1. 首頁 > 生活百科 > >

從 SD 到 Wan2.5-Preview，AI 視頻 2025 質變啟示錄

數字政通

從 SD 到 Wan2.5-Preview，AI 視頻 2025 質變啟示錄

作者｜ Cynthia
編輯｜ 鄭玄
全民玩梗的狂歡 ， 再一次在 AI 視頻領域上演 。
最大的時代紅利 ， 屬于今年四季度發布的中美兩大明星產品 ， OpenAI 的 Sora 2 與阿里的 Wan2.5-Preview 。
其中 ， Sora 2 的登場堪稱一場教科書級的營銷戰役 。 熟悉的邀請碼機制再次奏效 ， 用戶為了獲得一個入場券除了需要購買 GPT 的會員之外 ， 甚至還在二手平臺再花幾十美金購買邀請碼 。 更絕的是 ， 它把自己變成了一個 AI 版抖音 ， 用戶只需上傳一張照片 ， 就能生成自己和奧特曼對話的魔性視頻 。 這種把用戶變成主角的設計 ， 讓 Sora App 首周下載量直沖 62.7 萬次 ， 甚至超過了當年的 ChatGPT 。
大洋彼岸 ， Wan2.5-Preview 則以另一種方式在各大社交媒體刷屏 。 一夜之間 ， 抖音、小紅書上的 AI 小貓開始集體說著「我愛媽媽」然后炒著三菜一湯等主人下班 ， 畫面中的光線、格局、小貓表情細膩到令人發指之外 ， 甚至炒菜的鍋氣與油煙這樣的細節也完全到位 。
可以說 ， 正是這兩大模型的出現 ， 讓 AI 視頻一夜之間從技術圈極客專屬推向全民熱潮 。
那么 ， 這一次 AI 視頻 2025 年破圈的關鍵是什么？Wan2.5-Preview 在內的一眾最新模型做對了什么？與此同時 ， 這次的 AI 視頻浪潮又會火多久？
一定程度上 ， 這一波 AI 視頻模型熱潮 ， 正是大模型落地從技術突破到改變世界交出的標準答案范本 。

