免费在线工具
选择 Wan 或 LTX 模型，输入提示词或上传图片，通过公共 GPU 队列生成可下载的视频。
公共 GPU 排队和使用限制可能适用，请勿上传敏感内容。
免费语音驱动视频
上传一张照片和一段说话或唱歌音频，免费生成带口型、表情和身体动作的视频。无需 GPU、无需 API Key。
使用官方公开 Demo，可能排队或限流，请勿上传隐私文件。
免费同步音视频生成
通过公开 Hugging Face ZeroGPU Space，从文字、图片、参考素材或蒙版生成带同步声音的视频。
无需 MiniMax API Key；公共额度、排队与第三方数据处理规则可能适用。
免费 AI 换脸
上传源人脸和目标图片，免费完成换脸。无需 GPU、无需 API Key。
公开 CPU Demo，可能排队或较慢，请勿上传隐私照片。
免费说话照片
上传人像和语音，免费生成说话视频。无需 GPU、无需 API Key。公开额度很小，适合试玩。
公开 ZeroGPU Demo 可能排队，匿名每天大约只能成功一次。
Wan 2.2 开源 Wiki
对照官方 README 与论文，整理 T2V、I2V、S2V、Animate、DiT MoE、Wan-VAE、LoRA、FP8 / GGUF 与显存，并收录官方技术配图。
开源权重止于 Wan2.2；2.5 起的原生音视频为产品 API。
在浏览器中完成视频生成、角色动画、扩画、重打光和放大。每项能力都有独立页面与可直接使用的嵌入式工作区。
使用最新官方 LTX-2.5 Distilled，由文本或图片生成带同步声音的视频。
打开工具通过官方 LTX-2.3 Distilled 工作流创建文本、图片或音频引导的短视频。
打开工具提供开始帧与结束帧，并可加入提示词和音频，生成两帧之间的运动过程。
打开工具把参考视频中的身体动作和语音节奏迁移到一张角色图片上。
打开工具用生成方式补全画面边缘，把视频扩展到新比例，而不是直接裁剪。
打开工具使用官方 LTX-2.3 生成式空间放大工作流，最高进行 4× 细节重建。
打开工具在 VBench 等权威基准中表现卓越 (综合得分 84.7%+)，尤其擅长处理复杂动态、空间关系和多对象交互。
轻量级 1.3B 模型仅需约 8GB VRAM，即可在主流消费级 GPU 上流畅运行，大幅降低使用门槛。
不仅限于 T2V/I2V，更支持视频编辑、修复、扩展、音频生成 (V2A) 等多样化创作需求。
率先实现视频内中英双语文本的清晰生成，支持多种字体特效，极大拓展应用边界。
新颖的 3D 时空 VAE，显著提升编解码效率与质量，支持高分辨率长视频处理，兼顾速度与显存。
遵循 Apache 2.0 许可证，完全开放模型代码与权重，积极拥抱社区，共同推动技术进步与应用落地。
精准生成包含大幅度肢体动作、物体旋转、场景变换及镜头运动的逼真视频流。
示例: 模拟雪地摩托车手在雪地上疾驰扬雪的动态镜头。
准确模拟现实世界的物理规律，生成符合直觉的物体交互与动态效果。
示例: 熊猫在城市街道上表演高难度滑板特技，包括跳跃、旋转和滑行，动作流畅自然，展现精湛技巧。
提供媲美电影的视觉质感，生成纹理丰富、光影真实、风格多样的视频画面。
示例: 特写电影镜头捕捉变形间谍的面部。
基于 Wan-Edit 技术，支持多样化的视频编辑操作，实现对内容的精细调整。
示例: 在保留视频主体结构的同时，替换背景或添加元素。
突破性地支持在视频画面中直接生成清晰、动态的中英双语文字，可应用多种字体与特效。
提示示例 (水墨艺术): "红色新年纸背景上，一滴墨水缓缓扩散，形成模糊自然的「福」字，墨色由深至浅，展现东方美学。"
