Wan 2.7とは？AlibabaのThinking Modeモデルガイド（2026年）

Wan 2.7の正体

Wan 2.7は単一のモデルではありません。AlibabaのTongyi Labが2026年4月初旬に公開した一連のリリースで、画像と動画という2つのメディアにまたがっています。画像側にはWan2.7-Imageと、別モデルのWan2.7-Image Proがあり、ローンチ資料ではおよそ4月1日付けとされています。動画側には、テキストから動画、画像から動画、参照画像から動画、指示ベースの動画編集をカバーする4モデルのスイートがあり、その後数日間にわたって展開されました。この2つの領域をまたぐ構成こそ、Wan 2.7が「画像モデル」なのか「動画モデル」なのかについて検索結果が食い違う理由です。答えは両方であり、1つのバージョン番号の下で同時に提供されています。

名称自体も整理しておく価値があります。混同されやすいからです。「Wan」はAlibabaのクリエイティブAIシリーズ、Tongyi Wanxiang（通义万相）の国際的な略称です。同じ企業傘下のQwen言語モデルとは近い位置にありますが、別の製品ファミリーです。そのため、ホスティングプラットフォームがWanをqwenのパスに登録していても、それはカタログ上の都合であり、WanがQwenモデルだという意味ではありません。

一言で言えば、Wan 2.7はAlibabaが2026年4月に展開した画像・動画生成モデル群で、「Thinking Mode」を主な特徴としています。

Thinking Modeの仕組み

仕組みの前に、なぜ存在するのかを説明しましょう。一般的な動画モデルは、プロンプトをそのままフレームへ変換します。依頼内容を考えるための間はなく、テキストを読み、潜在空間内の経路を選び、デコードします。単純で整った1ショットなら問題ありません。しかし、複数ショットのシーケンス、3ショット目でも1ショット目と同じ外見を保つキャラクター、特定のタイミングで完了するカメラ移動など、構造を含む指示を出すと脆くなります。モデルが急いで指示を処理するため、つなぎ目が目立つのです。

Alibabaの説明によると、Thinking Modeは生成前に計画段階を挿入します。モデルはまず構成計画を作成します。つまり、プロンプトの意図をどう解釈するか、要素が空間と時間の中でどう関係するか、ショットの論理をどうするかを整理し、その後で生成します。狙いは、アーティファクトを減らし、シーケンス全体の一貫性を高めることです。

この改善幅は確定した数値ではなく、まだ検討すべき問題だと考えています。その理由は後ほど説明します。ただし、設計思想は妥当であり、ここで本当に新しい点でもあります。要するに、Thinking Modeは計画処理の分だけ速度を少し犠牲にしますが、プロンプトに複数の動く要素がある場合に特に効果を発揮します。

主な機能と、それぞれの数値をどこまで信頼できるか

ここでは情報の確度を分けて考える必要があります。Wan 2.7の機能一覧はほぼすべてAlibaba自身のローンチノートに基づいており、ベンダーが示す数値にはその旨を明記すべきだからです。

Alibabaは次のように報告しています。クリップ全体で顔を維持できるほどのキャラクター一貫性、「AIによる同じ顔」問題への対策、HEX値とパレットに対応する精密な色制御、表や数式をフレーム内に描画できる12言語・3,000トークン超の長文レンダリング、複数ショットの物語制御、最初と最後のフレームによるガイダンス、最大9枚の参照画像に対応する参照画像から動画への変換、そして同一パスで生成されるネイティブ音声です。これらはベンダーの主張であり、ベンダーの主張として提示されています。中立的なテストで検証することはまだできていません。

ハードスペックについては、多くの記事が認める以上に曖昧です。出力解像度は実行場所によって720pまたは1080pとされ、クリップ長は2～15秒程度、4Kという数値は画像モデルに関するものです。これらはホストによって異なるため、単一の数値を見たら「モデルの仕様」ではなく「そのプラットフォーム上での仕様」と考えてください。生成も即時ではありません。初期の実利用レポートでは、軽量な動画モデルより明らかに遅いとされており、これは計画処理の静かなコストです。大量にレンダリングする場合は予算に含めるべきでしょう。