01AI 視頻為什么又火了
Wan2.5-Preview 與 Sora 2 的爆發絕非偶然 ， 而是技術積累到一定程度的必然結果 。
而要理解這次 AI 視頻的爆發 ， 就得先看懂歷史上的三起兩落 。
行業的第一次爆發發生在 2022-2023 年期間 ， 那時候借助 U - Net、DDPM 等經典生成架構 ， DALL - E 2（OpenAI）、Midjourney、Stable Diffusion（Stability AI）、ControlNet、Gen - 2（Runway）、萬相 1.0 等模型通過以文生圖讓人們第一次看到了 AI 創作的潛力 。
但很快 ， 這些模型就因為六指怪、表情呆板等問題被噴上熱搜 。 模型隨之在 2024 年前后 ， 進入 Scaling 階段 ， 通過采用 DiT、Flow Matching 等新技術 ， 結合視覺語言模型（VLM）的圖像描述能力 ， 生成更逼真的圖片 ， 圖生視頻成為可能 ， 這一階段 ， Sora（OpenAI）、可靈 1.0/1.6、海螺 01、Flux 1.1、萬相 2.0/2.1 陸續走上臺前 。 但這一階段 ， AI 生成的視頻 ， 依然存在時間短、音畫不同步、無法執行復雜動作的弊病 。
直到 2025 年 ， 隨著 LLM（大語言模型）與 Diffusion（擴散模型）的深度融合 ， AI 視頻迎來了質的飛躍 。 通過引入視覺 CoT（思維鏈） ， 模型從單純的視覺渲染轉向任務導向的智能決策 ， 不僅能支持多模態交互 ， 還能解決復雜的視覺 + 語言任務 。 Gemini 2.0 Flash（谷歌）、GPT - 4o 生圖（OpenAI）、可靈 2.0、Veo 3、Seedance 1.0、豆包、萬相 2.2、Nano Banana（谷歌）相繼爆火 。
四年間 ， 模型千變萬化 ， 但每次 AI 視覺產品的爆火的背后 ， 都離不開兩大方面的進步：
門檻降低以及效果提升 。
早期以 SD 為代表的工具 ， 是典型的極客專屬——CFG scale 數值要反復調試 ， 數十個節點的連接邏輯能勸退 90% 的用戶；生成內容更是陰間賽博風 ， 除了 P 站上粗制濫造的成人內容 ， 幾乎沒人愿意盯著畫面里突然冒出兩張臉、音畫完全不同步的視頻超過一分鐘 。
反觀當下的熱門模型 ， 無論是計劃做 AI 時代抖音的 Sora 2 ， 還是社交媒體刷屏的 Wan2.5-Preview ， 都踩中了同一個關鍵點： 高質量的同時 ， 把門檻降到人人可用 。
首先是針對過去 AI 模型的賽博審丑 ， Wan2.5-Preview 通過人類反饋的強化學習（RLHF）把用戶對畫面質感、動態效果、指令匹配度的反饋用于優化模型 ， 徹底擺脫丑且詭異的標簽 。
而要達成以上效果 ， 用戶不需要懂任何技術 ， 只要能把自己腦海中的畫面 ， 用一段簡單的提示詞說出來 ， 就能生成栩栩如生的視頻 。
比如 ， 這是一個使用 Wan2.5-Preview 生成的高贊視頻 。
提示詞：黃昏 ， 逆光 ， 側光 ， 柔光 ， 高對比度 ， 中景 ， 中心構圖 ， 干凈的單人鏡頭 ， 暖色調 。 年輕白人男子站在樹林中 ， 陽光透過樹葉在他發絲上形成金色光暈 。 他穿著淺色襯衫 ， 微風吹動他的頭發和衣領 ， 光線隨著他的動作在臉上流動 。 背景虛化 ， 遠處是斑駁的光影和柔和的樹影 ， 鏡頭聚焦于他微微抬起的目光 ， 眼神清澈且帶有情緒 。
視頻鏈接：
https://tongyi.aliyun.com/wan/work-detail/4ce663a31fbc4c5f859a8d8d6fbf23eb?resourceId=4ce663a31fbc4c5f859a8d8d6fbf23eb
可以看到 ， 畫面中不僅人物神態動作自然 ， 空氣中的塵埃 ， 樹林中的光線也都十分還原 ， 去掉右下角的 logo ， 幾乎無法分辨是否實拍 。
在此基礎上我們再加點難度 ， 畫面更復雜一點 ， 主體變成有精細毛發細節的布偶貓 ， 然后加入動作、神態以及抑揚頓挫的語調：
提示詞：電影感仰拍鏡頭 ， 讓主體顯得很有權勢 。 在一間奢華的客廳里 ， 一只雍容華貴的布 偶貓坐在一張王座般的貓爬架上 。 它用居高臨下、充滿審判意味的藍色眼睛俯視著鏡頭 。 它緩緩抬起一只毛茸茸的爪子 ， 以一種極度鄙視的表情指向觀眾 ， 質問說：「嗯？那我再問你 ， 我生成視頻的音頻不自然嗎？回答我！Look in my eyes！Tell me why？Why baby why？」 。 戲劇性的華麗光影 ， 淺景深 ， 超精細的毛發細節 ， 照片級真實感 。
可以看到多個升級版要求多管齊下 ， 但整體畫面的質量依然沒有下降 ， 甚至就連環境中的光線角度 ， 光源反射細節都完美還原 。
當然 ， 這種低門檻與高質量 ， 只是 Wan2.5-Preview 火起來的基礎 ， 在用戶體驗細節上 ， Wan2.5-Preview 還做了更多的探索與嘗試 。

