2025年7月28日，阿里巴巴通义实验室正式对外开源 Wan2.2 视频生成模型。这款模型并非简单的视频生成工具，而是一款专为电影级视觉控制与高质量视频创作设计的开源解决方案。其研发团队在官方技术报告中指出，Wan2.2 的核心目标是解决以往视频生成模型在复杂场景表现力、运动连贯性以及专业美学控制方面的短板。
Wan2.2 的技术底座采用了混合专家（Mixture of Experts, MoE）架构。相比传统Transformer模型，MoE 能在不显著增加计算成本的前提下，通过动态激活不同子网络（“专家”）来应对不同类型的输入任务。例如，在处理高速运动场景时，模型会自动调用擅长运动轨迹建模的子模块；而在处理静态大光比画面时，则启用擅长光影渲染的专家网络。这种“分而治之”的设计，使得 Wan2.2 在保持推理效率的同时，大幅提升了生成画面的电影感。
Wan2.2 的文生视频功能支持用户输入一段自然语言描述，模型即可生成对应的动态视频。其核心能力体现在三个层面：
图生视频功能允许用户上传一张参考图，并辅以文字描述来驱动动态生成。Wan2.2 在此场景下实现了两大突破：
作为视频生成的补充，Wan2.2 的文生图功能同样经过优化。它支持高效短文本处理，例如输入“赛博朋克风格，夜晚，雨，霓虹灯，高对比度”，即可在2秒内生成一张符合要求的图像。模型还内置了多样化风格控制，用户可通过调节“电影感强度”“胶片颗粒度”“景深范围”等参数，一键切换写实、插画、水墨等风格，极大降低了专业审美门槛。
Wan2.2 遵循 Apache 2.0 许可协议，完全开放代码、模型权重与推理脚本。截至2025年8月，其GitHub仓库已收获超过6.5万星标，成为当月最受关注的AI项目之一。
开源资源一览：
开发者可通过以下方式快速体验：
Wan2.2 的目标用户覆盖从专业创作者到普通爱好者的全光谱：
Q1：Wan2.2 生成的视频分辨率是多少？ A：支持输出720p（1280×720）至1080p（1920×1080）视频，帧率默认为24fps。用户可在推理参数中调整分辨率和帧率，但需注意更高分辨率会显著增加显存占用与生成时间。
Q2：是否支持中文提示词？ A：支持。Wan2.2 训练数据包含大量中文文本-视频对，可直接使用中文自然语言描述。测试显示，中文提示词的理解准确率与英文持平，但在涉及特定文化符号（如“京剧脸谱”“水墨山水”）时，中文描述的效果更佳。
Q3：如何商用？开源协议有哪些限制？ A：Apache 2.0 许可允许免费商用，包括修改、分发、用于商业产品。但需注意保留原版权声明，且不提供任何担保。若您对生成内容进行二次创作，需自行确保不侵犯第三方肖像权、商标权等。
Q4：模型训练需要多少数据？普通开发者能否微调？ A：Wan2.2 在约10亿个视频-文本对上进行预训练。对于微调，官方提供了LoRA（Low-Rank Adaptation）脚本，使用单张A100（80GB）训练约1万步即可完成风格迁移或特定场景适配。社区已有人分享在本地RTX 4090上使用4-bit量化进行微调的经验。
Q5：生成一段10秒视频需要多久？ A：在A100 80GB上生成10秒720p视频（约240帧）约需2-3分钟。若使用消费级显卡（如RTX 4090），相同参数下时间延长至5-8分钟。模型支持流式输出，即首帧生成后即可预览，无需等待全部生成完毕。
Wan2.2 的开源，标志着视频生成技术从“能生成”迈入“能控制、能商用、能审美”的新阶段。通过MoE架构、专业美学训练与全面的开源生态，它降低了高质量视频创作的技术门槛，同时为学术研究提供了可复现的基线模型。未来，随着社区贡献更多微调模型与插件（如视频超分、动作驱动），Wan2.2 有望在影视预制作、虚拟内容生产、教育多媒体等场景中发挥更大价值。
对于创作者而言，现在正是拥抱AI视频工具的最佳时机——无需等待硬件降价，也无需依赖云端高价API，只需一台具备24GB显存的显卡，即可将脑海中的电影级画面变为现实。