Wan2.5全面解析：发展轨迹、技术特点与Google Veo3的对比

Wan 系列的发展轨迹

阿里巴巴旗下的 “Wan” 系列自问世以来，一直以 开源、可商业应用 的定位受到视频生成社区的关注。从早期的基础视频拼接到如今的多模态生成，团队不断迭代模型架构，为创作者提供了更强大的工具。

Wan 2.1：多语种视频编辑的尝试

2024 年推出的 Wan 2.1 是该系列早期版本，主要提供基于文本的短视频生成，并尝试支持多语种输入。由于硬件和算法限制，这一代的视频分辨率、时长以及效果较为有限，但它为后续模型奠定了开放源代码、支持中文的基础。

Wan 2.2：Mixture of Experts 架构的突破

2025 年初发布的 Wan 2.2 在开源社区掀起热潮。这一版本采用了 Mixture of Experts（MoE） 架构，将降噪过程拆分为“高噪声专家”和“低噪声专家”两部分：高噪专家负责在噪声较大的阶段保持全局结构，低噪专家在噪声较小的阶段补全细节,模型支持 文字到视频 (T2V)、图文联合到视频 (TI2V)、图像到视频 (I2V) 以及 声音到视频 (S2V) 等多种生成模式.

Wan 2.2 的视频分辨率为 720p，帧率 24fps。由于采用 Apache 2.0 许可证，它可以在商业项目中免费使用，Wan 2.2 在多个指标上击败了同类模型，如 OpenAI Sora、Pika 2.2 和 Runway 3 等。这一成就标志着开源视频生成迈向实用化阶段。

Wan 2.5：原生音视频融合的全新里程碑

1. 发布背景

在 2025 年 9 月召开的阿里巴巴云栖大会上，官方首次展示了 Wan 2.5。 这款预览版模型将文本、音频和视频作为统一输入，在训练阶段实现三模态的联合学习，实现 原生的高保真音视频同步，视频时长从 5 秒延长至 10 秒，并提供 1080p 分辨率，这在开源模型中属于领先水平。

2. 核心技术特点

• 1.统一多模态架构：模型基于改进的 MoE 结构，能够同时处理文本、图像、视频和音频信号，在同一个网络中学习三种数据的关系，从而实现语义、视觉与听觉的一体化输出。
• 2.10 秒 1080p 高品质视频：Wan 2.5 可生成时长 10 秒、分辨率 1080p 的视频，画面稳定流畅，为未来提升到 4K 提供基础。
• 3.原生音频生成：与前代模型需要后期配音不同，Wan 2.5 能直接生成对话、环境声、背景音乐等音轨，且与画面同步。Fal 博客强调，模型可以输出咖啡店聊天、风声、水流声等复杂声场，增强故事氛围。
• 4.强大的文本适配能力：新版本提升了对复杂提示词的理解能力，能根据用户描述生成符合场景的镜头语言，并提供更好的风格适配。
• 5.人类偏好强化学习 (RLHF)：相比 Wan 2.2，新模型加入了 RLHF 训练，使输出更符合用户的审美偏好和指令要求。
• 6.整体性能提升：官方数据显示，Wan 2.5 的生成速度提升约 25%，视频画质提高 30%，语义符合度提升 40%，动作复现提升 35%，并持续采用 Apache 2.0 开源协议。

三、与 Google Veo 3 的对比

1. Veo 3 概述

Google 在 2025 年 5 月推出了第三代视频生成模型 Veo 3。Cybernews 文章指出，Veo 3 能生成最多 8 秒 的 1080p 视频，并提供灵活的画幅比例、丰富的摄像机运动和更好的面部细节 它支持 文本到视频 和 图像到视频，并引入 音视频同步技术，可以生成音乐、对白和环境音 此外，Veo 3 为创作者提供可视化的编辑界面，但模型并未开源，只能通过 Google 的Vertex AI平台、Gemini网页，Gemini API等渠道访问。

