Wan 2.1 图生视频会以一张静态画面为起点，生成一段从它延续下去的短片。你上传图片，描述想要的运动，模型便从这个起始点向前推演动画。所有计算都在托管硬件上完成，你自己的设备只需要打开一个网页。
本页专门介绍 2.1 这一代。如果你想了解更新的版本，/zh/wan-2-2 和 /zh/wan-2-5 分别有对应页面，而 /zh/wan-2-1 是这一代的综合入口。更广泛的图像驱动工作流请见 /zh/image-to-video。
模型把你的图片作为第一帧，然后预测接下来会发生什么。它不是那种对静态图片做平移和缩放的幻灯片工具，而是合成新的帧，因此主体可以移动，头发和衣物可以摆动，光线也能在片段中发生变化。原始图片始终是锚点，所以开头那一帧看起来就是你上传的内容。
正因为图片本身承载了大量信息，提示词在这里的作用和 /zh/text-to-video 中不同。你不是在描述应该存在什么，而是在描述应该发生什么。
从干净的源图开始。压缩伪影、严重噪点和过度锐化都会被带入后续帧，并在画面开始运动后被放大。如果你的文件过大或格式不便，可以先用图片压缩工具和图片格式转换工具处理，再上传。
按运动来构图。主体居中、四周留有余地的画面能给模型更多发挥空间。一张裁得很紧、没有背景信息的人脸，几乎没有可动的地方。
把提示词写成事件序列，而不是名词清单。“She turns her head slowly to the left, hair drifting, background lights pulsing”给了模型一条运动轨迹。“Woman, beautiful, cinematic, 4k”则没有给它任何可动的东西。
让运动幅度保持克制。细小、可信的动作看起来才真实。在短片段里做大范围运动，往往会出现拖影或扭曲，尤其是手、脸和细薄边缘附近。
把第一次渲染当作测试。先整体看一遍运动，再仔细看一遍伪影。多数改进来自第二次和第三次尝试，而不是第一次。
提示词是最大的杠杆，但不是唯一的。
宽高比应与源图一致。把竖版照片硬塞进横版画面，意味着模型必须凭空补出缺失区域，而这些补出来的部分通常是片段中最弱的地方。
片段长度与连贯性之间存在取舍。更长的输出让运动有更多时间展开，但离源帧越远，漂移和身份丢失就越容易累积。短片段则更贴近原图。
分辨率决定有多少细节能保留下来。更高的设置能保住纹理，但渲染成本更高，也可能暴露柔和源图中的瑕疵。
想反复迭代时，种子控制很重要。固定种子、只改一个变量，你就能看清这个变量究竟带来了什么变化，而不是在一个完全不同的随机结果上瞎猜。
每次运行的积分消耗会在提交前显示在表单旁边，所以你能在确认之前就看到某个配置要花多少。当前套餐见 /zh/pricing。
它不是用来重建你从未拍过的场景的工具。如果你没有起始图片，/zh/text-to-image 或 /zh/ai-generator 才是正确的入口。
它不是为长视频设计的。片段按设计就是短的，而把许多片段拼接起来是另一个问题，由 /zh/video-extend 来处理。
它无法稳定生成可读文字、精确的手部动作或准确的物理交互。这些仍是薄弱环节。
它不是换脸工具，也不是角色一致性工具。如果你的目标是用一段参考表演来驱动某个特定角色，/zh/wan-animate 和 /zh/wan-2-2-animate 更接近你的需求。
它也不是本地安装。本站替你在浏览器中运行模型。我们不分发模型权重，也不提供任何形式的下载。如果你在找能在自己 GPU 上运行的文件，那这里不是。
需要 GPU 或安装软件吗？
不需要。渲染在托管硬件上完成。你只需要一个浏览器和一张图片。
可以使用真人照片吗？
你需要对自己上传的内容拥有相应权利。请勿提交未经本人同意的他人照片。
为什么我的片段偏离了原图？
通常是因为你要求的运动幅度对片段长度来说太大，或者源图细节太少，模型没有足够信息可以维持。缩短运动，或者缩短片段。
可以在这里下载模型权重吗？
不可以。我们不分发权重，本站也没有任何下载。我们替你运行 Wan 模型并返回渲染好的视频。
如果我只有文字、没有图片呢？
从 /zh/text-to-video 开始，或者先生成一张静态图，再回到这里。