示例: 为产品演示视频添加动态的标语或注解。
不仅生成视觉，更能智能匹配或生成与画面内容、节奏相符的音效和背景音乐 (V2A)。
提示示例 (冰块掉落): "特写镜头，冰块从高处掉落到玻璃杯中，产生碎裂声和液体晃动声..." (生成匹配的音效)
示例: 为动画短片自动生成贴合情节氛围的背景音乐。
万相 2.1 提供不同参数规模和功能的模型变体，满足从快速验证到高质量创作的各类需求，均遵循 Apache 2.0 许可证开放源码。
13亿参数
文本到视频 (T2V)，主打 480p 分辨率。专为消费级 GPU 优化，VRAM 需求低 (约 8GB)。
140亿参数
文本到视频 (T2V)，提供卓越质量，支持 480p/720p 分辨率，具备独特的中英双语文本生成能力。
140亿参数
图像到视频 (I2V)，结合图像参考与文本提示生成视频，提供 480p 和 720p 两种高质量变体。
140亿参数
首尾帧到视频 (FLF2V)，根据起始与结束帧智能合成中间过渡，生成流畅视频，支持多 GPU 加速。
🚀 阿里巴巴通义实验室推出首个 140 亿参数的首尾帧到视频生成大模型！该模型完全开源，为数字艺术家提供前所未有的创作效率与灵活性。
生成电影级、高保真的视频内容，细节丰富，物理效果逼真。
精准捕捉和生成复杂的物体运动、镜头移动和自然的动态交互。
独特的视频内中英双语文本生成能力，为内容创作增添更多可能。
先进的 Wan-VAE 技术带来更快的处理速度和更优的资源利用效率。
开源结合消费级硬件支持，让人人都能体验前沿 AI 视频技术。
受益于全球开发者的贡献、优化与集成，生态持续发展壮大。
万相 2.1 基于主流的扩散 Transformer (DiT) 范式，并引入了创新的 3D 时空变分自编码器 (Wan-VAE) 来高效处理视频数据。它还采用了 Flow Matching 技术，并通过 T5 编码器理解文本提示，利用交叉注意力机制融合文本与视觉信息。
硬件需求取决于模型版本。1.3B T2V 模型对消费级 GPU 非常友好，最低仅需约 8GB VRAM。而 14B 的模型（T2V, I2V, FLF2V）则需要更强大的硬件，推荐使用具有 24GB 或更多 VRAM 的专业级 GPU (如 A100, RTX 4090)，甚至可能需要多 GPU 配置来进行高效推理。
万相 2.1 在 VBench 等基准上表现出色，常被认为在某些指标（如运动平滑度、主体一致性）上优于或媲美 Sora 等闭源模型。其主要优势在于开源、消费级硬件支持（1.3B模型）和独特的双语文本生成。Sora 和 Veo 2 可能是闭源的，可能在特定美学质量或长视频生成上有所侧重，但万相 2.1 提供了更高的灵活性和效率。
虽然万相 2.1 能够生成高质量视频，但与所有生成模型一样，输出质量可能存在一定的不稳定性，有时会出现伪影、变形或细节控制不佳的情况（尤其在复杂场景或特定风格下，如人物肖像）。其他局限性包括：较大模型生成速度相对较慢、对硬件要求高、以及开源模型普遍存在的内容安全和伦理风险（如缺乏内置水印）。
您可以访问官方的 GitHub 仓库获取源代码、模型权重和详细的使用说明。模型也已集成到 Hugging Face Hub、Diffusers、ComfyUI 等流行平台，方便用户直接调用或在本地部署。社区也提供了许多教程和工具。
万相 2.1 的代码和模型权重均遵循 Apache 2.0 许可证进行开源。这意味着它允许用户自由地使用、修改和分发，包括商业用途，但需要遵守许可证的相关条款（如保留版权声明和免责声明）。