	720p e 1080p	Entrada de áudio opcional; sem ela, o modelo gera música ou efeitos

Segundo a documentação, a partir da versão 2.5 você pode enviar o seu próprio arquivo de áudio (WAV ou MP3); se o áudio for mais longo que o vídeo, ele é cortado, e se for mais curto, o restante fica sem som. Apenas as versões 2.6 e 2.7 permitem descrever, dentro do prompt, planos individuais para um vídeo com vários planos. A saída é um arquivo MP4 (H.264). Um aviso: a documentação do Model Studio diz que os links dos vídeos gerados e os IDs das tarefas valem por 24 horas, então baixe o resultado logo.

Como funcionam o texto para vídeo e a imagem para vídeo?

Texto para vídeo: Você escreve apenas o prompt, e o modelo tenta construir o assunto, a cena e o movimento como você descreveu. Segundo a documentação, a partir da versão 2.5 o prompt pode ter até 1.500 caracteres (nas versões 2.1 e 2.2, 800), e o prompt negativo pode ter até 500 caracteres; o excedente é cortado.

Imagem para vídeo: Você envia uma foto, e o modelo a usa como o primeiro quadro do vídeo e a anima. A documentação aceita, para a imagem de entrada, os formatos JPEG, PNG (sem transparência), BMP e WEBP, com lados entre 240 e 8000 pixels; nas versões 2.5 e 2.6, o arquivo pode ter até 20 MB. A saída mantém aproximadamente a proporção da imagem de entrada, mas não exatamente, porque as dimensões precisam ser múltiplos de 16.

A documentação apresenta a versão 2.7 com modos adicionais, como primeiro e último quadro e continuação de vídeo; ou seja, a porta do “foto para vídeo” não se limita ao primeiro quadro. Confira no seu aplicativo quais modos estão ativados.

Como escrever um bom prompt para o Wan?

O guia de prompts da própria Alibaba traz uma fórmula simples: sujeito + cena + movimento. Na versão mais avançada, somam-se o controle estético (luz, enquadramento) e o estilo. Segundo o guia, prompts fracos costumam deixar de fora o controle estético e o estilo; o resultado é uma câmera parada em um ambiente vago.

Fraco: A woman walks in a city.

Melhor: 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.

Outros pontos destacados pelo guia:

• Linguagem de câmera: Tamanho do plano (primeiro plano, plano médio, plano geral), ângulo (altura dos olhos, contra-plongée, plongée) e movimento (aproximação, afastamento, órbita, câmera fixa) podem ser descritos separadamente. Em movimentos de órbita, o guia recomenda manter o arco abaixo de 45 graus.
• Luz: Luz do dia, luz suave ou dura, luz lateral, contraluz, tons quentes ou frios são expressões que direcionam o resultado de forma clara.
• Movimento: Diga a amplitude e a velocidade (“lentamente”, “rapidamente”). Mantenha as ações simples e curtas; coreografias longas funcionam mal. Cada clipe deve ser um único plano contínuo, e as mudanças de cena ficam entre os clipes.
• Imagem para vídeo: A imagem já define o sujeito, a cena e o estilo; no prompt, escreva apenas o que vai se mover e o que a câmera fará.
• Vários planos: Para as versões 2.6 e 2.7, o guia sugere uma descrição geral seguida de planos numerados com marcação de tempo, por exemplo “Shot 1 [0-3 s]”.
• Som: A partir da versão 2.5, você pode acrescentar fala, efeitos e música junto ao prompt visual.

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

A Alibaba também oferece o parâmetro prompt_extend, ativado por padrão, em que um modelo de linguagem expande um prompt curto. A documentação diz que isso melhora a qualidade, mas adiciona latência. Os repositórios abertos também recomendam a expansão do prompt para enriquecer os detalhes do vídeo.

Seed e reprodutibilidade

No Model Studio, a seed é um número inteiro de 0 a 2.147.483.647; se você não informar uma, ela é escolhida aleatoriamente. Uma seed fixa torna o resultado mais reproduzível, mas a documentação deixa claro que a geração é probabilística, e mesmo com a mesma seed o resultado pode mudar. Ou seja, a seed não é um botão de “gravar”, e sim uma orientação.

Quais são os limites oficialmente conhecidos?

• Texto e sincronia labial: O guia de prompts da Alibaba diz que não se deve esperar texto totalmente legível na tela nem sincronia labial confiável com palavras específicas.
• Nomes de pessoas reais: O guia recomenda não escrever nomes de pessoas reais; as plataformas podem recusar esses pedidos ou gerar resultados inconsistentes.
• Movimento circular: Na imagem para vídeo, a documentação registra que, quando objetos redondos giram continuamente, o modelo wan2.6-i2v-flash pode travar por um breve momento.
• Hardware: Se você for executar os modelos abertos, os modelos A14B precisam de pelo menos 80 GB de memória de vídeo em uma única placa; por isso, para a maioria das pessoas, a versão na nuvem ou um modelo menor é mais realista.
• Taxa de quadros: A documentação da API não informa a taxa de quadros dos modelos na nuvem; você só consegue saber isso pela saída da ferramenta que usa.

Há também a sua responsabilidade: antes de animar a foto de outra pessoa, peça autorização, e ao publicar o vídeo gerado, informe que ele foi criado com inteligência artificial. A licença Apache 2.0 não reivindica direitos sobre o conteúdo gerado, mas o repositório destaca que a responsabilidade pelo uso é de quem usa o modelo.

Para quem é o Wan?

• Quem quer testar no próprio computador: O Wan2.1 T2V-1.3B ou o Wan2.2 TI2V-5B são as opções mais próximas de placas de vídeo de consumo.
• Quem quer clipes mais longos e com som: Os modelos 2.5, 2.6 e 2.7 do Model Studio, com até 15 segundos e suporte a áudio.
• Quem quer animar uma foto fixa: Os modos de imagem para vídeo; um prompt curto e voltado para o movimento basta.

Erros comuns

• Confundir a versão aberta com a versão na nuvem: Os repositórios param na 2.2; as versões 2.5, 2.6 e 2.7 aparecem na documentação como modelos de API.
• Pedir muitas cenas em um único prompt: Faça cada clipe como um único plano contínuo; monte a história clipe a clipe ou use a escrita com vários planos.
• Não descrever a câmera: Se você não disser nada, o resultado costuma ser uma câmera fixa.
• Descrever de novo a imagem na imagem para vídeo: Não repita o que já está na foto; descreva o movimento.
• Escrever coreografias complexas: Ações simples e curtas saem mais limpas.
• Esquecer de baixar o resultado: Os links da nuvem valem por 24 horas.

Resumo

• O Wan é a família de modelos de vídeo da Alibaba; Wan2.1 e Wan2.2 têm pesos abertos (Apache 2.0), e as versões 2.5 a 2.7 são oferecidas como API no Model Studio.
• Segundo a documentação oficial, as versões na nuvem 2.6 e 2.7 geram de 2 a 15 segundos em 720p e 1080p; o som é compatível desde a versão 2.5.
• Um bom prompt combina sujeito, cena, movimento, luz e câmera; na imagem para vídeo, descreva apenas o movimento e a câmera.
• A seed torna o resultado mais reproduzível, mas não o garante.
• Texto legível na tela, sincronia labial exata e nomes de pessoas reais são limites conhecidos.
• Baixe o resultado em até 24 horas, peça autorização para fotos de outras pessoas e identifique o vídeo como gerado por IA.