飞船降临城市
巨型飞船、蒸汽和向上抬升的镜头，展示科幻场景中的重量感。
通义万相 Wan 2.2 AI 视频生成器
万相 2.2 是阿里通义万相团队的开源视频模型。这里使用 A14B Turbo：用文字构思场景、让一张照片动起来，或给人像配一段语音，生成约 5 秒的短片。在线操作即可，不需要准备显卡。
需要灵感吗？
示例
A kind-faced old man, wearing a straw hat and overalls, stands in a sunny vegetable garden. He is holding a ripe tomato and is very happy, his eyes shining with pure happiness.
这是参考示例。
通义万相 2.2，在线使用 3 种输入方式
万相 2.2 是 2025 年 7 月发布的阿里开源视频模型，采用 Apache 2.0 许可。它用混合专家架构分工处理场景布局和细节：总参数为 270 亿，每一步激活约 140 亿。和上一代相比，训练中增加了图片、视频以及光线、构图和色彩相关标注。
本页提供托管的 A14B Turbo，分为文生视频、图生视频和语音驱动视频（Wan 2.2 S2V）。片长约 5 秒，文生视频和图生视频输出 480p 或 720p 无声片段，语音驱动视频另有 580p，可让口型跟随录音。需要更长片段、1080p、生成声音或多份参考素材时，可查看“通义万相 Wan 3.0”。
3 种模式分别需要什么
先按输入素材选择模式，再看分辨率和比例。
| 项目 | 文生视频 | 图生视频 | 语音驱动视频 |
|---|---|---|---|
| 输入 | 提示词 | 照片和提示词 | 人像、语音和提示词 |
| 分辨率 | 480p 或 720p | 480p 或 720p | 480p、580p 或 720p |
| 画面比例 | 16:9 或 9:16 | 跟随照片，必要时缩放并居中裁剪 | 跟随照片 |
| 片长 | 约 5 秒 | 约 5 秒 | 约 5 秒，16 fps、80 帧 |
| 声音相关功能 | 无声 | 无声 | 口型跟随上传的语音 |
| 扩写提示词 | 可选 | 可选 | 不支持 |
| 上传限制 | 无需上传 | JPG、PNG 或 WebP，最大 10 MB | 图片及 MP3、WAV、M4A、AAC、OGG 或 FLAC 音频，每个文件最大 10 MB |
本页不提供更长视频、1080p、生成声音、尾帧或参考视频输入；这些需求可查看“通义万相 Wan 3.0”的选项。
快速草稿和较长成片怎么选
2.2 适合用较少积分试短动作，3.0 提供更多时长和素材设置。
| 项目 | Wan 2.2（本页） | Wan 3.0 |
|---|---|---|
| 用途 | 5 秒草稿、照片动态和人像说话 | 带声音和参考素材的较长片段 |
| 输入 | 文字、单张照片，或人像加语音 | 文字、首尾帧；模型上限 10 张图、5 段视频、5 段音频，本站对应页面提供 3 张图、1 段视频和 1 段音频 |
| 片长 | 约 5 秒 | 2–30 秒 |
| 分辨率 | 480p、720p；语音驱动视频另有 580p | 480p、720p、1080p |
| 比例 | 文生视频：16:9、9:16 | 自动、16:9、4:3、1:1、3:4、9:16 |
| 生成声音 | 不支持 | 支持，可开关 |
Wan 2.2 的模型采用 Apache 2.0 开源许可；这里提供在线托管使用，生成任务仍消耗积分。
先看看这些短片
点卡片会把对应设置填进上方操作区，示例图仅供参考。
落日下的沙漠追逐
跟拍车辆、扬尘和逆光，把一个明确动作放进约 5 秒片长。
让照片动起来
老人把番茄举向镜头。图生视频以原照为基础，生成后仍需核对人物和菜园细节。
低机位推进
用阴天光线、低机位、中近景和冷色调描述具体镜头要求。
日常风格商品短片
卧室里的商品展示模拟生活化拍摄，适合先检查手势和构图。
人像说话的输入照片
上传这类清晰正面照，再配一段语音，让嘴部、面部和头部随录音变化。
万相 2.2 图生视频和其他模式怎么用
