原生音视频一体

2.2 开源模型实际输出

• T2V-A14B / I2V-A14B / TI2V-5B — 无声视频。
• S2V-14B — 你提供音频，模型做动画。
• Animate-14B — 动作迁移，不生成音频。

2.5+ 产品补了什么

公开的 2.5 介绍（fal、DashScope 类 API、聚合平台）描述了对白、环境声、配乐联合生成，1080P，以及比 2.2 约 5 秒配方更长的片段。后续 2.6/2.7/3.0 继续原生 AV，并加上多镜头或参考控件。这些都没有以 Wan2.2 那种 GitHub checkpoint 形式发布。

仍想留在开源权重上

继续用 Apache-2.0 / 公开权重：先生成无声 Wan2.2 视频，再用 ThinkSound（或其他 V2A）配 Foley；说话人头用 CosyVoice + S2V。那是两（或三）个模型，不是原生 AV。

常见问题

2.2 的 GGUF 会不会魔法加音频？

不会。量化改的是权重量化类型，不是输出模态。

S2V 算原生 AV 吗？

不算。原生 AV 合成声音；S2V 消费声音。