AIAI 工具图鉴
← 返回全部文章
·约 17 分钟PPT

Wan2.2

视频生成
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

Wan2.2-recommend.mp4
PPT
Wan2.2-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../Wan2.2-recommend.pptx
视频../../Wan2.2-recommend.mp4
本文目录
  1. 🚀 什么是 Wan2.2？
  2. ✨ 五大模型矩阵一览
  3. 🛠️ 5 分钟跑通：Wan2.2-TI2V-5B 快速上手
  4. 环境准备
  5. 一行命令生成 720P 视频（消费级 4090 即可跑）
  6. Python API 调用（Diffusers 集成）
  7. 🧠 MoE 架构：参数翻倍，计算量不变
  8. 💡 四大核心场景
  9. 场景 1：文生视频（T2V-A14B）
  10. 场景 2：图生视频（I2V-A14B）
  11. 场景 3：语音生视频（S2V-14B）
  12. 场景 4：角色动画与替换（Animate-14B）
  13. 📊 与主流开源视频模型对比
  14. 🏗️ Wan2.2-VAE：16×16×4 时空压缩
  15. 🌐 完整生态
  16. 📦 在线体验
  17. 🎯 总结

**📌 核心价值：阿里通义万相实验室开源的视频生成大模型，首次将 MoE 混合专家架构引入视频扩散模型，让消费级 GPU（24GB RTX 4090）也能跑出 720P@24fps 电影级视频

Wan2.2 不是单一模型，而是覆盖「文生视频 / 图生视频 / 语音生视频 / 角色动画」的5 模型矩阵，在 Wan-Bench 2.0 与 VBench 上多项指标超越 Sora、Runway Gen-3 等闭源方案。Apache 2.0 协议，模型权重与推理代码全部开源。

封面图

🚀 什么是 Wan2.2？

Wan2.2 是阿里巴巴通义万相实验室于 2025 年 7 月正式开源的下一代视频生成大模型，论文同步发表于 arXiv（2503.20314）。相比 Wan2.1，Wan2.2 在四个维度进行了重大升级：

  • MoE 混合专家架构：将去噪过程拆分为「高噪声专家（负责整体布局）」与「低噪声专家（负责细节优化）」，总参数 27B 但每步仅激活 14B，实现"容量翻倍而计算成本不变"
  • 电影级美学控制：标注 60+ 美学参数（光照 / 构图 / 色调 / 对比度），支持精确的电影镜头语言
  • 复杂运动生成：训练数据 +65.6% 图像、+83.2% 视频，运动连贯性与物理合理性显著提升
  • Wan2.2-VAE 高压缩：16×16×4 时空压缩比，单卡 4090 24GB 即可在 9 分钟内生成 5 秒 720P 视频

Wan 项目 logo

核心定位：开源界唯一同时支持 T2V/I2V/S2V/Animate 四大视频任务、且在 VBench 上 89.7 分超越 Sora 1.0 的视频生成全家桶

✨ 五大模型矩阵一览

Wan2.2 五大模型功能对比

🛠️ 5 分钟跑通：Wan2.2-TI2V-5B 快速上手

环境准备

# 1. 克隆仓库
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2

# 2. 安装依赖（需 torch >= 2.4.0）
pip install -r requirements.txt

# 3. 下载模型权重（推荐 HuggingFace）
pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-TI2V-5B --local-dir ./Wan2.2-TI2V-5B

一行命令生成 720P 视频（消费级 4090 即可跑）

python generate.py \
  --task ti2v-5B \
  --size 1280*704 \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --offload_model True --convert_model_dtype --t5_cpu \
  --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage"

⚡ 速度对比：同 prompt 下，Wan2.2-TI2V-5B 在 4090 单卡 9 分钟生成 5 秒 720P@24fps 视频，比同类开源模型（典型 30+ 分钟）快 3 倍以上

Python API 调用（Diffusers 集成）

import torch
from diffusers import WanPipeline
from diffusers.utils import export_to_video

# 加载 5B 轻量模型
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.2-TI2V-5B",
    torch_dtype=torch.float16
).to("cuda")