正直なところ、執筆時点では中立的なリーダーボードでWan 2.7を確認できませんでした。Artificial Analysis Video Arenaにも掲載がなく、このバージョンの公開VBenchスコアもありません。品質が低いという意味ではありません。現在流通している品質に関する主張が、全面的にベンダー報告に依存しているということです。検証可能な最も近い手掛かりは系譜です。Wan 2.1は2025年2月の公開時にVBenchで首位になりましたが、それは以前のモデルの実績であり、2.7の代替にはなりません。

Wan 2.7はオープンソース？

まず短く答えると、Wanシリーズから多くの人が期待する意味でのオープンソースではありません。

事実はこうです。Wan 2.1（2025年2月）とWan 2.2（2025年7月）はApache 2.0のオープンウェイトとして公開され、ダウンロード、セルフホスト、ファインチューニングが可能で、商用上の制限もありませんでした。これはWan-AI organization on Hugging FaceとWan-Video organization on GitHubで自分でも確認できます。このオープンウェイトの実績は事実であり、多くのガイドが2.7もオープンだと想定する理由です。

もう1つの事実があります。同じ公式チャンネル、つまりGitHub組織、Hugging Face組織、Alibaba自身のModelScopeには、Wan 2.7の重みが掲載されていません。執筆時点で公式の履歴上最新のオープンウェイトリリースは、依然としてWan 2.2ファミリーです。A14Bのテキスト・画像から動画モデル、5B TI2V、さらに後発のS2VとAnimateの各バリエーションが含まれます。そのリポジトリの公式ニュースログも、2.7の記載よりかなり前で止まっています。

したがって、Wan 2.7が「Apache 2.0のオープンウェイト」だと説明するページを見たら、実際の公式重みリポジトリへのリンクがあるか確認してください。私が追跡したケースでは、どれもリンクがありませんでした。シリーズの評判に便乗した主張であり、広く引用されている情報源の少なくとも1つは、自身のページ間で矛盾していました。私の見立てでは、Wan 2.7は2.1や2.2のオープンな道ではなく、AlibabaがWan 2.5と2.6ですでに採用したAPI専用の道を進んでいます。ただし、これは確定的な事実ではなく判断です。Alibabaが来週重みをアップロードすれば状況は変わります。それでも今日、検証可能な証拠が示す方向は明確です。

実務上の判断は明快です。ローカル推論、ファインチューニング、インフラの外に出せないデータなど、どうしても重みが必要なプロジェクトなら、Wan 2.7では現時点で対応できず、現実的なオープンな選択肢はWan 2.2です。API経由で利用できるなら、2.5、2.6、2.7はいずれもその方法で利用できます。存在しないダウンロードを期待して2.7を選ばないでください。

実際に使うべきWanはどれ？

「最新」が「自分に最適」とは限らないと考えれば、ファミリーの違いは明確です。

Wan 2.7はWan以外のモデルと比べてどの位置にあるのでしょうか。オープンソース動画では、2.1以降、Wanシリーズが基準点となってきました。この系譜こそが実質的な強みです。クローズドなAPIモデルの中での2.7の差別化要因は、Thinking Modeと画像・動画を共有するスタックであり、他の現行APIモデルに対する品質面での優位性が証明されているわけではありません。Wan 2.7とSeedance、あるいはKlingを比較する表にここで数値を載せないのは、どちらかを裏付ける中立的なベンチマークがまだなく、数字を作りたくないからです。本格的な直接比較を望むなら、解説記事の簡単な1行ではなく、実際にテストした比較記事として扱うべきでしょう。

今日、API経由でWanモデルを使う方法

率直に言うと、GPT Protoでこの記事を読んでいる場合、2.7自体はカタログにありません。同じプロフィール（1080p、複数ショット、ネイティブ音声）を持つ最も近いホスト版の姉妹モデルはWan 2.6で、1回あたり0.45ドルです。実際に実行できるリクエストを紹介します。

貼り付ける前に、時間を無駄にしやすいいくつかの注意点を確認しましょう。まず、認証にはBearerトークンを使います。Wanのエンドポイントは/api/v3/alibaba/パス上にあり、rawキーではなくAuthorization: Bearer $KEYを要求します。次に、WebサイトのURLではモデルが/qwen/の下に登録されていますが、APIパスではalibabaを使います。セグメントは異なりますが、同じモデルです。3つ目は非同期の2段階呼び出しで、POSTで送信してIDを受け取り、その後GETで結果エンドポイントをポーリングします。4つ目に、パラメーターはモデルごとに異なります。2.6はaudioとshot_typeを受け付けますが、2.2以降と2.5はenable_prompt_expansionを使い、前者の2つは使用しません。