02如何定義體驗 ready 的視頻模型
AI 模型的技術參數再漂亮 ， 最終要落地到用戶體驗上 。
過去很多 AI 工具的通病是碎片化——文生圖一個模型、文生視頻一個工具、圖生視頻又要換平臺 ， 用戶為了實現一個創意 ， 得在多個工具間反復切換 ， 生成、調整、合成的繁瑣步驟 ， 早已磨掉了創作熱情 。
更不用說 ， 過去做一條電商營銷視頻 ， 用戶要先找模型生成畫面 ， 再用另一個工具做音頻 ， 最后用第三方軟件合成 ， 耗時不說 ， 還容易出現音畫錯位 。 最后為了節約拍攝成本 ， 不得不再招聘一個成本更高的算法工程師搭建業務的 workflow 。
seaart.ai 的案例很有代表性 。 這家 2023 年 4 月成立的公司 ， 專注圖像和視頻生成 ， 全球活躍用戶超 2500 萬 ， 穩居 AIGC web 產品 TOP 50 。 他們采訪過一位澳大利亞理發師 ， 對方從小的夢想是當畫家 ， 卻為生活拿起了剪刀 。 現在他每天最開心的時刻 ， 就是下班用 seaart.ai（海藝）創作——過去用畫筆無法表達的想法 ， 現在用文字就能生成畫面 ， 「海藝成了安放靈魂和夢想的地方」 。
之所以選擇海藝 ， 正是因為海藝集成像 Wan2.5-Preview 這樣的模型 ， 解決了過去 AI 視覺生成用戶體驗割裂的痛點 。
在 Wan2.5-Preview ， 生成 10 秒視頻時 ， 系統會自動匹配人聲、環境音效和背景音樂 ， 甚至能讓小貓的口型和「我愛媽媽」的臺詞對應上 ， 全程無需人工干預 。
在這背后 ， 則是 Wan2.5-Preview 的統一框架設計：Wan2.5-Preview 沒有像 SD 那樣堆砌獨立模型 ， 而是把文本、圖像、視頻、音頻的理解與生成裝進了同一個框架里 。 底層用文本分詞器、圖像 / 視頻編碼器、音頻編碼器分別拆解不同類型的信息；核心用多模態 Transformer 做大腦 ， 實現跨模態信息的深度融合；輸出層直接支持文本、圖像、視頻、音頻的生成 ， 借助多模態對齊能力 ， 用戶不再需要在多個工具間切換 。
最重要的是 ， 用過 AI 的人都知道 ， 一次性生成滿意的內容幾乎不可能 。 但是對圖像和視頻二次編輯又往往非常困難 。 Wan2.5-Preview 在這方面做了針對性優化：
視頻上 ， Wan2.5-Preview 增強了復雜指令精準執行能力：能理解運鏡語言（如推、拉、搖、移）及連續變化指令 ， 無需多次調整；細節優化：強化圖生視頻的元素 ID 一致性（即生成過程中保持人物、物體等核心元素不丟失） ， 同時支持通用音頻驅動視頻生成 。
在生圖上 ， AI 的生圖質量今年行業基本解決 ， 但是對于圖片中加文字尤其是中文這樣的需求 ， 就很容易變成鬼畫符 ， 更不用提生成圖表 。 Wan2.5-Preview 則不僅支持穩定生成中文、英文等文字 ， 甚至能直接生成圖表；還能通過文字指令一鍵換裝、改風格 ， 編輯時核心元素不會變形 。
正是這些體驗細節的打磨 ， 讓海藝平臺上的用戶用 Wan2.5-Preview 生成的視頻數突破 500 萬條 ， 創意的表達就像說話一樣自然 。

