通义万相 Wan2.2 视频生成模型

是什么

Wan2.2（通义万相）是一组开放的视频生成模型。2025 年 7 月 28 日，项目以 Apache 2.0 许可发布了推理代码和模型权重，这是一个宽松的开源许可，允许他人复用和修改代码与权重^[1]。它是 Wan2.1 的后继版本，后者在五个月前发布^[1]。

首批发布的模型

第一批放出的是三个模型^[1]。T2V-A14B 负责文生视频（text-to-video），I2V-A14B 负责图生视频（image-to-video），两者都提供 480P 和 720P 两种版本^[1]。第三个是 TI2V-5B，它是一个统一模型，同时接受文字和图像作为输入，输出 720P 视频^[1]。

扩散模型里的两个「专家」

视频扩散模型生成画面的方式是：从随机噪声出发，一步一步去噪，直到出现一段连贯的影像。多数这类模型让同一个网络处理所有步骤，从最初的大致构图一直到最后的细部纹理。A14B 系列把这项工作拆开交给两个专家：高噪声专家在靠前的去噪步骤里确定画面的整体布局，低噪声专家在靠后的步骤里打磨细节^[1]。两个专家合计 27B 参数，每一步激活约 14B^[1]。这样安排的目的，是让模型的总容量变大，而单步的计算量仍然接近一个小得多的网络。

训练数据与较小的模型

Wan2.2 的训练数据比 Wan2.1 多用了 65.6% 的图像和 83.2% 的视频^[1]。较小的 TI2V-5B 走的是另一条效率路线：它采用高压缩比的变分自编码器（VAE），生成 24 fps 的 720P 视频，可以跑在 RTX 4090 这类消费级显卡上，显存至少需要 24GB^[1]。两个档位在硬件要求上的差别很直接：仓库说明 T2V-A14B 单卡推理需要至少 80GB 显存，而 TI2V-5B 需要至少 24GB^[1]。

发布之后陆续加入的能力

这一系列在 7 月首发之后继续扩充。2025 年 8 月 26 日，加入了语音驱动视频（speech-to-video）的 S2V-14B^[1]。按仓库说明，2025 年 9 月 5 日，CosyVoice 文本转语音支持被接入语音驱动视频任务^[1]。紧接着在 2025 年 9 月 19 日，用于角色动画和角色替换的 Animate-14B 发布^[1]。仓库还记录，2025 年 11 月 13 日 Wan2.2-Animate-14B 被集成进 Diffusers——一个被广泛使用的扩散模型工具库^[1]。2026 年 7 月，又一组权重 Wan2.2-Animate-2-14B 在 Hugging Face 上发布^[2]。

在发展中的位置

Wan2.2 距 Wan2.1 大约半年，延续了同样的开放权重路线：代码和权重一起公开，而不是只通过托管服务提供模型^[1]。它有两个值得记住的设计。一个是 A14B 模型里的混合专家拆分，它把去噪的前期和后期当成两类不同的工作，各交给一个专家^[1]。另一个是尺寸的跨度：一边是能塞进单张消费级显卡的 5B 模型，另一边是单卡推理就需要数据中心级硬件的 14B 级模型^[1]。把这些版本合起来看，覆盖的任务包括文生视频、图生视频、统一的图文生视频、语音驱动视频和角色动画；后续被移植进 Diffusers，也让使用标准开源工具的人可以直接调用这些模型^[1]。