# 1. ジョブを送信
curl --request POST "https://gptproto.com/api/v3/alibaba/wan-2.6/text-to-video" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "prompt": "A first-person POV gliding through a damp stone tunnel toward a bright exit. [0-3s] fast forward motion, light at the end growing. [3-5s] emerge into a sunlit forest, a waterfall on the right. Sound: heavy breathing, then birdsong.",
    "negative_prompt": "",
    "size": "1920*1080",
    "duration": 5,
    "prompt_extend": true,
    "audio": "",
    "shot_type": "",
    "seed": 1
  }'
# -> returns a prediction id
 
# 2. 結果をポーリング
curl --request GET "https://gptproto.com/api/v3/predictions/$RESULT_ID/result" \
  --header "Authorization: Bearer $GPTPROTO_API_KEY"

ポーリングループを含む同じ処理をPythonで記述すると次のようになります。

import os, time, requests
 
KEY = os.environ["GPTPROTO_API_KEY"]
HEADERS = {"Authorization": f"Bearer {KEY}", "Content-Type": "application/json"}
BASE = "https://gptproto.com/api/v3"
 
payload = {
    "prompt": (
        "A first-person POV gliding through a damp stone tunnel toward a bright exit. "
        "[0-3s] fast forward motion, light at the end growing. "
        "[3-5s] emerge into a sunlit forest, a waterfall on the right. "
        "Sound: heavy breathing, then birdsong."
    ),
    "negative_prompt": "",
    "size": "1920*1080",
    "duration": 5,
    "prompt_extend": True,
    "audio": "",
    "shot_type": "",
    "seed": 1,
}
 
submit = requests.post(f"{BASE}/alibaba/wan-2.6/text-to-video",
                       headers=HEADERS, json=payload).json()
result_id = submit["id"]
 
while True:
    r = requests.get(f"{BASE}/predictions/{result_id}/result", headers=HEADERS).json()
    if r.get("status") in ("succeeded", "failed"):
        print(r)
        break
    time.sleep(5)

料金はクリップごとの固定額ではなく、設定に応じて変動します。解像度、長さ、音声によって金額が変わるため、1080p・10秒のプレビュー料金は基本料金の0.45ドルより高くなります。ホスト版Wanモデルはそれぞれのモデルページに現在の料金を表示しており、すべて他のcatalogと同じ残高を共有します。そのため、2.5と2.6を試すために別々のアカウントを管理する必要はありません。

Thinking Mode向けのプロンプト作成

2.7はレンダリング前に計画を立てるため、最も効果的なプロンプトはキーワードの羅列ではなく、企画書に近いものです。意図と構造を与えましょう。タイムスタンプ付きのビートシート、つまり[0-3s] … [3-5s] …のような記述は、計画処理に整理のための具体的な基準を与えます。上のサンプルコードでも同じパターンを使っています。音声も同じプロンプトの一部です。短いSound:キュー（「荒い息遣い、その後に鳥のさえずり」）によって、別の呼び出しなしでネイティブ音声トラックを生成できます。また、negative_promptを使って、予想される失敗を除外しましょう。「光る植物なし、歪んだ手なし」のように指定し、空欄のままにしないでください。特別な技術ではありません。生成前にブリーフ全体を読むモデルに合わせて書くだけです。

使うべき人、使うべきでない人

セルフホスト、ファインチューニング、組織内に留めるデータなど、オープンウェイトが必要なら、Wan 2.7は現時点では不適切で、Wan 2.2が適しています。API経由で制御可能な画像・動画生成を使いたく、クローズドモデルと遅めのレンダリングを受け入れられるなら、2.7は妥当な選択肢です。ただし、品質面での優位性は今のところAlibabaの主張であり、測定結果ではないという点には注意が必要です。予算を抑えて試作するなら、より安価なホスト版Wanを使えば、本格導入を決める前に1回数セントで試せます。バージョン番号ではなく、制約に合わせてモデルを選びましょう。