《解锁万相2.1大模型：开启视频创作新世界》：此文为AI自动生成

《解锁万相2.1大模型：开启视频创作新世界》：此文为AI自动生成

万相 2.1 大模型初印象

在人工智能飞速发展的当下，大模型领域的每一次突破都备受瞩目。2025 年 2 月 25 日晚间，阿里巴巴带来了一个令人振奋的消息：阿里云视频生成大模型万相 2.1（Wan）正式开源 。这一消息瞬间在 AI 圈引发了广泛关注，也让众多开发者和视频创作爱好者们对万相 2.1 充满了期待。

万相 2.1 作为阿里云通义系列 AI 模型的重要成员，自发布以来就展现出了其在视频生成领域的卓越实力。在权威评测集 VBench 中，它以总分 86.22% 的优异成绩，大幅超越了 Sora、Luma、Pika 等国内外知名模型，稳稳占据榜首位置，成为了视频生成大模型领域的一颗耀眼新星。

此次开源，阿里巴巴采用了最宽松的 Apache2.0 协议，将 14B 和 1.3B 两个参数规格的全部推理代码和权重毫无保留地开放出来。这意味着全球的开发者们都可以在 Github、HuggingFace、魔搭社区轻松下载体验，为他们提供了一个探索和创新的强大平台。 其中，14B 版本的万相模型在指令遵循、复杂运动生成、物理建模、文字视频生成等多个关键方面表现得尤为突出。无论是复杂的人物肢体运动，如旋转、跳跃、转身、翻滚，还是碰撞、反弹、切割等复杂真实物理场景，它都能精准还原，仿佛拥有一双 “洞察万物” 的眼睛，将现实世界的动态变化栩栩如生地呈现在视频之中。

而 1.3B 版本的万相模型也毫不逊色，它不仅超过了许多更大尺寸的开源模型，甚至在某些性能上与部分闭源模型接近。更为惊喜的是，它能够在消费级显卡上运行，仅需 8.2GB 显存就可以生成高质量视频 。这一特性大大降低了使用门槛，让更多普通用户和小型开发者团队也能够享受到 AI 视频生成的乐趣和便利，为二次模型开发和学术研究提供了广阔的空间。 从算法设计来看，万相 2.1 基于主流 DiT 架构和线性噪声轨迹 Flow Matching 范式，研发了高效的因果 3D VAE、可扩展的预训练策略等先进技术。以 3D VAE 为例，为了实现对任意长度视频的高效编码和解码，万相 2.1 在 3D VAE 的因果卷积模块中巧妙地实现了特征缓存机制。这一机制就像是为视频编码和解码过程搭建了一条 “高速通道”，代替了直接对长视频端到端的编解码过程，从而实现了无限长 1080P 视频的高效编解码。同时，通过将空间降采样压缩提前，在不损失性能的情况下进一步减少了 29% 的推理时内存占用，可谓是在提升性能的同时，还兼顾了资源的高效利用。

万相 2.1 还是首个支持中文文字生成及中英文文字特效生成的视频生成模型 。在指令遵循方面，它能够严格依照镜头移动等指令输出视频，对长文本指令也能准确理解和执行。这使得创作者在使用过程中，能够更加精准地表达自己的创意和想法，让视频内容与心中所想完美契合。 总的来说，万相 2.1 大模型凭借其卓越的性能、创新的技术以及开源的诚意，为视频生成领域带来了新的活力和无限可能。它就像是一把神奇的钥匙，为我们打开了一扇通往 AI 视频创作新世界的大门，让我们迫不及待地想要深入了解它的使用方法，去探索其中的奥秘。

前期准备：搭建使用环境

在深入体验万相 2.1 大模型的强大功能之前，我们首先需要为其搭建一个稳定且适配的运行环境。这就好比为一场精彩的演出搭建舞台，只有舞台搭建好了，才能让演员们尽情展现他们的才华。接下来，我们就从硬件和软件两个方面来详细了解一下搭建使用环境的具体步骤。

（一）硬件需求早知道

万相 2.1 模型有不同的参数规模版本，对硬件的要求也有所不同 。对于 1.3B 版本的模型，它的一大亮点就是对硬件要求相对较低，仅需 8.2GB 显存就能生成 480P 视频，这使得它可以在几乎所有消费级 GPU 上运行。例如，常见的 NVIDIA GeForce RTX 30 系列、40 系列显卡都能够满足其基本运行需求。如果你使用的是 RTX 4090 显卡，在未使用量化等优化技术的情况下，大约 4 分钟内就能生成 5 秒的 480P 视频 ，为用户提供了较为高效的创作体验。

