Wan 2.5

What is Wan 2.5?

Wan 2.5 is Alibaba's (Tongyi / Wan team) video generation model, released in September 2025. It turns a text prompt — or a still image — into a clip up to 10 seconds long at up to 1080p (24fps), and generates the audio in the same pass: dialogue with lip-sync, ambient sound effects, and music. That one-pass audio-visual output is what separates it from earlier Wan releases and from most open video models, which produce silent video only.

Wan 2.5 ships as an API-only preview — its weights are not publicly downloadable. (Wan 2.1 and 2.2 are the open-weight, Apache-2.0 versions you can self-host; 2.5 and 2.6 are API-only.) On GPTProto, you call it with the model string wan-2.5, billed per generation by resolution and duration, on the same balance as 200+ other models.

What you can build with the Wan 2.5 API

Short-form social and ads — 5–10s vertical or landscape clips with built-in voiceover and sound, no separate audio editing. At $0.45 per 720p/5s run, A/B-testing a dozen ad variants stays cheap.

Localized video at scale — Wan 2.5 handles multilingual prompts and generates lip-synced speech, so one storyboard becomes versions in several languages without re-shooting or re-dubbing. Strong Chinese support.

Storytelling and explainers — Dialogue, ambient sound, and music generated together keep narration and visuals aligned across the clip — useful for YouTube intros, product explainers, and training segments.

Animating a still image — Feed a single image as the first frame and a motion prompt to animate it.

How Wan 2.5 generates video and audio together

Most video models output silent frames; sound is a separate job you bolt on later. Wan 2.5 was built the other way around. Its generation step produces the visual frames and a matching audio track jointly, so speech lands on the right lip movements, footsteps line up with steps, and music sits under the cut without you editing anything. In practice this collapses a two-tool pipeline (video model + TTS/foley) into one API call.

Two things follow from that. First, your prompt should describe sound as well as motion — name the dialogue line, the ambient bed, and whether you want music (see §6). Second, because audio and video come from one pass, a single run is one billable unit; you are not paying twice or stitching tracks. If you need to supply your own music or voiceover instead, the audio parameter accepts it and the model syncs motion to it.

Choosing inside the Wan family

GPTProto menyediakan beberapa model Wan dalam satu saldo. Pilih berdasarkan kebutuhan pekerjaan, bukan nomor versi:

• Wan 2.5 — teks-ke-video (halaman ini): 1080p, hingga 10 dtk, audio bawaan. Pilihan default untuk mengubah prompt menjadi klip bersuara.
• Wan 2.5 — gambar-ke-video: mulai dari gambar diam sebagai bingkai pertama, lalu animasikan (kasus "wan 2.5 animate"). 
• Wan 2.2 (wan-2.2-plus): tanpa suara, 720p, ~5 dtk — tetapi berbobot terbuka, jadi ini pilihannya saat Anda harus meng-host sendiri.
• Wan 2.6 (wan-2.6): 1080p, hingga 15s, ditambah perencanaan adegan multi-shot dan retensi identitas berbasis referensi — pilih ini saat Anda membutuhkan narasi yang lebih panjang atau terdiri dari banyak potongan adegan.

Peta seperti ini biasanya tidak disertakan oleh para pesaing: mereka mencantumkan model tanpa memberi tahu Anda model mana yang sebaiknya dipilih. Gunakan 2.5 untuk klip satu adegan dengan audio, 2.2 jika Anda membutuhkan bobot model, dan 2.6 untuk durasi lebih panjang dan banyak adegan.

Wan 2.5 vs Sora 2

Keduanya menghasilkan video dengan audio tersinkronisasi dari teks atau gambar. Perbedaan praktisnya:

Penilaian jujur: Sora 2 memiliki harga tetap $0.4/proses dan mendukung klip yang lebih panjang (hingga ~25 dtk di Pro) — pilih ini saat durasi menjadi pertimbangan. Harga awal Wan 2.5 lebih rendah, yaitu $0.225/proses (480p/5 dtk), dan Anda dapat menukar resolusi dengan biaya yang lebih rendah, dengan dukungan ujaran multibahasa yang kuat serta pembatasan konten yang lebih sedikit. Keduanya dapat digunakan dengan satu saldo GPTProto.

Terkait: Sora 2 → · Wan 2.6 → · Wan 2.2 →

Contoh prompt Wan 2.5

Wan 2.5 menghasilkan audio bersama video, jadi prompt yang bagus menjelaskan suara sekaligus gerakan. Contoh dari platform itu sendiri menyertakan audio langsung di dalam prompt dengan petunjuk Sound: — ikuti format tersebut. Susunannya: subjek + aksi + gerakan kamera + pencahayaan + petunjuk Sound: + gaya. Salin dan sesuaikan.

1. Dialog + sinkronisasi bibir (menunjukkan kemampuan mesin audio)

Bidikan medium close-up seorang nelayan tua di atas perahu kayu saat fajar, cahaya keemasan lembut,
air beriak perlahan. Ia menatap kamera dan berkata dengan hangat, "Laut selalu
menepati janjinya." Kamera perlahan mendekat. Sound: ombak lembut, burung camar
terdengar dari kejauhan, suara tenang, tanpa musik.

2. Ambien / efek suara, tanpa dialog

Hujan di gang Tokyo yang diterangi neon pada malam hari, seekor kucing berlari cepat ke bawah kanopi, pantulan cahaya berkilauan di trotoar basah. Bidikan lebar statis, sinematik. Suara: hujan yang terus-menerus, lalu lintas di kejauhan, tanpa musik, tanpa dialog.

3. Produk / pemasaran

Close-up kopi dingin di atas meja marmer, butiran kondensasi terbentuk, cahaya pagi menyinari dapur. Sebuah sendok mengaduk es. Gerakan orbit lambat 180 derajat mengelilingi gelas.
Suara: denting es yang lembut, suasana dapur yang tenang, musik latar ringan.

4. Gerakan / pelacakan

Seorang pemain skateboard meluncur melintasi plaza beton yang kosong saat matahari terbenam, bidikan pelacakan dari sudut rendah di sampingnya, suar lensa yang halus. Suara: roda bergemuruh di atas trotoar, suasana angin, tanpa dialog.

Tips: buat dialog cukup singkat sesuai durasi klip (sekitar satu kalimat yang diucapkan setiap 5 detik); sebutkan gerakan kamera secara spesifik; tulis "tanpa musik" jika Anda hanya menginginkan suara suasana; atau masukkan trek audio Anda sendiri melalui parameter audio.