Wan 2.5 Text to Video API

alibaba/wan-2.5/text-to-video

Wan 2.5 Text to Video 将文字描述生成带同步音频的短片,支持连贯运动与最高 1080p 画质。它根据提示词组织人物、场景和动作,让运镜方向与声音配合创作意图。

输入
902/1500

示例

Natural wildlife documentary, a single anatomically correct giant anteater beside a red-earth termite mound in open dry Brazilian cerrado, ochre grass and scattered low scrub under bright afternoon light. Low medium side view, locked camera, entire long snout and forequarters visible. It brings its nose close to a small hole, gives one brief sneeze that lifts a tiny puff of loose red dust, then blinks and holds still. Its long muzzle, small ears, bushy tail and coat markings remain consistent. Audio: one soft animal sneeze exactly on the head movement, dry wind and distant insects, no human voice or music. One continuous five-second shot. No cuts, subtitles, captions, visible writing, logos, advertising or watermarks.

Photorealistic low-angle close shot in an old apartment stairwell, worn grey terrazzo stairs, faded green walls, soft daylight from a high window. A brown paper grocery bag rests motionless on the top landing, a small torn opening at its bottom facing the stairs. Exactly one orange rolls out of the opening and rolls down exactly two shallow steps, landing with two distinct little bounces. Camera tilts down gently to follow. The orange stays round and intact, obeying gravity, no extra fruit or people. Audio: a brief paper rustle, two soft dull impacts synchronized with the steps, short stairwell reverberation. No speech or music. One continuous five-second shot. No cuts, subtitles, captions, visible writing, logos, advertising or watermarks.

Wan 2.5 Text to Video

Wan 2.5 Text to Video 是阿里巴巴通义团队的文本生成视频模型,通过原生音画生成,将场景描述、动作与声音线索组织成有声短片。提示词可以同时交代人物外观、镜头方向和环境氛围,让画面运动与声音围绕同一个场景展开。它适合将广告创意、故事片段和场景设想制作成可播放的视听草稿,用于分镜预演与短视频创作。

为什么选择 Wan 2.5 Text to Video

  • 直接从场景设想开始将主体、环境、动作与光线写成一个完整镜头,把文字创意转成可播放的场景片段。

  • 用声音补足场景提示词可同时描述音乐与环境音,让脚步、雨声或配乐随画面一起生成。

  • 明确安排运镜与画幅通过推近、平移或跟拍描述引导镜头,并选择横向或纵向像素尺寸,为短片确定呈现方向。

参数说明

参数填写要求用途与取值
prompt必填

填写 1–1500 个字符,依次说明主体、场景、动作和运镜,并写出环境声或音乐需求。

aspect_ratio必填

选择宽*高像素尺寸:832*480、480*832、1280*720、720*1280、1920*1080 或 1080*1920。

duration可选

选择 5 或 10,单位为秒;默认 5。费用随时长更新。

audio可选

可选,填入可公开访问的音频文件链接,为视频提供配音或音乐;留空时根据画面生成匹配的声音。

negative_prompt可选

可选,写出希望排除的画面元素,例如模糊、文字或多余人物。

seed可选

可选,填写整数以记录随机种子,便于对照提示词与生成设置。

使用方法

  1. 写成一个完整镜头在 Prompt 中说明人物或物体、场景、动作、光线和运镜,最后补充需要的声音。

  2. 选择画面尺寸与时长用 Aspect Ratio 选择像素尺寸,用 Duration 选择 5 秒或 10 秒;有现成配音或音乐时填写 Audio 链接。

  3. 运行并回看结果查看 Run 按钮旁的费用后提交,完成后播放短片,检查镜头运动与声音,再下载或调整提示词。

适用场景

  • 广告创意预演将产品所处环境、人物动作和声音线索写成短场景,比较不同广告创意的视听表达。

  • 故事镜头草稿围绕一次进入、转身或相遇组织单个镜头,用短片检查场景氛围与动作安排。

  • 竖屏场景短片选择纵向尺寸,描述清晰主体和一个主要动作,制作适合竖屏剪辑的场景素材。

专业提示

  • 按主体、动作、环境、镜头、声音的顺序写提示词,让一个主要动作贯穿短片。
  • 用“缓慢推近”“侧面跟拍”等具体描述表达运镜,并说明动作发生的方向与速度。
  • 声音线索与画面对应,例如车轮转动配合路面声、雨景配合屋檐滴水声。
  • 用 Negative Prompt 写出希望排除的元素,记录 Seed 与其他设置,逐次调整一个提示词要点来比较结果。

相关模型

Wan 2.5 Text to Video API 常见问题

Wan 2.5 Text to Video API 是什么?

Wan 2.5 Text to Video 是阿里巴巴通义团队用于将文字描述生成视频的模型。它根据场景提示词生成 5 秒或 10 秒短片,支持同步音频、连贯动作与最高 1080p 画质。通过原生音画生成,模型将提示词中的主体、动作和声音线索组织成同一场景,并按描述引导镜头运动。你可以通过 API 进行程序化调用,也可以在上方体验区直接在线试用。

Wan 2.5 Text to Video 能生成同步音频吗?

可以,模型根据提示词和画面生成匹配的声音。将声音与场景动作一起描述,例如车轮声、雨声或轻柔配乐,让画面和声音围绕同一段场景展开。

Wan 2.5 Text to Video 如何使用自定义音频?

在 Audio 中填写可公开访问的音频文件链接,为视频提供现成配音或音乐。提示词同时写清与音频相配的人物、场景和动作,便于围绕录音组织画面。

Wan 2.5 Text to Video 如何引导运镜?

在提示词中直接描述镜头方向与速度,例如“缓慢推近人物面部”或“从侧面平稳跟拍自行车”。将主体动作与镜头动作分开表达,让一个主要镜头运动贯穿短片。

Wan 2.5 Text to Video 能生成 10 秒短片吗?

可以,将 Duration 设为 10;默认值为 5 秒。用 5 秒呈现一个简短动作,用 10 秒给缓慢运镜或较完整的动作过程留出空间。

Wan 2.5 Text to Video 如何选择 1080p?

在 Aspect Ratio 中选择 1920*1080 横向尺寸或 1080*1920 纵向尺寸。该参数填写宽*高像素值,另外四档尺寸对应 480p 与 720p,便于按展示方向和清晰度选型。

Wan 2.5 Text to Video 如何组织场景提示词?

按主体、动作、环境、光线、镜头和声音组织 1–1500 个字符的描述。围绕一个主要事件展开,并写清人物外观或物体特征,让动作与场景线索前后连贯。

Wan 2.5 Text to Video 如何使用负面提示词?

在 Negative Prompt 中写出希望排除的元素,例如模糊、文字或多余人物,同时在 Prompt 中正面描述目标画面。调整时记录 Seed 与其他设置,逐次比较一个变化对结果的影响。