Модели видео Wan: что это и как их использовать?

Короткий ответ: Wan - семейство моделей создания видео от Alibaba. Оно создает короткие клипы по описанию сцены (из текста в видео) или по загруженной фотографии (из изображения в видео). Первые версии семейства опубликованы как открытые веса: модели можно скачать и запустить на собственном компьютере. Более новые версии доступны как API через Alibaba Cloud Model Studio. В этой статье мы рассказываем, что представляет собой каждая версия, каковы ограничения по официальной документации и как писать промпт.

Что такое Wan и кто его разработал?

Wan - семейство генеративных моделей видео, которое публикует Alibaba. Официальные репозитории находятся в аккаунте Wan-Video на GitHub, а документация облачных версий - в Alibaba Cloud Model Studio. Здесь две разные двери, и предлагают они не одно и то же: открытые репозитории дают веса, которые можно запустить на собственном оборудовании, а документация Model Studio описывает версии, которые вы вызываете как сервис.

Это различие важно, потому что, увидев в статье или ролике название вроде «Wan 2.6», нужно понимать, это модель для скачивания или модель через API. В следующих разделах мы приводим только то, что написано в официальных репозиториях и документации.

Какие версии Wan открыты?

По официальным репозиториям, открытыми весами опубликованы две линейки, и обе распространяются по лицензии Apache 2.0.

Версия	Публикация (раздел новостей репозитория)	Основные модели	Официальные данные о разрешении
Wan2.1	25 февраля 2025	T2V-14B, T2V-1.3B, I2V-14B, FLF2V-14B, VACE	480P и 720P (для T2V-1.3B рекомендуется 480P)
Wan2.2	28 июля 2025	T2V-A14B, I2V-A14B, TI2V-5B; позже S2V-14B и Animate-14B	480P и 720P (для TI2V-5B - 720P)

В репозитории Wan2.1 описаны создание видео из текста, из изображения, из первого и последнего кадра и редактирование видео с помощью VACE. Для самой маленькой модели из текста в видео, T2V-1.3B, репозиторий указывает, что нужно около 8,19 ГБ видеопамяти, а 5-секундное видео в 480P создается примерно за 4 минуты на RTX 4090. То есть есть модель, которую можно попробовать даже на потребительской видеокарте.

Репозиторий Wan2.2 описывает архитектуру «смеси экспертов» (MoE): в моделях A14B всего 27 миллиардов параметров, но на каждом шаге работают примерно 14 миллиардов. На ранних шагах работает эксперт, который задает общую композицию, а на поздних - эксперт, который прорабатывает детали. Модель TI2V-5B, которая принимает и текст, и изображение, указана с выводом 720P при 24 кадрах в секунду; репозиторий сообщает, что для нее нужно не менее 24 ГБ видеопамяти на одной видеокарте. Для моделей A14B этот порог составляет 80 ГБ.

Позже в репозитории появились модели для звука и анимации персонажей: в августе 2025 года - видео, управляемое звуком (S2V-14B), в сентябре 2025 года - анимация и замена персонажа (Animate-14B). Раздел новостей репозитория не упоминает Wan2.5 и последующие версии.

Что предлагают облачные версии?

Документация Alibaba Cloud Model Studio перечисляет более новые версии как модели API. Вот список из документации по созданию видео из текста:

Название модели	Длительность	Варианты разрешения	Звук
wan2.1-t2v-turbo / plus	Фиксированные 5 секунд	480p-720p / только 720p	Без звука
wan2.2-t2v-plus	Фиксированные 5 секунд	480p и 1080p	Без звука
wan2.5-t2v-preview	5 или 10 секунд	480p, 720p, 1080p	Создается по умолчанию
wan2.6-t2v	От 2 до 15 секунд	720p и 1080p	Создается по умолчанию
wan2.7-t2v	От 2 до 15 секунд	720p и 1080p	Звук на входе по желанию; если его нет, модель создает музыку или эффекты

По документации, начиная с версий 2.5 вы можете передать собственный аудиофайл (WAV или MP3); если звук длиннее видео, его обрезают, а если короче, оставшаяся часть будет без звука. Многокадровое видео с описанием каждого плана в промпте поддерживают только версии 2.6 и 2.7. Результат выдается в формате MP4 (H.264). Важное предупреждение: документация Model Studio указывает, что ссылки на созданные видео и идентификаторы задач действуют 24 часа, поэтому результат лучше сразу скачать.

Как работают видео из текста и из изображения?

Из текста в видео: вы пишете только промпт, а модель строит предмет, сцену и движение так, как вы их описали. По документации, начиная с версии 2.5 промпт может содержать до 1 500 символов (в 2.1 и 2.2 - до 800), а негативный промпт - до 500 символов; лишнее обрезается.

Из изображения в видео: вы загружаете фотографию, а модель использует ее как первый кадр видео и оживляет. Документация указывает для входного изображения форматы JPEG, PNG (без прозрачности), BMP и WEBP, стороны от 240 до 8000 пикселей, а для версий 2.5 и 2.6 - размер файла не более 20 МБ. Выход сохраняет пропорции входного изображения приблизительно; точно не получится, потому что размеры должны быть кратны 16.

Документация выделяет версию 2.7 благодаря дополнительным режимам, например первому и последнему кадру и продолжению видео; значит, режим «из фото в видео» не ограничен только первым кадром. Какие режимы открыты в вашем приложении, нужно смотреть в его интерфейсе.

