通义万相（Wan）是阿里巴巴通义实验室研发的视频生成大模型系列，技术路线从2025年初的开源奠基到2026年的工业级跃迁，仅用一年多时间就完成了从“能生成5秒无声视频”到“可单次输出30秒有声视频”的跨越。
从版本谱系来看，通义万相 Wan 已发展出以下主要版本线：
2.1系列（开源奠基） ：Wan2.1（2025年2月25日），Apache 2.0协议全面开源，包含14B和1.3B两个参数规格的四款模型——T2V-14B、T2V-1.3B、I2V-14B-720P和I2V-14B-480P，在VBench评测中以86.22%的总分登顶榜首，超越Sora、Runway等国际竞品。1.3B极速版仅需8.2GB显存即可在消费级显卡上生成480P视频。
2.2系列（MoE架构突破） ：Wan2.2（2025年7月28日），业界首个采用MoE架构的视频生成模型，共开源文生视频（T2V-A14B）、图生视频（I2V-A14B）和统一视频生成（TI2V-5B）三款模型，总参数量27B。同年8月推出Wan2.2-S2V实现分钟级数字人视频生成，9月开源Wan2.2-Animate动作生成模型。
2.5系列（音画同步） ：Wan2.5-preview（2025年9月24日），实现原生音画同步，支持文本、图像、音频任意组合输入，一次生成10秒1080P带同步音频的视频，在LMArena图生视频评测中位列国内第一。
2.6系列（角色扮演与多镜头） ：Wan2.6（2025年12月16日），国内首个支持角色扮演功能的视频生成模型，支持音画同步、多镜头生成及声音驱动，单次视频时长达到国内最高的15秒，新增智能多分镜控制。
2.7系列（创作全链路） ：Wan2.7-Video（2026年4月3日），涵盖文生视频（Wan2.7-t2v）、图生视频（Wan2.7-i2v）、参考生视频（Wan2.7-r2v）和视频编辑（Wan2.7-videoedit）四大模型，将AI的能力从单一素材生成扩至创作全链路，从“演”迈向“导”。在DesignArena平台的Video to Video评测中以1334 Elo评分登顶榜首。
3.0系列（All-in-One工业化） ：Wan3.0（2026年8月24日正式上线），All-in-One视频生成模型，支持单次30秒视频生成、文档/表格/网页等结构化输入、原生音画同步，在Artificial Analysis文生视频与视频编辑双榜位列全球第一。
第二部分：各版本详细对比与拆解
一、核心版本代际对比
维度 Wan2.1 Wan2.2 Wan2.5 Wan2.6 Wan2.7 Wan3.0
发布时间 2025年2月 2025年7月 2025年9月 2025年12月 2026年4月 2026年8月
架构 DiT + 3D因果VAE MoE + 3D因果VAE 全模态统一架构 角色扮演架构 多模态编辑架构 All-in-One
参数规模 14B/1.3B 27B（MoE） 未公开 未公开 未公开 未公开
最长时长 5秒 5秒 10秒 15秒 15秒 30秒
最高分辨率 720P 720P 1080P 1080P 1080P 1080P
音画同步 不支持 不支持 支持 支持 支持 支持
多镜头 不支持 不支持 不支持 支持 支持 支持
角色扮演 不支持 不支持 不支持 国内首个 支持 支持
视频编辑 不支持 不支持 不支持 基础 精准指令编辑 全面编辑
开源协议 Apache 2.0 Apache 2.0 未开源 未开源 未开源 未开源
Wan2.1奠定了整个系列的技术基础。它采用3D因果VAE架构专为视频设计的时空压缩，减少60%显存占用，结合DiT架构实现了扩散模型生成能力与Transformer长程依赖建模的结合。1.3B极速版仅需8.2GB显存即可运行，使消费级显卡用户也能参与视频创作。