准备好素材后，在浏览器里完成三步操作。
选模式并添加素材
选“文生视频”填写场景；选“图生视频”上传起始图片；选“语音驱动视频”上传人像和录音。提示词写清希望出现的动作。
选择分辨率和选项
用 480p 检查草稿，需要更清晰时可选 720p。文生视频可选横屏或竖屏；可开启扩写提示词补充细节。
生成并检查结果
查看“用万相 2.2 生成视频”按钮上的积分后提交。完成后检查人物、动作和取景，下载保存，或只调整一项要求再生成。
从短镜头里看动作和画面细节
模型分工、摄影要求、照片动作和人像配音，下面各举一例。
两组专家分工处理画面
模型先处理布局和动作，再细化纹理和面部。总参数 270 亿、每步激活约 140 亿，这种分工让它能处理更复杂的场景。
把摄影要求写具体
可写日落暖光、轮廓光、低机位、中近景、缓慢推进等要求。比只说“电影感”更容易表达想要的光线和构图。
一张照片，安排一个动作
以人物、商品或风景照片为起点，写转头、抬手、光线移动或缓慢运镜。不要同时要求太多动作，完成后检查主体外观。
给人像配语音
Wan 2.2 S2V 让嘴部、面部和头部随说话或唱歌录音变化，可用于简短介绍或口型测试，提供 480p、580p 和 720p。
把 5 秒片段用在这些地方
社交短片和补充镜头
制作风景、空镜或过渡画面，放进自己的剪辑；对外使用时说明 AI 生成来源。
商品展示
用一张商品照片尝试环绕镜头或日常使用场景，检查外观是否保持准确。
动漫和插画
先确定赛璐珞、3D 动画或绘画风格，再安排一个清楚的动作。
照片说话视频
用获准使用的人像和录音尝试一句介绍、角色台词或唱歌片段。
动态分镜
正式拍摄前检查镜头移动、光线和人物走位，再决定是否制作更长片段。
提示词少堆形容词，多写动作
先写机位和光线，再写主体、环境和一个动作。
先交代光线和取景
例如日落暖光、低机位、中近景、冷色调，再补充人物和场景。
每段只安排一个主要动作
约 5 秒适合转身、倒水或缓慢推镜。动作和镜头越集中，越方便判断结果。
风格放在前面
想要动漫、3D 动画或水彩质感时，先写画风，再说明动作。
照片已有的内容不用反复描述
图生视频和语音驱动视频已提供人物外观，可把文字留给动作、表情和镜头变化。
使用前常见问题
了解输入素材、视频规格和在线使用方式。
它是阿里通义万相团队在 2025 年 7 月发布的开源视频模型。这里通过托管的 A14B Turbo，提供文字、图片和语音驱动 3 种用法。
需要。所需积分按输入模式和分辨率计算，开始前“用万相 2.2 生成视频”按钮上会显示具体数量。注册即送 100 积分；首次购买任意套餐或积分包后，这些积分会解锁并永久有效。
不能。本页输入是文字、照片，或人像加语音。让静态图片动起来时，上传起始图片并描述动作即可。
选择语音驱动视频，上传清晰人像和说话或唱歌录音，再写简短动作要求。结果约 5 秒，提供 480p、580p 或 720p，口型和头部动作会参考录音。
每段约 5 秒。文生视频支持 16:9 和 9:16；图生视频和语音驱动视频跟随照片比例，必要时会缩放或居中裁剪。文生视频和图生视频支持 480p 和 720p。
2.2 适合短动作草稿。3.0 支持 2–30 秒、最高 1080p、生成声音、首尾帧以及图片、视频和音频参考。按自己的输出要求选择即可。
不需要。在这里上传素材、填写提示词并提交即可，由在线服务完成生成。
本页使用 API 服务商提供的 A14B Turbo，分别处理文字、图片和语音驱动任务。其他托管版本或社区修改版不属于本页选项。
开源许可不代表在线计算无需成本。本站提供托管生成，运行模型需要计算资源，因此按当前模式和分辨率消耗积分。
EzImgMaker 是独立服务，通过第三方 API 服务商接入该模型，和阿里或万相团队没有关联，也没有获得其背书或赞助。
请使用自己拥有或已获授权的素材，涉及他人的面部或声音应先取得同意。不要制作冒充真实当事人的误导内容。
先用一个动作试试效果
写一个场景、上传一张照片，或给人像配一段语音，再选择合适的分辨率。
Wan 和通义万相是阿里巴巴集团或其关联公司的商标。EzImgMaker 是独立服务，和上述公司没有关联，也没有获得其背书或赞助。