Как написать хороший промпт для Wan?

Руководство Alibaba по промптам предлагает простую формулу: субъект + сцена + движение. В более продвинутой версии к ней добавляются эстетический контроль (свет, съемка) и стиль. По руководству, слабые промпты чаще всего пропускают эстетический контроль и стиль; результат - статичная камера в неопределенной обстановке.

Слабый: A woman walks in a city.

Лучше: 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.

Другие моменты, которые выделяет руководство:

• Язык камеры: можно отдельно задать размер плана (крупный, средний, общий), ракурс (на уровне глаз, снизу, сверху) и движение (наезд, отъезд, орбита, статичная камера). Для орбитального движения руководство советует держать дугу меньше 45 градусов.
• Свет: дневной свет, мягкий или жесткий свет, боковой свет, контровой свет, теплый или холодный тон - такие слова заметно управляют результатом.
• Движение: укажите амплитуду и скорость («медленно», «быстро»). Держите действия простыми и короткими; длинная хореография работает плохо. Пусть клип будет одним непрерывным кадром, а смены сцены - между клипами.
• Из изображения в видео: картинка уже задает субъекта, сцену и стиль; в промпте пишите только то, что будет двигаться, и что сделает камера.
• Многокадровое видео: для версий 2.6 и 2.7 руководство советует сначала общее описание, а затем пронумерованные планы с временными метками, например «Shot 1 [0-3 s]».
• Звук: начиная с версии 2.5 речь, эффекты и музыку можно добавить к визуальному промпту.

Из изображения в видео: The girl slowly turns her head toward the window and smiles; curtains sway in a gentle breeze; the camera stays fixed.

Alibaba также предлагает параметр prompt_extend: по умолчанию он включен, и языковая модель расширяет короткий промпт. Документация говорит, что это повышает качество, но добавляет задержку. Открытые репозитории тоже рекомендуют расширение промпта для обогащения деталей видео.

Seed и воспроизводимость

В Model Studio seed - это целое число от 0 до 2 147 483 647; если его не указать, оно выбирается случайно. Фиксированный seed делает результат более воспроизводимым, но документация честно говорит: генерация вероятностная, и даже с одним и тем же seed результат может отличаться. Поэтому seed - не кнопка «записать», а способ задать направление.

Какие ограничения указаны официально?

• Текст и синхронизация губ: руководство Alibaba говорит, что не стоит ожидать полностью читаемого текста в кадре и надежной синхронизации губ с конкретными словами.
• Имена реальных людей: руководство советует не указывать имена реальных людей; платформы могут отклонить такой запрос или дать непоследовательный результат.
• Круговое движение: в документации отмечено, что при создании видео из изображения модель wan2.6-i2v-flash может на короткое время зависнуть, когда круглые предметы вращаются непрерывно.
• Оборудование: если вы собираетесь запускать открытые модели сами, для моделей A14B нужно не менее 80 ГБ видеопамяти на одной видеокарте; поэтому большинству людей удобнее облачная версия или небольшая модель.
• Частота кадров: документация API не указывает частоту кадров облачных версий; ее можно узнать только по результату в вашем инструменте.

Есть и ваша ответственность: прежде чем оживлять чужую фотографию, получите разрешение, а созданное видео публикуйте с пометкой, что оно сделано с помощью ИИ. Лицензия Apache 2.0 не претендует на права на созданный контент, но репозиторий подчеркивает, что ответственность за использование лежит на пользователе.

Для кого подходит Wan?

• Те, кто хочет попробовать на своем компьютере: Wan2.1 T2V-1.3B или Wan2.2 TI2V-5B - самые близкие к потребительским видеокартам варианты.
• Те, кому нужен клип подлиннее и со звуком: версии 2.5, 2.6 и 2.7 в Model Studio, с длительностью до 15 секунд и поддержкой звука.
• Те, кто хочет оживить неподвижное фото: режимы из изображения в видео; достаточно короткого промпта, который описывает движение.

Типичные ошибки

• Путать открытые и облачные версии: репозитории заканчиваются на 2.2; версии 2.5, 2.6 и 2.7 в документации указаны как модели API.
• Просить несколько сцен в одном промпте: пусть клип будет одним непрерывным кадром; историю собирайте из клипов или используйте многокадровый формат.
• Не указывать камеру: если ее не описать, в результате чаще всего будет статичная камера.
• Заново описывать фотографию в промпте: не перечисляйте то, что уже видно, - опишите движение.
• Писать сложную хореографию: простые и короткие действия получаются чище.
• Забывать скачать результат: облачные ссылки действуют 24 часа.

Итоги

• Wan - семейство видеомоделей Alibaba; Wan2.1 и Wan2.2 открыты (Apache 2.0), версии 2.5-2.7 предлагаются как API в Model Studio.
• По документации, облачные версии 2.6 и 2.7 создают видео от 2 до 15 секунд в 720p и 1080p; звук поддерживается начиная с версии 2.5.
• Хороший промпт: субъект, сцена, движение, свет и камера; для видео из изображения - только движение и камера.
• Seed повышает воспроизводимость, но не гарантирует одинаковый результат.
• Текст в кадре, синхронизация губ и имена реальных людей - известные слабые места.
• Скачивайте результат сразу, получайте разрешение на фотографии людей и помечайте видео как созданное с помощью ИИ.