Wan 2.7 API

Что делает нейросеть Wan 2.7

Wan 2.7 — видеомодели Alibaba, объявленные 7 апреля 2026 года набором Wan2.7-Video. В каталоге GEN202 они разложены на 4 режима, а секунда у всех стоит одинаково — от 9 ₽ до 13,5 ₽, и цену двигает только выбранное разрешение.

Wan 2.7 — нейросеть Alibaba: она снимает видео по описанию, по кадру и по образцам, а ещё правит готовое.

Работ здесь 4, и у каждой своё имя в поле model: wan/2-7-text-to-video, wan/2-7-image-to-video, wan/2-7-r2v и wan/2-7-videoedit.

Новый ролик собирают режимы «текст в видео», «картинка в видео» и «по образцу», а «правка видео» переделывает готовое видео по указанию словами.

Обязательное поле у них разное: съёмке нужно описание, правке — ссылка на исходный ролик. Общих полей при этом больше, чем своих: prompt, negative_prompt, resolution, duration, prompt_extend, watermark, seed и nsfw_checker стоят у всех 4 режимов.

Можно ли скачать Wan 2.7 и снять ролик бесплатно

Wan 2.7 работает на стороне Alibaba, а запрос к ней идёт через нас — ставить и настраивать что-либо у себя не нужно. Забирают готовый ролик: под ним в песочнице появляется кнопка «Скачать», и файл приходит в mp4.

Плата считается по расходу: каждая секунда ролика стоит своих денег, и ставку поднимает разрешение. Приветственные кредиты новому счёту начисляют при первом входе, и короткий ролик снимается уже за них. Помесячной платы за доступ нет, а удержание по задаче, закончившейся отказом, возвращается на баланс целиком.

Файлами наружу выложены только ранние выпуски семейства, и считают их на своей видеокарте: какие файлы берут, сколько нужно видеопамяти и сколько идёт расчёт — ниже на этой странице. Ряд выпусков целиком, от 2.1 до 3.0, стоит на странице Wan нейросеть.

Порядок работы общий у всех 4 режимов, а разными выходят только заполненные поля.

1. Выберите режим. Переключатель над формой ставит нужный режим, и от него зависит, какие поля появятся в запросе.
2. Напишите описание. В поле prompt складывают сцену, а в negative_prompt перечисляют то, чего в кадре быть не должно.
3. Приложите файлы режима. Кадры, ролики и звук кладут каждый в своё поле; имена полей стоят в таблице выше.
4. Задайте разрешение, длительность и форму кадра. Эти три поля решают, каким выйдет ролик, а разрешение вдобавок двигает ставку за секунду.
5. Повторите удачный запуск. Поле seed возвращает прежний результат, когда описание оставляют без изменений.

Запуск Wan на своей видеокарте: ComfyUI, файлы и видеопамять

Наружу выложены два выпуска — Wan 2.1 и Wan 2.2. Код и веса 2.1 разработчик выложил 25 февраля 2025 года, 2.2 — 28 июля того же года, и в тот же день выпуск появился в ComfyUI. Лицензия у обоих Apache 2.0, и коммерческая работа ею разрешена. Выпуски 2.5 и новее считаются на стороне Alibaba, файлами их не выкладывали.

Издание A14B собрано из двух экспертов: первый работает в начале расчёта и строит кадр, второй работает в конце и отвечает за подробности. Веса лежат двумя папками по 53,2 гигабайта — high_noise_model и low_noise_model, — и обе нужны для одного ролика. Издание TI2V-5B лежит одной моделью на 18,63 гигабайта и выдаёт 720P при 24 кадрах в секунду.

В ComfyUI берут не оригинальные файлы, а пересборки: один файл на эксперта у Comfy-Org — 13,31 гигабайта в половинной точности — или семейство GGUF у QuantStack, от 4,94 гигабайта у Q2_K до 14,35 у Q8_0. Кроме самой модели скачивают текстовый кодировщик umt5 и сжимающий блок wan2.2_vae на 1,31 гигабайта. Обе части A14B берут в одной и той же степени сжатия.

Сколько видеопамяти нужно, две стороны называют по-разному, и расходятся они из-за способа запуска: разработчик считает для своего кода, где веса грузятся целиком, ComfyUI — для своей связки, где слои подгружаются по мере надобности.

Время расчёта у практиков расходится в десятки раз, и решает его не карта, а ускоряющая приставка. На RTX 5090 пятисекундный ролик по 14B в исходной точности считался больше получаса, а с четырёхшаговым ускорением — меньше пяти минут. На RTX 4090 обе стадии A14B заняли около четырнадцати минут, на RTX 3060 в половинной точности — около 315 секунд, на ноутбуке с восемью гигабайтами и GGUF Q4_K_S — около 150 секунд. Замеры между собой напрямую не сравниваются: разрешение, число шагов и приставки у всех разные.

