通义万相Wan2.5模型实测，可生成音画同步视频

2025云栖大会正式开幕！本届大会以"云智一体•硅碳共生"为主题，来自全球50多个国家的2000多位演讲嘉宾齐聚杭州，围绕Agentic AI与Physical AI等前沿议题展开对话，规格堪比一场科技春晚。

今天上午最受瞩目的，是阿里最新推出的大模型——通义万相 Wan2.5-Preview 系列模型。

Wan2.5-Preview 系列模型主打多感官叙事，采用原生多模态架构，文本、图像、视频、音频处理能力全面升级，可直接生成音画同步的视频。

这些技术升级，既体现了阿里在基础模型上的长期投入，也彰显了其面向产业应用、拓展大模型生态的方向。

K姐第一时间拿到了体验资格，下面就一起来看看实测效果。

 

01. 音画同频的关键：跨模态对齐

 

Wan2.5 提供了图像生成与视频生成两大功能，并且支持由音频搭配prompt/图片生成视频。

只需在常规文/图生视频的提示词基础上，补充对人声、环境音效和背景音乐的描述，即可得到音画同步的成品视频。

视频最长可生成 10 秒，支持 1080p、24fps 的高清输出。

官网：https://tongyi.aliyun.com/wan/

话不多说，先看几个实测案例：

case1 综艺录制

prompt：综艺节目录制现场，舞台布置成客厅风格，柔和的暖色灯光，两张沙发面对观众摆放，中间的茶几上放着饮品和零食。一位年轻男idol坐在沙发上，穿着时尚休闲装，手里拿着话筒，说道："迷人的话我不会说，但迷人的我正在说话"。现场观众笑声爆发，镜头切到其他嘉宾，他们一边笑一边鼓掌。

在这段 5 秒的镜头里，Wan2.5 对提示词的还原度很高，客厅风格、暖色灯光、茶几上的饮品和零食等细节都处理到位。

人物说话时的表情和口型都十分自然，尤其在运镜过程中，人物还主动向嘉宾方向倾斜，仿佛下一秒就要把话筒递过去…

case2 户外摄影

上传一张蜗牛照片作为参考。

prompt：暴雨天，雨水密集地拍打在草地上，发出"沙沙"的沉闷声，夹杂着水珠溅散的轻响，四周环境空旷而湿润。

密集的雨点打在蜗牛壳上，聚成大颗水珠滑落。Wan2.5 对现实场景的理解相当到位，能够根据图片环境与提示词生成匹配的音效，声画一致性表现良好。

case3 演唱会

我们上传一段歌曲音频作为参考。

prompt：特写镜头，一位非常漂亮的女歌手站在演唱会舞台中央深情演唱。她穿着精致的礼服，长发披肩，在微风中轻轻飘动，映着舞台灯光更显动人。她双手紧握话筒，声音高亢饱满，情绪澎湃。

视频的光影和色彩表现出色，尤其是发丝光显得灵动而真实，人物口型与音频也高度贴合。

Wan2.5 的音画同步并非只是让人物张嘴对口型，还加入了大量细节：头部轻微晃动、颈部用力时绷紧的肌肉、呼吸时肩膀的收缩起伏。这些细节让画面更具生命感，宛如现场实拍。

 

02. Wan2.5与Veo3对比

 

case1 美食视频

prompt：一个20岁左右的女大学生，在热闹的小吃街坐着，用筷子夹起一小块红烧肉，慢慢咀嚼，靠近镜头，轻声说道："好吃"。声音甜美，语气轻快。背景音是小吃街人来人往嘈杂的声音。

Wan2.5 和Veo3生成的画面质量都不错，但 Veo3 似乎出现了 BUG，整段视频没有声音。

case2 电视的演变

prompt：锁定广角镜头，从正面拍摄同一客厅，电视位于画面的中央，始终居中构图。画面展示电视在几十年间发展演变，从 1950 年代的黑白电视机，到1970 年代的木质机柜，再到1990 年代的 CRT 显示器，再到2000 年代的平板电视，最后是2020 年代的智能 OLED 电视。家具、颜色和风格也随着时代变迁而变化，复古 70 年代，简约 90 年代，现代 2000 年代，未来 2020 年代。

镜头: 35mm 电影镜头，细节清晰。

音效: 视静电声、频道切换声、遥控器点击声与时代过渡同步。

混合级别: 各时代之间平滑过渡

Wan2.5 对提示词的遵循度明显更高，电视机始终居于画面正中，全程采用中心构图，主题表达更直观。

在装修风格上，Wan2.5 各年代之间的差异并不明显，这一点 Veo3 表现得更好。

Wan2.5 与 Veo3 都呈现了多个时代的电视机样式，并在时代切换时加入了对应音效。

 

03. 一些分享

 

以往的视频生成往往声画脱节，还需要在不同平台分别添加人声、对口型和背景音；如今只需少量提示词，就能生成一段音画同步的完整视频。

Wan2.5 让创作同时实现"可视化"与"可听化"。无论是短视频、虚拟主播，还是远程教学，都不再依赖复杂后期，AI 一键即可完成，显著降低了创作门槛。

Wan2.5 能够同时对齐声音节奏、语言语义与画面动作，这不仅是视频生成的一次进化，更是迈向多模态 AI 成熟应用的关键一步。

广告、教育、影视、游戏等领域过去都依赖人工配音与后期制作，既费钱又费时。Wan2.5 将视频生成提升到生产级工具水准，低成本、高质量的虚拟内容有望迎来全面爆发。

原文链接：2025云栖大会，阿里整了个大活！