# 启用显存优化
pipe.enable_model_cpu_offload()

# 文+图生视频
output = pipe(
    prompt="A cat walking gracefully on a wooden floor, cinematic lighting, 4k",
    num_frames=81,           # 5 秒 @ 24fps 减 1 帧
    height=704, width=1280,
    num_inference_steps=30,
    guidance_scale=7.5
).frames[0]

export_to_video(output, "cat_walking.mp4", fps=24)

🧠 MoE 架构：参数翻倍，计算量不变

Wan2.2 的最大技术创新是首次将 Mixture-of-Experts（混合专家）架构 引入视频扩散模型。

MoE 架构图

传统视频生成模型对所有时间步都用同一套参数去噪——早期步骤（高噪声）需要的是"整体构图能力"，后期步骤（低噪声）需要的是"细节优化能力"，这其实是两种完全不同的能力要求。

Wan2.2 通过信噪比（SNR）阈值 t_moe 切换两个专家：

  • 高噪声专家（早期）：负责视频整体布局、动作轨迹
  • 低噪声专家（后期）：负责人脸细节、纹理、光影

MoE 双专家协作机制

实测效果：14B 激活参数的 MoE 模型，生成质量接近 27B 单体模型，但 VRAM 占用仅需 80GB 而非 200GB+

💡 四大核心场景

场景 1：文生视频（T2V-A14B）

文生视频流程

功能说明：输入一段中文/英文文字描述，Wan2.2 自动生成 5 秒 720P 视频。

输入要求：

  • 提示词建议 30-80 字，包含「主体 + 动作 + 环境 + 风格」
  • 中文支持原生优化（其他模型中文表现差）

输出效果：

  • 720P@24fps 5 秒 MP4
  • 复杂动作如人体后空翻可精准还原
  • 美学参数可精确控制（黄金分割构图 / 逆光剪影 / 青绿山水色调）

适用场景：

  • 短视频创作者：1 段文字 = 1 段 5 秒爆款片段
  • 广告公司：概念片 / 创意 demo 零成本试错
  • 教育/科普：抽象概念可视化

Prompt 模板：

[主体] + [动作] + [环境/光线] + [摄影机] + [风格]
"A Chinese girl in Hanfu dancing by a lotus pond, 环绕运镜+青绿山水色调, cinematic lighting, 8k"

