Wan 2.5

Wan 2.5 là gì?

Wan 2.5 là mô hình tạo video của Alibaba (đội ngũ Tongyi / Wan), ra mắt vào tháng 9 năm 2025. Mô hình biến lời nhắc bằng văn bản — hoặc một ảnh tĩnh — thành video dài tối đa 10 giây, độ phân giải lên đến 1080p (24fps), đồng thời tạo âm thanh trong cùng một lượt: hội thoại có đồng bộ khẩu hình, hiệu ứng âm thanh môi trường và nhạc. Khả năng tạo đầu ra nghe nhìn chỉ trong một lượt này giúp mô hình khác biệt với các phiên bản Wan trước đó và phần lớn mô hình video mở, vốn chỉ tạo video không có âm thanh.

Wan 2.5 được phát hành dưới dạng bản xem trước chỉ có API — bạn không thể tải xuống trọng số công khai. (Wan 2.1 và 2.2 là các phiên bản có trọng số mở theo giấy phép Apache-2.0 mà bạn có thể tự lưu trữ; 2.5 và 2.6 chỉ có API.) Trên GPTProto, bạn gọi mô hình bằng chuỗi mô hình wan-2.5, tính phí theo mỗi lần tạo dựa trên độ phân giải và thời lượng, trừ vào cùng số dư dùng cho hơn 200 mô hình khác.

Bạn có thể xây dựng gì với API Wan 2.5

Video ngắn cho mạng xã hội và quảng cáo — Tạo video dọc hoặc ngang dài 5–10 giây với lời thuyết minh và âm thanh tích hợp sẵn, không cần chỉnh sửa âm thanh riêng. Với giá 0,45 USD cho mỗi lần tạo video 720p/5 giây, việc thử nghiệm A/B hàng chục phiên bản quảng cáo vẫn tiết kiệm.

Video bản địa hóa ở quy mô lớn — Wan 2.5 xử lý lời nhắc đa ngôn ngữ và tạo lời nói đồng bộ khẩu hình, nhờ đó một kịch bản hình ảnh có thể trở thành các phiên bản bằng nhiều ngôn ngữ mà không cần quay lại hoặc lồng tiếng lại. Hỗ trợ tốt tiếng Trung.

Kể chuyện và video giải thích — Hội thoại, âm thanh môi trường và nhạc được tạo cùng nhau, giúp lời dẫn khớp với hình ảnh xuyên suốt video — phù hợp cho đoạn mở đầu YouTube, video giải thích sản phẩm và nội dung đào tạo.

Tạo chuyển động cho ảnh tĩnh — Cung cấp một ảnh làm khung hình đầu tiên cùng lời nhắc về chuyển động để tạo hiệu ứng chuyển động cho ảnh.

Cách Wan 2.5 tạo video và âm thanh cùng nhau

Phần lớn mô hình video chỉ tạo ra các khung hình không có âm thanh; âm thanh là một công việc riêng được bổ sung sau đó. Wan 2.5 được xây dựng theo hướng ngược lại. Bước tạo nội dung tạo đồng thời các khung hình và một bản âm thanh tương ứng, nhờ đó lời nói khớp với chuyển động môi, tiếng bước chân khớp với từng bước đi và nhạc nền hòa vào cảnh chuyển mà không cần bạn chỉnh sửa gì. Trên thực tế, cách này gộp quy trình gồm hai công cụ (mô hình video + TTS/foley) thành một lệnh gọi API.

Điều này dẫn đến hai điểm. Thứ nhất, lời nhắc của bạn nên mô tả cả âm thanh lẫn chuyển động — nêu rõ câu thoại, âm thanh nền và việc bạn có muốn thêm nhạc hay không (xem §6). Thứ hai, vì âm thanh và video được tạo trong cùng một lượt, mỗi lần chạy chỉ tính phí một đơn vị; bạn không phải trả phí hai lần hay ghép các bản âm thanh. Nếu muốn cung cấp nhạc hoặc lời thuyết minh của riêng mình, tham số audio chấp nhận nội dung đó và mô hình sẽ đồng bộ chuyển động theo âm thanh.