03技術到商業 ， 如何加速
技術 ready、體驗 ready 的 AI 產品不少 ， 但很多都停留在叫好不叫座的階段 。
Wan2.5-Preview 的聰明之處在于 ， 它在做好產品的同時 ， 也打造了一整套完善的商業化體系 。
這套完整商業化體系的最底層 ， 是阿里云的算力支持 ， 與模型軟硬一體形成生態護城河 。 中間層則是阿里云百煉這樣的模型開發服務平臺 ， 讓用戶一鍵部署大模型不再是天方夜譚；最頂層的模型側 ， 也給足了用戶選擇 。
以 Wan2.5-Preview 給為例 ， 不同用戶的需求天差地別：有人只是想嘗鮮做個 5 秒短鏡頭 ， 有人要做 10 秒的抖音爆款；有人追求 1080P 電影級畫質 ， 有人覺得 720P 夠用就行 。
Wan2.5-Preview 選擇 ， 5 秒、10 秒 ， 畫質上 ， 提供 480P、720P、1080P 三種選擇 ， 用戶可以根據預算和用途自由切換 。
在此基礎上 ， Wan2.5-Preview 沒有掩飾自己對商業化以及算清成本賬的野心 。 在最近的飛天發布時刻上 Wan2.5-Preview 正式宣布商業化 ， 并給出了明確且足夠優惠的收費標準：
國內：1080P 1 元 / 秒 ， 720P 0.6 元 / 秒 ， 480P 0.3 元 / 秒；
海外：1080P 0.15 美元 / 秒 ， 720P 0.1 美元 / 秒 ， 480P 0.05 美元 / 秒 。
形成對比 ， Sora 2 生成視頻需要 0.1-0.5 美元 / 秒 ， 國內可靈 2.0 收費標準為 0.5 元 / 秒 ， Wan2.5-Preview 屬于同等內容質量產品中 ， 定價也極具吸引力的一檔 。
而這種定價方式精準擊中了不同用戶的痛點：
對短視頻團隊、廣告公司等專業用戶 ， 清晰的定價能讓他們準確核算成本 ， 比 SD 免費但需自己承擔服務器成本更劃算；
對普通嘗鮮用戶 ， 按秒收費意味著花幾塊錢就能試玩 ， 不會被高昂的套餐費嚇跑 。
建立在豐富的選擇與定價標準之上 ，通義萬相的商業生態也已經初步跑通 ，WaveSpeedAI 就是最好的案例 。
這是一家專注多模態 AI 生成的平臺型公司 ， 也是全球第一個上線 Wan2.5 系列模型的平臺 。
圍繞怎么用好 Wan2.5-Preview ， WaveSpeedAI 的做法很聰明：它根據用戶的價格敏感度 ， 按照分辨率、生成時長、加速程度梯度收費 ， 此外 ， 根據模型的不同 ， 提供了分層解決方案：
最低價區間：用 Wan2.2 的快速推理版本 ， 滿足預算有限的用戶；
中間層：用優化后的 Wan2.2 開源模型 ， 平衡成本和質量；
高端層：用 Wan2.5 的快速版和普通版 ， 服務追求高質量的用戶；
在此基礎上 ， WaveSpeedAI 還拓展了數字人業務 ， 在對口型的基礎上 ， 實現了更豐富的肢體動作和表情控制 。 目前 ， WaveSpeedAI 借助 Wan2.5 生成的視頻數已突破 1000 萬條 。
以上只是個例 ， 據云棲大會官宣數據 ， 通義萬相家族已整合 10 多種視覺創作能力 ， 累計生成 3.9 億張圖片和 7000 萬個視頻 ， 成為國內主流的 AI 視覺創作工具 。

04尾聲
AI 視頻的故事遠沒到結尾 。
技術側 ， 現在的模型依然有短板：內容生成時長不夠長、細節不夠細膩、長視頻的一致性問題還沒完全解決……
但不可否認的是 ， 無論是 Sora 2 的 AI Tik Tok 野心 ， 還是 Wan2.5-Preview 的 行業側深耕 ， 都讓 AI 視覺生成跨過了技術到產品的鴻溝 。
【從 SD 到 Wan2.5-Preview，AI 視頻 2025 質變啟示錄】在這個過程中 ， 技術先進固然重要 ， 但能把技術變成用戶愿意用、愿意付費的產品 ， 讓行業真正嘗到 SOP 縮短 ， 效率增加 ， 用戶體驗提升 ， 才是真正的勝負手 。

    推薦閱讀