Обрывается расчёт по памяти чаще всего на 720p: восемь гигабайт держат 14B ниже этого разрешения, а на нём приходит ошибка нехватки памяти. Двенадцать гигабайт на 14B заканчивались вылетом в самом конце расчёта, и там же измерена цена выгрузки — расход падает вдвое, а расчёт во столько же раз удлиняется. Останавливает работу и обычная память: на 32 гигабайтах оперативной второй проход не запускался.

Издание 5B считает быстро, и это его единственный крупный выигрыш: разборы сходятся в том, что движение у него ограниченнее, в кадре появляются деформации, а текст разваливается.

Своя видеокарта нужна не всегда: тот же кадр считается на стороне модели, и тогда всё делается в браузере, с обычного компьютера или с телефона. Что вышло под именем 2.2 и чем этот выпуск отличается от 2.1 — на странице Wan 2.2, ряд выпусков целиком — на странице Wan нейросеть.

Чем различаются режимы Wan 2.7

Режимы разведены тем, что кладут на вход, и тем, сколько секунд разрешено на выходе.

Файлы разложены по своим полям: у «картинка в видео» это первый кадр, последний кадр, ролик для продолжения и звук, у «по образцу» — два списка по 5 ссылок, картинки и ролики.

Родной звук присланного ролика «правка видео» умеет оставить нетронутым — за это отвечает поле audio_setting, и образцами он берёт до 5 картинок.

Выпуски Wan: даты объявлений и наши адреса

Линейка идёт подряд от выпусков с открытыми весами к тем, что считаются только на стороне Alibaba. В таблице стоит имя у разработчика, дата его собственного объявления, суть перемены и адрес, по которому выпуск открывается у нас.

Состав нынешнего набора разработчик перечисляет по именам моделей, а дату ставит под заголовком публикации: «April 7, 2026». Что вошло в набор, сказано там же: «Wan2.7-Video supports flexible video generation ranging from 2 to 15 seconds and delivers 720p and 1080p output. Its enterprise APIs enable batch processing and tailored workflows». Перевод наш: «Wan2.7-Video гибко делает ролики от 2 до 15 секунд и выдаёт 720p и 1080p. Её деловые интерфейсы позволяют обрабатывать пачками и строить свой порядок работы». Публикация — объявление Alibaba Cloud о выпуске Wan2.7-Video.

Чем нынешний набор отличается от следующего поколения, разработчик свёл в свою таблицу. В строке про образцы у Wan2.7 стоит «Text, image, video, audio», у Wan3.0 — тот же перечень «plus DOC, XLS, PPT, PDF, TXT, KEY, Pages, Numbers, Markdown, and webpages». Перевод наш: текст, картинка, ролик и звук — против них же плюс документы, таблицы, презентации и веб-страницы. Про правку в той же таблице сказано короче: «Introduced in Wan2.7» и «Carried forward into Wan3.0» — перевод наш: появилась в Wan2.7 и перенесена в Wan3.0. Разбор — сравнение Alibaba «Wan2.7 vs. Wan3.0».

Даты выпусков с открытыми весами взяты из ленты новостей в хранилище кода разработчика: «Feb 25, 2025: 👋 We've released the inference code and weights of Wan2.1» и «Jul 28, 2025: 👋 We've released the inference code and model weights of Wan2.2». Перевод наш: 25 февраля 2025 года выложены код вывода и веса Wan2.1, 28 июля того же года — код вывода и веса Wan2.2. Лента — хранилище кода Wan2.2.

Из этого ряда в каталоге GEN202 продаются два поколения: нынешнее — здесь, четырьмя режимами, и следующее — на странице Wan 3.0 Video. Выпуски до 2.6 разобраны на странице Wan нейросеть.

Какой длины и в каком разрешении выходит ролик Wan 2.7

Потолок длительности задаёт режим: «текст в видео» и «картинка в видео» доходят до 15 секунд, «по образцу» и «правка видео» — до 10.

Из разрешений доступны 720p и 1080p, и они же разводят цену секунды; строки стоят таблицей выше.

Форму кадра выбирают из 5 значений, а поле под неё называется по-разному: у режима «текст в видео» это ratio, у «по образцу» и «правка видео» — aspect_ratio. У режима «картинка в видео» пропорции приходят с присланным кадром.

Что кладут в запрос Wan 2.7 кроме описания

Само описание вмещает до 5 000 знаков. Рядом стоит отрицательное описание — до 500 знаков на то, чего в кадре быть не должно.

Звук в каждом режиме заводится своим полем: audio_url при съёмке по описанию, driving_audio_url при съёмке из кадра, reference_voice при работе по образцам и audio_setting при правке готового.

Повторить прежний результат позволяет поле seed. Что кладётся в тело запроса целиком, разобрано в разделе «Wan».