Wan2.2的核心突破在于MoE架构的引入。它将视频生成过程分解为高噪声专家负责整体布局和低噪专家负责细节完善，在同参数规模下节省约50%计算资源。训练数据方面，相比Wan2.1图像增加了65.6%，视频增加了83.2%。5B参数版本采用高压缩比VAE（16×16×4），可在RTX 4090等消费级显卡上流畅运行720P@24fps视频。
Wan2.5实现了原生音画同步的突破——在单一生成管道中同时处理视觉、语言和声音，一步生成音画匹配的完整视频。Wan2.6进一步将单次视频时长提升至国内最高的15秒，并新增角色扮演和分镜控制功能。Wan2.7则将重心转向创作全链路，视频编辑功能支持一句话对视频进行局部或整体修改。Wan3.0是系列的集大成者，以All-in-One理念整合了此前所有版本的独立能力。
二、Wan2.2 技术架构深度拆解
Wan2.2是版本演进中最具转折意义的节点，其MoE架构的引入从根本上改变了视频生成的成本结构。
MoE双专家机制：Wan2.2采用高噪声专家和低噪声专家两个Transformer模型，基于流匹配时间步激活。高噪声专家负责视频整体布局和运动轨迹，低噪声专家负责细节完善和纹理生成。两个专家在不同时间步分离去噪过程，使模型在保持相同计算成本的情况下扩大了模型容量。
电影级美学控制系统：Wan2.2引入了经过精心策划的美学数据，包含光照、构图、对比度、色调等详细标签，实现了更精确和可控的电影风格生成。这一能力使创作者能够参数化地控制视频的视觉风格，而非依赖反复抽卡。
高效高清混合TI2V-5B：Wan2.2开源的5B模型采用先进的Wan2.2-VAE，压缩比达到16×16×4，同时支持文生视频和图生视频，720P@24fps输出可运行在RTX 4090等消费级显卡上，是当前最快的720P@24fps模型之一。
三、Wan2.7 视频编辑能力拆解
Wan2.7的视频编辑能力是其最核心的差异化，直击影片后期修改成本高昂这一行业痛点。
一句话编辑：用户只需一句话即可对视频进行局部或整体修改，包括添加、删除和替换元素、切换场景环境（如将晴天改为雨天）以及变换整体视觉风格（如写实转水彩、真人转黏土动画）。
角色行为与台词编辑：Wan2.7能够调整角色的行为、表情和情绪，并替换台词自动匹配口型与音色。创作者可以重新定义角色的表演状态，同时保持画面其他部分的连贯性。
拍摄参数重定义：模型支持重新定义拍摄方式，包括机位、视角、景别和焦距等参数。这意味着创作者不需要重新拍摄即可改变镜头的视觉语言，从特写切换到远景、从平视切换到俯拍都可通过指令完成。
参考生视频：Wan2.7的参考生视频功能支持动作、运镜和特效的复刻，最多支持5个视频主体参考。创作者可以上传参考视频，让模型复刻其中的动作模式或运镜风格，应用于新的角色和场景。
四、Wan3.0 All-in-One 架构与定价
Wan3.0是通义万相系列中定位最清晰的旗舰版本，以All-in-One理念实现了多模态输入与输出的一体化整合。它支持文本、图像、音频、视频以及文档（PDF/PPT/Word/Excel）、网页等结构化输入，原生生成最长30秒、30fps的高清视频，并支持音画同步生成。
定价方面，Wan3.0标准版价格为480P 0.3元/秒、720P 0.6元/秒、1080P 1.2元/秒。2026年8月24日至9月23日期间，阿里云百炼和千问AI平台开启API限时7折优惠，480P降至0.21元/秒、720P降至0.42元/秒、1080P降至0.84元/秒，并提供10秒免费额度。Prime版本480P/720P/1080P价格分别为0.45/0.9/1.8元/秒。
第三部分：为什么分这么多版本？
一、场景适配：从开源基座到工业级交付的分层覆盖
通义万相的版本分化遵循一条清晰的“能力-场景-交付”演进路径。2.1管开源基座与开发者生态，2.2管MoE效率与消费级部署，2.5管音画同步，2.6管角色扮演与多镜头叙事，2.7管视频编辑与创作全链路，3.0管All-in-One工业级交付。每个版本在各自领域做到极致。