2. 模型差异

Veo 3 与 Wan 2.5 在理念和使用策略上有所不同。Veo 3 采用闭源商业模式，用户需支付订阅费才能使用。 相比之下，Wan 2.5 完全开源，允许个人和企业在本地或云端部署。另外，Wan 2.5 支持中文和国际语言，且无地域访问限制；Veo 3 在部分地区需经 VPN 才能使用。

3. 对比表

下表根据公开资料整理了 Wan 2.5、Google Veo 3 和 Kling 2.5 Turbo（另一个商用模型）的关键参数，对照时每个项目仅列出关键词或数字：

四、五个代表性提示词

为了更好地比较 Wan 2.5 与 Veo 3 的生成效果，可以使用同一组中文提示词测试两款模型。以下是五个适合实验的场景描述：(待更新)

咖啡店对话：描述一个阳光透入窗户的咖啡店，女主角在柜台点单，背景应有咖啡机轰鸣与顾客交谈声，生成的角色应说出“我要一杯拿铁”。

高速追车：描述一辆 F1 赛车在城市街道高速奔跑，镜头穿过桥梁与霓虹灯，配以紧张的电音背景和引擎轰鸣。

海边歌手：描绘夕阳下的海滩，一位女子弹着吉他歌唱，海浪声和海鸥鸣叫应与她的歌声相融合。

科幻行星：描写深蓝星球在宇宙中缓慢旋转，周围环绕着红色卫星，背景音乐采用电子氛围声，让画面呈现神秘科幻感。

极限攀岩：描述悬崖上的攀岩者冲上顶峰，广角镜头展示峡谷全景，背景包含呼啸风声和紧张的音乐。

用户可以用同样的提示词在 Veo 3 生成视频，通过对比音画同步程度、画面稳定性和风格还原度来评估两者差异。

五、Wan 2.5 的体验方式与可用平台

目前试用 Wan 2.5 的渠道较多，既有官方平台也有第三方社区服务：

• 通义万象官网：阿里巴巴云提供的官方平台，用户可以直接上传提示词生成视频，并提供部分免费额度。适合初学者了解模型基本能力。https://wan.video/
• Fal.ai Playground：Fal.ai 提供了 Wan 2.5 的预览版及 API。Fal 博客建议开发者在 Playground 中尝试文本到视频和图像到视频功能。 https://fal.ai/
• 阿里云百炼平台：面向企业客户，提供高性能 API、付费订阅和定制服务，企业用户可按需选择计算资源。https://bailian.console.aliyun.com/
• 第三方整合平台：如 https://sovideo.ai 等聚合多种模型的平台，用户只需订阅一个账户便可测试 Wan 2.5、Veo 3 等多模型，并比较效果。

六、背后公司的战略与未来方向

阿里巴巴在 2025 年云栖大会上公布了全面的 AI 战略。集团计划在三年内投资约 380 亿元人民币 用于 AI 和云基础设施。阿里巴巴数字媒体与娱乐集团 CEO Eddie Wu 表示，大模型将“深度融入各种设备并具备长期记忆”，并强调开源是公司战略的一部分。 自 2023 年发布 Qwen 大模型以来，阿里巴巴已经开源 300 多款 AI 模型，累计下载量超过 6 亿，衍生模型多达 17 万 个。Wan 2.5 的推出证明阿里巴巴继续朝“开放生态”方向前进。在未来版本中，模型预计将支持 4K 分辨率、更长的视频时长以及更精准的音画同步。同时，团队还会利用 RLHF 与多模态对齐技术，使模型更好地理解长篇提示和复杂场景。

七、总结

Wan 2.5 的发布标志着开源视频生成迈入多模态时代。通过统一文本、图像、音频的模型架构，它提供了更真实、更丰富的影音体验，并大幅提升生成效率和画质。与 Google Veo 3 相比，Wan 2.5 在开源、中文支持和商业友好度方面具有明显优势。随着未来技术升级和生态完善，Wan 2.5 有望成为全球创作者的重要工具，也进一步彰显了阿里巴巴在 AI 视频领域的技术积累和开放姿态。