Что Alibaba говорит о наборе Wan 2.7

Что делает режим из кадра, разработчик пишет первой строкой справочника: «The Wan 2.7 image-to-video model supports multimodal input (text, images, audio, and video) and performs three tasks: first-frame-to-video, first-and-last-frame-to-video, and video continuation». Перевод наш: «Модель Wan 2.7 "картинка в видео" принимает многомодальный вход — текст, картинки, звук и видео — и делает три работы: видео из первого кадра, видео из первого и последнего кадра и продолжение видео». Страница — справочник Alibaba Cloud по режиму из кадра.

Какие связки файлов он принимает, там же перечислено без оговорок: «Only the following asset combinations are valid. Invalid combinations return an error». Перевод наш: «Годятся только перечисленные сочетания материалов, негодное сочетание возвращает ошибку». Дальше идут сами связки: первый кадр либо первый кадр со звуком; первый и последний кадр либо они же со звуком; кусок ролика либо кусок ролика с последним кадром.

Как считается продолжение, объяснено примером: «For example, if duration=15 and the input video is 3 s long, the model generates a 12-s continuation. The final output video is 15 s long and is billed for 15 s». Перевод наш: «Например, при duration=15 и входном ролике в 3 секунды модель снимает продолжение на 12 секунд; готовый ролик выходит на 15 секунд, и счёт выставляется за 15 секунд». Про звук на входе там же: «With audio: The model uses it as a driving source for lip-sync and action timing. Without audio: The model automatically generates matching background music or sound effects» — перевод наш: «Со звуком модель ведёт по нему совпадение губ со словами и отсчёт движения; без звука сама подбирает музыку или шумы».

Сколько идёт работа, разработчик называет сам: «Image-to-video tasks typically take 1 to 5 minutes, so the API uses asynchronous invocation». Перевод наш: «Работа "картинка в видео" обычно занимает от 1 до 5 минут, поэтому обращение к интерфейсу устроено отложенным». Та же фраза про 1–5 минут стоит и в справочниках по правке и по работе с образцами, и это единственное число времени, названное разработчиком.

Правку он описывает так: «The Wan 2.7 video editing model accepts multimodal inputs (text, images, and videos) for instruction-based editing and style transfer». Перевод наш: «Модель правки Wan 2.7 принимает многомодальный вход — текст, картинки и ролики — для правки по указанию и переноса манеры». Что делает поле звука при правке, сказано там же: «origin: Forces the retention of the original audio from the input video without regeneration» — перевод наш: «origin: родной звук присланного ролика сохраняется принудительно, без пересоздания». Страница — справочник по правке видео Wan2.7.

Работу по образцам он объясняет отдельной строкой: «Wan-R2V accepts multimodal input (images, videos, and audio) to generate videos featuring one or more characters while preserving their appearance and voice across scenes». Перевод наш: «Wan-R2V принимает многомодальный вход — картинки, ролики и звук — и делает ролики с одним или несколькими героями, сохраняя их внешность и голос от сцены к сцене». Про старшинство звука там же: «If both reference_video (with audio) and reference_voice are provided, reference_voice takes precedence and overrides the original video audio» — перевод наш: «Если переданы и ролик-образец со звуком, и reference_voice, берётся reference_voice, и он перекрывает родной звук ролика». Страница — справочник по работе с образцами Wan2.7.

Про повторяемость разработчик предупреждает прямо: «Because model generation is probabilistic, the same seed does not guarantee identical results». Перевод наш: «Модель работает вероятностно, поэтому одно и то же значение seed не гарантирует одинакового результата». Поле seed в форме GEN202 есть у всех режимов.

Свою цену за секунду Alibaba печатает прайсом по регионам: у строки wan2.7-t2v для международных регионов стоит «720P | $0.10/second» и «1080P | $0.15/second», а рядом бесплатный остаток «50 seconds». Перевод наш: 0,10 доллара за секунду в 720p, 0,15 в 1080p и 50 бесплатных секунд. Те же две цены стоят у остальных трёх режимов набора. В таблице цен GEN202 официальной ценой 720p стоит $0.1 за секунду, а 1080p — $0.15: с прайсом разработчика это сходится число в число. Прайс лежит по адресу страница цен Alibaba Cloud Model Studio.

Правило счёта у правки и работы по образцам он выписывает отдельно: «Pricing rule: both input and output videos are billed by video duration (seconds). Failed requests are not billed and do not consume the free quota». Перевод наш: «И входной, и выходной ролик считаются по длительности в секундах. Неудавшиеся запросы не оплачиваются и бесплатный остаток не расходуют». У нас удержание по неудавшейся задаче возвращается на баланс целиком, и это видно под таблицей цен выше.

