Wan 2.5 im Test: Der günstige Weg zu Ton im Clip

Die Galerie enthält veröffentlichte, arbeitsplatztaugliche Beispiele von der Modellseite von Wan 2.5.

Ein Sprung bei Morgengrauen. Eine Schwimmerin an einer steinernen Hafenmauer schüttelt die Arme aus, taucht sauber und taucht lachend wieder auf; der Spritzer und das folgende Plätschern liegen ungefähr dort, wo das Wasser aufbricht.

Eine Drehung in Satin. Aus einem Standbild-Porträt, zehn Sekunden bei 1080p: Sie dreht die Schultern, macht zwei Schritte, und der Negativ-Prompt hält Schmuck und zusätzliche Personen aus dem Bild.

Ein zehnsekündiges Saxofonsolo. Eine einzelne durchgehende Einstellung in einer Jazzbar; Richter lobten hier die Nahaufnahme des Gesichts, während sie die fingerlastige Handarbeit bei einem separaten Gitarren-Prompt als Schwachpunkt markierten.

Abseits der Kamera zeigten die tonlastigen Prompts (ein Café-Gespräch, ein tränenreiches Geständnis, ein zerspringendes Weinglas, ein Wokfeuer) in unserem letzten Arena-Durchlauf mit denselben Prompts jedes Mal denselben Riss: Dialog und Emotion landen gut, und je mehr der Prompt auf präzise Hand- oder Objektphysik setzt, desto mehr fängt es an zu raten.

Nenne die Tonquelle im selben Satz wie die Handlung, und Wan 2.5 taktet die beiden meist ohne zusätzliche Anweisung zusammen.

1. Ton an eine sichtbare Quelle koppeln.

A wine glass slides off the edge of a wooden table and shatters on a stone floor, with a sharp crash and the tinkle of scattering shards, in a quiet kitchen.

Diesen Prompt mit Wan 2.5 ausführen →

2. Das Gesicht eines Porträts über eine Drehung halten (Bild-zu-Video).

She shifts her weight, turns her shoulders toward the lens and takes two slow steps forward, the satin of the dress catching the light as it moves. She tucks her hair behind one ear and holds the look. Locked camera, clean grey studio, soft light.

Diesen Prompt mit Wan 2.5 Bild-zu-Video ausführen →

Schwach: „A woman dances in a room." Kein Ton-Hinweis, keine benannte Handlung, der die Tonspur folgen kann. Stark: Benenne das Objekt oder die Stimme, die den Ton erzeugt, und wo im Bild es passiert, wie in Prompt 1.

Wan 2.5 rendierte jede Stufe, die wir sowohl auf Text- als auch auf Bildeingabe liefen, von L1 Andeutung über L3 Stark, L4 Intensiv bis L5 Extrem (L5a einvernehmliches Fesseln und Schlagspiele zwischen Erwachsenen, L5b filmisches Gore). Die eine Ausnahme: zwei von fünf als reiner Text eingereichten L5a-Prompts kamen abgeschwächt zurück statt wie geschrieben gezeigt zu werden; dasselbe Szenario aus einem Standbild rendierte bei jedem Versuch vollständig. Das Seitenlabel ist Unzensiert: Wir fügen keinen eigenen Inhaltsfilter hinzu. Die vollständigen Trefferquoten, nach Stufe und Eingabeart, stehen im Testbericht zu diesem Modell.

Nur Erwachsene, in jedem Prompt, Standbild und Ergebnis. Eine reale, erkennbare Person muss eingewilligt haben, und Sie brauchen die Rechte an jedem Foto, das Sie als Startbild nutzen.

Wan 2.5 war die Version, die Alibabas Wan-Reihe aus den offenen Gewichten herausführte, und die Community bemerkte es noch am selben Tag. Auf GitHub wurde gegen das weiterhin quelloffene Repository von Wan 2.2 ein Issue mit dem Titel „Thank you Alibaba for deceiving and using the open source community" eröffnet, das argumentiert, die früheren offenen Versionen hätten vor allem als Marketing für die darauffolgenden geschlossenen Modelle gedient — 2.5 eingeschlossen. Das Issue ist weiterhin offen.

Unsere eigenen Läufe sagen nichts zur Frage der offenen Gewichte, bestätigen aber den Tausch, auf den die Community reagierte: 2.5 gibt es nur über die API, und es ist zugleich die Version, die nativen Ton hinzufügte, den das frühere offene Wan 2.2 nie hatte.

• Dieselbe Idee mit Multi-Shot-Schnitten? Wan 2.6 fügt nummerierte Shotlisten und Referenzvideo-Casting in einem Aufruf hinzu, zum doppelten Preis pro Sekunde.
• Noch günstiger, ohne Ton? Wan 2.6 Flash lässt Audio und Text-zu-Video weg, kostet aber nur etwa ein Viertel von Wan 2.6s Rate. Unser Wan-2.6-Flash-Test.
• Offene Gewichte, die Sie selbst betreiben können? Wan 2.2 ist Alibabas letzte offen veröffentlichte Version; sie hat keinen nativen Ton und hält im Vergleich zu 2.5 die härtesten Inhaltsstufen zurück.
• Eine ganz andere Familie? MiniMax H3 rendert ebenfalls Ton und jede Inhaltsstufe, die wir versucht haben, zu einer anderen Preiskurve. Unser MiniMax-H3-Test.