这一分层的核心价值在于部署灵活性。个人开发者可以在消费级显卡上用1.3B版本做原型验证，在需要更高质量时切换到5B或14B版本；广告团队需要音画同步和角色一致性时使用2.6；影视后期团队需要精准编辑时使用2.7；企业客户需要文档直转视频时使用3.0。不需要更换技术栈，只需要根据场景选择对应版本。
二、开源战略：以开放构建全球开发者生态
通义万相在开源策略上采取了精细的分层设计。Wan2.1和Wan2.2以Apache 2.0协议全面开源，包含从1.3B到27B的完整参数谱系，全部推理代码和权重在GitHub、Hugging Face、魔搭社区均可下载。开源6天即登顶Hugging Face热榜，下载量超百万。2.5之后的版本转向闭源API服务，通过阿里云百炼平台实现商业变现。
这一策略的精妙之处在于：开源版本作为技术标杆吸引开发者构建应用生态，当模型能力从“生成”升级到“影视级交付”后，通过API服务实现商业闭环。开源版本使通义万相积累了庞大的社区贡献和衍生模型，闭源旗舰版本则通过质量优势满足企业级客户的交付需求。
三、技术路线跃迁：从DiT到MoE再到All-in-One
通义万相的技术路线经历了三次明确跃迁。Wan2.1基于传统DiT架构，通过3D因果VAE实现视频的时空压缩，验证了开源视频生成的基本可行性。Wan2.2首次将MoE架构引入视频生成，将去噪过程分解为高噪声和低噪声两个阶段，由不同专家模型处理，在保持计算成本的同时扩大了模型容量，节省约50%计算资源。Wan3.0则通过All-in-One理念将生成、编辑、多模态理解整合到统一架构中。
这一演进方向反映了通义万相对用户需求变化的判断：当生成质量达到一定水平后，用户最稀缺的资源从“生成质量”转向“精准控制”和“创作效率”。
四、短漫剧工业化战略的深度推进
通义万相的版本分化还服务于阿里在短漫剧工业化领域的战略布局。目前已有平台型客户利用万相模型建立了成熟工作流，实现了单部作品播放量破亿、爆款率超50%的成绩，算力成本控制在总制作成本的20%以内。Wan3.0支持文档/表格/网页等结构化输入，使短剧创作者可以将剧本以文档形式直接输入，模型自动生成分镜和视频，打通了从文本到成片的全流程。
第四部分：最著名版本——Wan2.2 本地部署实战
Wan2.2是通义万相系列中开源力度最大、部署门槛最低的版本，MoE架构以Apache 2.0协议开源，5B版本可在消费级显卡上运行720P@24fps视频。以下为基于ComfyUI的完整本地部署步骤。
步骤一：环境准备与硬件规划
硬件配置基准：
TI2V-5B（推荐入门） ：RTX 4090 24GB，720P@24fps流畅运行
T2V/I2V-A14B：48GB显存（如RTX 4090 48G或A6000），支持720P输出
内存：32GB DDR4及以上
存储：预留100GB SSD空间
软件环境清单：
操作系统：Ubuntu 22.04 / Windows 10/11
Python 3.10+
PyTorch 2.4.0+
ComfyUI最新版本（官方原生支持Wan2.2）
步骤二：安装ComfyUI
bash
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3 -m venv venv
source venv/bin/activate
pip install -r requirements.txt
步骤三：下载模型权重
bash
# 下载TI2V-5B主模型
huggingface-cli download Wan-AI/Wan2.2-TI2V-5B \
wan2.2_ti2v_5B_fp16.safetensors \
--local-dir ./models/diffusion_models
# 下载VAE
huggingface-cli download Wan-AI/Wan2.2-TI2V-5B \
wan2.2_vae.safetensors \