Сам с собой разработчик здесь расходится: в разборе «Wan2.7 vs. Wan3.0» от 27 августа 2026 года в строке про цену у прошлого поколения стоит «Not stated in the public materials» — перевод наш: «в открытых материалах не названа», — хотя на его же прайсе цена Wan2.7 за секунду напечатана.

Слова Alibaba о наборе Wan 2.7 приведены по страницам Alibaba Cloud на 15 сентября 2026 года.

Что показали независимые проверки Wan 2.7

Выпуски линейки сравнивает между собой LMArena: человеку показывают два ролика без имён и просят выбрать лучший. В арене «картинка в видео» у строки wan2.7-i2v стоит 1426 с допуском 5 при 80 260 голосах, у wan2.5-i2v-preview — 1321 при 16 913 голосах, у wan2.6-i2v — 1310 при 116 288, у открытой wan-v2.2-a14b — 1170 при 27 054. Числа Wan взяты из таблицы — арена «картинка в видео» на LMArena.

Числа эти стоит читать как сравнение поколений: между нынешним и тем, что выложено файлами наружу, разрыв больше двухсот пятидесяти пунктов, а между нынешним и двумя предыдущими — около сотни.

Письменный разбор с прогонами вышел на vc.ru 11 апреля 2026 года, через четыре дня после объявления. Время работы там названо числом: «Зависит от настроек. 5-секундный ролик в 720p генерируется за 1–3 минуты». Это сходится с тем, что пишет о своей стороне разработчик. Разбор — «WAN 2.7 — нейросеть для генерации видео: полный обзор и гайд».

Где ломалось, в том же разборе сказано прямо: «Дрейф лица на длинных видео. На роликах 10+ секунд лицо может постепенно меняться. Решение: используйте First-Last Frame контроль с одинаковым лицом на обоих кадрах. Или генерируйте короткие клипы (5–7 секунд) и монтируйте». И второе: «Артефакты "скользящего окна". На длинных генерациях иногда заметны швы между сегментами. Решение: выбирайте длительность 5–10 секунд для максимального качества. 15 секунд — это потолок, но не всегда оптимально».

Числа арены и разбор vc.ru о Wan 2.7 приведены на 15 сентября 2026 года.

Что в Wan 2.7 получается не с первого прогона

Справочники описывают поля запроса. Ниже — то, что всплывает уже на работе: какие сцены даются модели труднее и чем это правят.

Наблюдения о Wan 2.7 взяты из разборов с живыми прогонами: charcoal to checkpoint, 6 апреля 2026, Ai-techboom, 6 апреля 2026, Get Songs Done, 6 апреля 2026, DexNotDexter, 14 апреля 2026, Roboverse, 30 апреля 2026, Creative AI Show, 15 июля 2026.

• Быстрое движение и всё, что подчиняется физике, даётся труднее прочего: вода летит отдельно от того, кто её стряхивает, дождь застывает в воздухе, предмет в руке гнётся. Драку и бег надёжнее разложить на короткие куски с одним действием.
• Одно и то же свободное описание от прогона к прогону даёт разное. Надёжнее держать постоянный порядок — кто в кадре, что делает, как стоит камера, какой свет — и менять потом по одному слою.
• Описание с пятью действиями героя подряд выходит дёрганым, и часть заказанного в ролик не попадает. Одно действие на ролик модель выполняет точнее.
• Когда на входе свой кадр, слова про внешность мешают: возраст, цвет волос и одежды заставляют модель переписать то, что на картинке уже есть. В описании оставляют движение камеры и действие.
• В режиме из кадра оживает только то, что в кадре уже есть. Просьба про то, чего не видно, либо пропускается, либо дорисовывается наугад.
• Когда заданы и первый кадр, и последний, на середине бывает скачок, а переход к последнему выходит резким. Помогает сблизить кадры по построению и назвать движение камеры словами.
• Правка уверенно берёт одежду, свет и обстановку, а перестановка предметов в кадре и выражение лица даются ей хуже. Просить её стоит как изменение — «замени обстановку на уличное кафе, героя оставь как есть», — а не описанием желаемой картинки целиком.
• Вместе с заказанной правкой меняется и то, о чём не просили: с новой одеждой у героя уезжает лицо. В описании поэтому прямо перечисляют, что должно остаться нетронутым.
• Образцом героя надёжнее подать один чёткий лист с ним, чем набор роликов: из нескольких образцов один может просто не попасть в результат.
• Продолжение стыкуется с исходным роликом без шва: и манера съёмки, и голос переезжают в новый кусок.

Отсюда обычный порядок работы: сначала короткий кусок с одним действием, потом продолжение от его последнего кадра. Сцена набирается частями, и переснимать приходится только испорченную.

Рубли в таблице выше — цены GEN202, сервиса доступа к моделям с оплатой из России; у Alibaba Cloud свой прайс, в долларах. Что входит в кредит и как его пополняют, написано на странице цен.

Частые вопросы