Wan 2.5

O que é Wan 2.5?

Wan 2.5 é o modelo de geração de vídeo da Alibaba (equipe Tongyi / Wan), lançado em setembro de 2025. Ele transforma um prompt de texto — ou uma imagem estática — em um clipe de até 10 segundos com resolução de até 1080p (24fps), e gera o áudio na mesma passada: diálogo com sincronização labial, efeitos sonoros ambiente e música. Essa saída audiovisual em uma única passada é o que o diferencia das versões anteriores do Wan e da maioria dos modelos de vídeo abertos, que produzem apenas vídeo silencioso.

Wan 2.5 é lançado como uma prévia somente por API — seus pesos não estão disponíveis para download público. (Wan 2.1 e 2.2 são as versões de pesos abertos, Apache-2.0, que você pode auto-hospedar; 2.5 e 2.6 são somente por API.) No GPTProto, você o chama com a string de modelo wan-2.5, cobrado por geração de acordo com resolução e duração, no mesmo saldo de 200+ outros modelos.

O que você pode criar com a API Wan 2.5

Redes sociais e anúncios em formato curto — clipes verticais ou horizontais de 5–10s com narração e som integrados, sem edição de áudio separada. A $0.45 por execução de 720p/5s, testar A/B uma dúzia de variações de anúncios continua barato.

Vídeo localizado em escala — O Wan 2.5 lida com prompts multilíngues e gera fala com sincronização labial, então um storyboard vira versões em vários idiomas sem refilmagens nem redublagem. Suporte forte a chinês.

Narrativas e vídeos explicativos — Diálogo, som ambiente e música gerados em conjunto mantêm narração e imagens alinhadas ao longo do clipe — útil para aberturas de YouTube, explicadores de produto e segmentos de treinamento.

Animando uma imagem estática — Envie uma única imagem como primeiro quadro e um prompt de movimento para animá-la.

Como o Wan 2.5 gera vídeo e áudio juntos

A maioria dos modelos de vídeo gera quadros silenciosos; o som é um trabalho separado que você adiciona depois. O Wan 2.5 foi construído do outro jeito. Sua etapa de geração produz os quadros visuais e uma trilha de áudio correspondente em conjunto, de modo que a fala se alinha aos movimentos labiais certos, os sons de passos correspondem aos passos na imagem e a música se encaixa no corte sem você editar nada. Na prática, isso reduz um pipeline de duas ferramentas (modelo de vídeo + TTS/foley) a uma única chamada de API.

Duas coisas decorrem disso. Primeiro, seu prompt deve descrever o som além do movimento — nomeie a linha de diálogo, o fundo ambiente e se você quer música (veja §6). Segundo, como áudio e vídeo vêm de uma única passada, uma execução é uma unidade faturável; você não paga duas vezes nem emenda faixas. Se você precisar fornecer sua própria música ou narração, o parâmetro audio aceita isso e o modelo sincroniza o movimento com ela.

Como escolher dentro da família Wan

O GPTProto reúne vários modelos Wan em um único saldo. Escolha pelo que o trabalho exige, não pelo número da versão:

• Wan 2.5 — texto para vídeo (esta página): 1080p, até 10s, áudio nativo. O padrão para transformar prompt em clipe com som.
• Wan 2.5 — imagem para vídeo: comece a partir de uma imagem estática como primeiro quadro e anime-a (o caso "wan 2.5 animate"). 
• Wan 2.2 (wan-2.2-plus): silencioso, 720p, ~5s — mas com pesos abertos, então é a escolha quando você precisa auto-hospedar.
• Wan 2.6 (wan-2.6): 1080p, até 15s, além de planejamento de cenas com múltiplas tomadas e retenção de identidade baseada em referência — suba de nível quando precisar de narrativas mais longas ou com vários cortes.

Esse mapa é o tipo de coisa que os concorrentes deixam de fora: eles listam modelos sem dizer qual usar. Use 2.5 para clipes de uma única tomada com áudio, 2.2 se você precisar de pesos, 2.6 para duração e múltiplas tomadas.

Wan 2.5 vs Sora 2

Ambos geram vídeo com áudio sincronizado a partir de texto ou imagem. As diferenças práticas:

Opinião sincera: Sora 2 tem preço fixo de $0.4/execução e suporta clipes mais longos (até ~25s no Pro) — opte por ele quando a duração for importante. Wan 2.5 começa mais barato, com $0.225/execução (480p/5s), e permite trocar resolução por custo, com fala multilíngue forte e menos restrições de conteúdo. Ambos rodam no mesmo saldo do GPTProto.

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

Receitas de prompt para Wan 2.5

O Wan 2.5 gera áudio junto com o vídeo, então bons prompts descrevem o som além do movimento. Os exemplos da própria plataforma colocam o áudio embutido com uma instrução Som: — siga essa convenção. Estrutura: sujeito + ação + movimento de câmera + iluminação + Som: instrução + estilo. Cole e ajuste.

1. Diálogo + sincronização labial (mostra o motor de áudio)

Close-up médio de um pescador idoso em um barco de madeira ao amanhecer, luz dourada suave,
água batendo de leve. Ele olha para a câmera e diz com carinho: "O mar sempre
cumpre suas promessas." Aproximação lenta. Som: ondas suaves, gaivotas distantes, uma fala
calma, sem música.

2. Ambiente / SFX, sem diálogo

Chuva em um beco de Tóquio iluminado por neon à noite, um gato corre para baixo de uma marquise, reflexos
brilham no asfalto molhado. Plano aberto estático, cinematográfico. Som: chuva constante, trânsito
distante, sem música, sem fala.

3. Produto / marketing

Close-up de um café gelado sobre um balcão de mármore, gotas de condensação, luz da cozinha de manhã.
Uma colher mexe o gelo. Órbita lenta de 180 graus ao redor do copo. Som: tilintar suave do gelo,
tom ambiente calmo de cozinha, música de fundo leve.

4. Movimento / rastreamento

Um skatista atravessa uma praça de concreto vazia ao pôr do sol, plano de acompanhamento em ângulo baixo,
leve reflexo de lente. Som: rodas rolando no asfalto, vento ambiente, sem diálogo.

Dicas: mantenha o diálogo curto o suficiente para a duração do clipe (cerca de uma fala por 5s); nomeie o movimento de câmera explicitamente; diga "sem música" se você quiser apenas som ambiente; ou envie sua própria faixa pelo parâmetro audio.