--local-dir ./models/vae
# 下载文本编码器
huggingface-cli download Wan-AI/Wan2.2-TI2V-5B \
umt5_xxl_fp8_e4m3fn_scaled.safetensors \
--local-dir ./models/text_encoders
模型文件放置路径：
text
ComfyUI/
├── models/
│ ├── diffusion_models/
│ │ └── wan2.2_ti2v_5B_fp16.safetensors
│ ├── text_encoders/
│ │ └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
│ └── vae/
│ └── wan2.2_vae.safetensors
步骤四：启动ComfyUI并加载工作流
bash
python main.py --listen 0.0.0.0 --port 8188
浏览器访问 http://localhost:8188，加载Wan2.2官方示例工作流。ComfyUI官方已原生支持Wan2.2，无需安装任何第三方插件。关键参数配置：
分辨率：720P（1280×720）
帧率：24fps
采样步数：20-30步
引导系数：5.0-7.5
步骤五：API调用与生成
python
from diffusers import WanPipeline
import torch
pipe = WanPipeline.from_pretrained(
"Wan-AI/Wan2.2-TI2V-5B",
torch_dtype=torch.float16
)
pipe.to("cuda")
video = pipe(
prompt="电影级画面：一只白鹤在晨雾中的湖面上缓缓起飞，"
"羽毛细节清晰，光影柔和，镜头缓慢拉远展现湖光山色",
num_frames=48, # 2秒@24fps
height=720,
width=1280,
num_inference_steps=30,
guidance_scale=6.0
).frames[0]
# 保存视频
from diffusers.utils import export_to_video
export_to_video(video, "output.mp4", fps=24)
步骤六：监控与调优
关键指标监控：
显存占用：TI2V-5B约20-22GB，T2V-14B约48GB+
生成速度：TI2V-5B在RTX 4090上约2-5分钟/5秒视频
GPU利用率：目标>80%
降本策略：对快速原型和批量草稿使用1.3B版本；对消费级部署使用TI2V-5B；对高质量输出使用T2V/I2V-A14B。如需更高质量和30秒长视频，通过阿里云百炼平台调用Wan3.0 API。
第五部分：不同版本的实践结果
案例一：AI漫剧爆款率超50%，算力成本仅20%（基于Wan系列）
通义万相在AI漫剧领域已跑通成熟工作流，有平台型客户利用万相模型实现了单部作品播放量破亿、爆款率超50%的成绩，算力成本控制在总制作成本的20%以内。万相2.6的音画同步生成能力使漫剧制作无需后期单独配音，从文本到音画同步成片一步完成。
实践成效：这一案例的核心价值在于验证了通义万相在短漫剧工业化生产场景中的经济性。传统漫剧制作需要剧本、分镜、原画、动画、配音、后期等多个环节，人力成本和时间成本高昂。通义万相的参考生视频功能可以锁定画风，保证每一集的角色不会“换脸”；音画同步功能省去了后期配音环节；多镜头叙事能力则使单集内容可以在一次生成中完成多个镜头的切换。这一工作流使AI漫剧的制作效率相比传统流程提升了一个数量级。
案例二：珀乐互动《羞羞的铁拳》AI漫剧，8小时话题播放量破3亿（基于Wan2.7）