Lựa chọn trong dòng mô hình Wan

GPTProto cung cấp nhiều mô hình Wan trên cùng một số dư. Hãy chọn dựa trên nhu cầu của tác vụ, không phải số phiên bản:

• Wan 2.5 — văn bản thành video (trang này): 1080p, tối đa 10 giây, âm thanh tích hợp sẵn. Lựa chọn mặc định để tạo video từ câu lệnh kèm âm thanh.
• Wan 2.5 — hình ảnh thành video: bắt đầu bằng một ảnh tĩnh làm khung hình đầu tiên rồi tạo chuyển động cho ảnh đó (trường hợp "wan 2.5 animate"). 
• Wan 2.2 (wan-2.2-plus): không có âm thanh, 720p, khoảng 5 giây — nhưng có trọng số mở, nên đây là lựa chọn phù hợp khi bạn cần tự lưu trữ.
• Wan 2.6 (wan-2.6): 1080p, tối đa 15 giây, thêm khả năng lập kế hoạch cảnh nhiều cú máy và duy trì danh tính dựa trên hình ảnh tham chiếu — hãy nâng cấp khi bạn cần câu chuyện dài hơn hoặc có nhiều cảnh cắt.

Đây là kiểu thông tin mà các đối thủ thường bỏ qua: họ liệt kê mô hình nhưng không cho biết nên chọn mô hình nào. Dùng 2.5 cho video một cú máy có âm thanh, 2.2 nếu bạn cần trọng số, và 2.6 để tạo video dài hơn với nhiều cú máy.

Wan 2.5 so với Sora 2

Cả hai đều tạo video có âm thanh đồng bộ từ văn bản hoặc hình ảnh. Những khác biệt thực tế gồm:

Đánh giá khách quan: Sora 2 có giá cố định $0.4/lượt và hỗ trợ video dài hơn (tối đa khoảng 25 giây ở gói Pro) — hãy chọn khi thời lượng là yếu tố quan trọng. Wan 2.5 có giá khởi điểm thấp hơn, $0.225/lượt (480p/5 giây), đồng thời cho phép bạn đánh đổi độ phân giải để giảm chi phí, hỗ trợ tốt giọng nói đa ngôn ngữ và ít hạn chế nội dung hơn. Cả hai đều dùng chung một số dư GPTProto.

Liên quan: Sora 2 → · Wan 2.6 → · Wan 2.2 →

Công thức câu lệnh cho Wan 2.5

Wan 2.5 tạo âm thanh cùng với video, vì vậy câu lệnh hiệu quả cần mô tả cả âm thanh lẫn chuyển động. Các ví dụ của chính nền tảng đặt âm thanh ngay trong câu lệnh với dấu nhắc Sound: — hãy làm theo quy ước đó. Cấu trúc: chủ thể + hành động + chuyển động máy quay + ánh sáng + dấu nhắc Sound: + phong cách. Sao chép rồi điều chỉnh.

1. Hội thoại + đồng bộ khẩu hình (thể hiện khả năng xử lý âm thanh)

Cận cảnh trung bình một ngư dân lớn tuổi trên chiếc thuyền gỗ lúc bình minh, ánh
sáng vàng dịu, tiếng nước vỗ nhẹ. Ông nhìn vào máy quay và nói bằng giọng ấm áp: "Biển cả luôn
giữ lời hứa." Máy quay từ từ tiến gần. Sound: tiếng sóng dịu nhẹ, tiếng hải âu ở xa, một
câu nói bình thản, không có nhạc.

2. Ambient / SFX, no dialogue

Rain on a neon-lit Tokyo alley at night, a cat darts under an awning, reflections
shimmer on wet pavement. Static wide shot, cinematic. Sound: steady rain, distant
traffic, no music, no speech.

3. Product / marketing

Close-up of an iced coffee on a marble counter, condensation beading, morning
kitchen light. A spoon stirs the ice. Slow 180-degree orbit around the glass.
Sound: soft clink of ice, quiet ambient kitchen tone, light background music.

4. Motion / tracking

A skateboarder rolls across an empty concrete plaza at sunset, low-angle tracking
shot alongside, subtle lens flare. Sound: wheels rumbling on pavement, wind
ambience, no dialogue.

Tips: keep dialogue short enough for the clip length (about one spoken line per 5s); name the camera move explicitly; state "no music" if you only want ambient sound; or pass your own track via the audio parameter.