场景 2：图生视频（I2V-A14B）

图生视频流程

功能说明：上传 1 张静态图片（人物 / 风景 / 商品图），生成让图片"动起来"的视频。

输入要求：

  • 图片清晰无遮挡，建议正方形或 16:9
  • 可选附加运动提示词（控制镜头方向、动作幅度）

输出效果：

  • 保留原图细节（人脸、构图、风格）
  • 自然运动（头发飘动、衣服褶皱、眼神流转）
  • 与原图完全一致的角色身份

适用场景：

  • 电商商品图 → 30 秒商品展示视频
  • 老照片修复 + 动态化
  • 动漫角色立绘 → 动态漫片段
  • 影视分镜快速预览

实测案例（来自掘金作者「马克学ai」）：

上传「办公室工位自拍」+ 网红手势舞视频 → 生成的画面里你依然坐在工位上，但双手会精准跟着手势舞节奏动，背景还是你熟悉的键盘和绿植。

I2V 输入示例

场景 3：语音生视频（S2V-14B）

语音生视频流程

功能说明：上传 1 张人像 + 1 段音频（WAV/MP3），生成说话/唱歌的动态视频。

输入要求：

  • 人像正面照，嘴部清晰
  • 音频建议 5-30 秒，单人说话或唱歌
  • 可选参考姿态（控制头部动作幅度）

输出效果：

  • 口型精准同步（Wan2.2-S2V 的核心优势）
  • 表情自然（眨眼、眉动、嘴角变化）
  • 支持中英日韩多语言

适用场景：

  • 数字人 / 虚拟主播
  • 配音视频批量生成
  • 历史人物"复活"讲解

S2V 音频驱动示例

Pose 控制示例

场景 4：角色动画与替换（Animate-14B）

角色动画流程

功能说明：单模型同时支持「动作模仿（Move）」和「视频换人（Mix）」 两大需求——上传 1 张照片 + 1 段参考视频即可实现。

核心模式：

  • Move 模式：保留照片原背景，让照片角色跟着参考视频动
  • Mix 模式：保留参考视频的场景/动作/光线，把角色换成照片里的人

输入要求：

  • 照片：正面单人，人脸清晰无遮挡
  • 参考视频：建议 ≤ 30 秒，动作明确

输出效果：

  • 动作复刻、表情同步、光照匹配
  • 头发丝反光 / 衣服光影都自动调整
  • 比传统 AI 换脸工具真实 10 倍

适用场景：

  • 短视频创作：用自己照片复刻热门舞蹈（《科目三》/手势舞），轻松蹭流量
  • 影视后期：特技演员替换、特效补拍，省几十万成本
  • 游戏/动漫：让静态角色立绘跟着参考视频动，不用动画师逐帧绘制

部署门槛极低：ComfyUI V6 版本最低 8GB 显存就能跑，生成 5 秒视频仅需 1 分钟，普通游戏本也能本地部署

📊 与主流开源视频模型对比

Wan2.2 vs 主流开源视频模型对比

关键差异点：

维度 Wan2.2 其他开源模型
架构 MoE 双专家 单 DiT / 稀疏注意力
VBench 评分 89.7（接近商业 Sora 1.0） 78-82
训练数据 +65.6% 图像 / +83.2% 视频 vs Wan2.1 增长有限
中文支持 原生优秀（阿里通义基座） 弱/中等
消费级 GPU 4090 24GB 可跑 5B 多需 A100 80GB

Wan-Bench 2.0 性能对比

训练效率对比

🏗️ Wan2.2-VAE：16×16×4 时空压缩

Wan2.2-VAE 架构

Wan2.2 配套开源了 Wan2.2-VAE——业界领先的高压缩视频自编码器：

  • T×H×W 压缩比 4×16×16（含 patchification 后 4×32×32）
  • 信息压缩率达 64 倍，大幅降低潜空间计算量
  • 支持 480P / 720P 多分辨率
  • 24GB 消费级 GPU 即可运行 TI2V-5B

相比同类 VAE 节省 60%+ 显存，是 Wan2.2 能在 4090 上跑的核心功臣

🌐 完整生态

Wan2.2 已形成完整的开源生态，被主流社区广泛集成：

生态项目 功能
ComfyUI WanVideoWrapper（Kijai） 节点式工作流，5 分钟搭好生成管线
DiffSynth-Studio 一体化 Diffusers 微调/推理框架
LightX2V 蒸馏加速，生成速度再提 50%
FastVideo 稀疏注意力 + 蒸馏，5B 模型 1 分钟出 5 秒视频
Cache-dit 缓存优化，重复去噪步骤跳过 80%
HuMo 多模态交互式视频生成
Helios 长视频一致性扩展

📦 在线体验

不想本地部署？直接用在线平台：

wan.video 官方海报

🎯 总结

Wan2.2 是当前开源视频生成的天花板：

  • 唯一覆盖 5 大视频任务（T2V / I2V / TI2V / S2V / Animate）的全家桶
  • 唯一引入 MoE 架构的视频扩散模型
  • 唯一在 VBench 89.7 接近商业 Sora 1.0 的开源方案
  • 唯一原生支持中文的视频生成大模型

推荐指数： ⭐⭐⭐⭐⭐（满分 5 星）

适合人群：

  • ✅ 短视频创作者（抖音 / TikTok / B 站）
  • ✅ 广告创意 / 影视后期团队
  • ✅ 数字人 / 虚拟主播开发者
  • ✅ AI 视频生成研究者
  • ✅ 游戏 / 动漫内容生产者
  • ❌ 不适合：需要 4K 60fps 以上的专业影视级（仍推荐 Sora 2 / Veo 3）

立即体验：

数据截至 2026-06-20，Star 数 16,293 / Fork 数 2,022，最新 commit 2026-03-17。最新信息请以 GitHub 仓库为准。