由珀乐互动科技与开心麻花影业联合出品、基于阿里云百炼Wan2.7视频大模型制作的AIGC动画短剧《羞羞的铁拳》正式上线。该剧在抖音平台上线仅8小时，相关话题播放量即突破3亿，成为AIGC在影视娱乐领域商业化落地的标杆案例。
实践成效：《羞羞的铁拳》原作是开心麻花知名话剧IP，改编为AI漫剧需要在保持原作喜剧节奏的同时，用AI生成的角色和场景重建故事。Wan2.7的视频编辑能力使团队能够在生成后对特定镜头进行精准修改——调整角色表情、替换台词并自动匹配口型、重新定义机位和景别——而无需推翻整段视频重新生成。这一能力使AI漫剧的制作流程从“抽卡式反复重试”转变为“可迭代的工程化生产”。该案例代表了通义万相在知名IP改编场景中的工业化交付能力。
案例三：青年导演郑思嘉AI短片《捕食者》影视级测试（基于Wan2.6）
阿里旗下虎鲸文娱“海纳国际青年导演发展计划”导演郑思嘉成为万相2.6全球首批“专业级用户”，运用该模型创作AI短片《捕食者》。短片上线后被网友点评为“画面逼真”“电影质感”。郑思嘉在传统影视语言与AI技术应用上具有双重敏感度，重点探索AI能否超越“视觉奇观”，真正服务于导演的叙事意图、情绪节奏与美学控制。
实践成效：万相2.6的角色扮演功能使导演能够在不同场景中保持角色视觉一致性，音画同步和多镜头生成能力则使AI生成的素材具备了传统影视工作流所需的叙事连贯性。这一案例的核心意义在于验证了AI视频生成从“技术演示”向“导演创作工具”的转变——不是替代导演，而是为导演提供一种全新的视觉语言表达手段。Wan2.6是国内首个支持角色扮演功能的视频生成模型，这一能力对需要角色跨镜头一致的影视级创作至关重要。
案例四：阿里云冬奥《YOUR EPIC VIBE》全球营销（基于Wan2.1）
阿里云打造了冬奥主题全球营销盛事《YOUR EPIC VIBE》，项目精选了冬奥史上四项最具代表性的身体极限动作，将其转化为“白模”，邀请全球参与者运用通义万相进行上色、背景及动效设计，实现文字想象转化为高审美视觉语言。
实践成效：这一案例的核心价值在于验证了通义万相在全球营销互动场景中的能力——不是单向输出视频内容，而是让全球用户参与创作过程。Wan2.1的白模参考能力使参与者可以在保持冬奥动作结构不变的前提下，自由发挥创意进行风格化和场景化创作。这一模式将AI视频生成从“专业工具”扩展为“大众创意平台”，代表了AI视频生成在品牌营销中的新范式。
案例五：阿里云《锦上添花》非遗春晚短片（基于Wan系列）
阿里云在春晚期间推出了致敬非遗的短片《锦上添花》，影片中的刺绣画面——如财神、春联、年画等——均由通义万相AI生成，呈现不同风格的财神形象，既符合传统文化寓意，又通过AI创造了新的视觉可能性。
实践成效：这一案例代表了通义万相在文化遗产数字化场景中的独特价值。传统非遗内容的视觉化需要人工绘制或拍摄，成本高、周期长。通义万相通过多模态生成能力，从文本描述直接生成符合传统美学风格的画面，同时支持不同风格的探索。对非遗传承而言，这一能力使传统文化的视觉表达从“有限的手工创作”扩展到“可规模化的AI辅助创作”，为非遗文化的创新传播提供了新的技术路径。
案例六：Wan2.2-Animate 角色动画与替换（基于Wan2.2）
Wan2.2-Animate是通义万相开源的角色动画与替换模型，支持将任意角色的动作迁移到目标角色上，或对视频中的角色进行替换。创作者可以上传一段舞蹈视频，让模型将舞者的动作迁移到自己设计的虚拟角色上，保持动作的自然流畅和角色的一致性。
实践成效：这一模型在虚拟偶像和短视频创作场景中具有直接的应用价值。传统角色动画需要专业动画师逐帧制作，成本极高。Wan2.2-Animate通过动作迁移技术，使创作者可以在几分钟内完成一段复杂的角色动画，大幅降低了动画制作的门槛。该模型在Hugging Face上开源后获得了大量社区关注，衍生出了虚拟主播、舞蹈教学、游戏角色动画等多种应用方向。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。