而对于 14B 版本的模型，由于其参数规模更大，模型复杂度更高，对硬件的性能要求也更为苛刻。一般来说，需要配备专业级别的 GPU，如 NVIDIA A100、H100 等，这些 GPU 具有更高的显存带宽和计算能力，能够更好地支持模型的复杂运算。同时，还需要搭配足够大的内存，建议至少为 64GB 及以上，以确保在处理复杂任务时系统的流畅性。此外，高性能的 CPU 也能为模型的运行提供一定的辅助支持，比如在数据预处理等环节，能够加快数据的读取和传输速度。

（二）软件安装进行时

在了解了硬件需求后，我们就可以开始进行软件安装了。这里我们以在 Linux 系统下安装为例，为大家详细介绍安装步骤。

首先，我们需要克隆仓库。打开终端，输入以下命令：

git clone https://github.com/Wan-Video/Wan2.1.git

cd Wan2.1

这一步的作用是将万相 2.1 的代码仓库从 GitHub 上克隆到本地，方便我们后续进行操作。git clone命令用于克隆远程仓库，后面跟着的是仓库的地址；cd Wan2.1命令则是进入克隆后的目录，以便在该目录下执行后续的安装命令。

接下来，安装依赖项。在确保你的 Python 环境中torch版本大于等于 2.4.0 的前提下，执行以下命令安装所需的依赖包：

pip install -r requirements.txt

requirements.txt文件中列出了运行万相 2.1 模型所需要的所有 Python 依赖库，pip install -r命令会自动从 Python Package Index（PyPI）上下载并安装这些依赖库，确保模型能够正常运行。

最后，使用huggingface-cli下载模型。执行以下命令：

pip install "huggingface_hub[cli]"

huggingface-cli download Wan-AI/Wan2.1-T2V-14B --local-dir./Wan2.1-T2V

第一条命令是安装huggingface_hub库及其命令行工具，这是一个用于与 Hugging Face 模型仓库进行交互的工具。第二条命令则是使用该工具从 Hugging Face 上下载万相 2.1 的 14B 版本模型，并将其保存到本地的Wan2.1-T2V目录下。如果你需要下载 1.3B 版本的模型，只需将Wan2.1-T2V-14B替换为Wan2.1-T2V-1.3B即可。

通过以上步骤，我们就完成了万相 2.1 大模型的软件安装。在安装过程中，如果遇到任何问题，比如依赖库安装失败、模型下载出错等，可以查看官方文档或者在相关技术论坛上寻求帮助。相信在完成这些前期准备工作后，你已经迫不及待地想要开始使用万相 2.1 大模型进行视频创作了吧！接下来，我们就一起进入万相 2.1 大模型的实战操作环节。

实操指南：用万相 2.1 创作视频

在完成了万相 2.1 大模型的环境搭建后，我们终于可以正式开启创意之旅，利用它强大的功能来创作精彩的视频了。无论是将脑海中的文字描述转化为动态影像，还是让静态图片 “动” 起来，万相 2.1 都能为我们提供高效且便捷的创作方式。接下来，就让我们详细了解一下如何使用万相 2.1 进行视频创作。

（一）文生视频：文字秒变动态影像

文生视频是万相 2.1 的核心功能之一，它能够根据我们输入的文字描述，快速生成相应的视频内容，让想象力瞬间化为现实。下面，我们就以一个具体的提示词为例，来详细介绍一下文生视频的操作流程。

假设我们想要生成一个 “在阳光明媚的海边，一只可爱的小狗欢快地追逐着海浪” 的视频。首先，打开我们之前安装好万相 2.1 模型的工作目录，找到并运行生成视频的脚本文件（通常为generate.py）。在运行脚本时，我们需要通过命令行参数来设置一些关键信息。

对于提示词的输入，我们直接在命令中使用--prompt参数来指定。例如：--prompt "在阳光明媚的海边，一只可爱的小狗欢快地追逐着海浪"。这里的提示词描述越详细、越具体，生成的视频就越能符合我们的预期。比如，我们还可以进一步细化为 “在阳光明媚的金黄色沙滩海边，一只浑身雪白毛发蓬松的可爱小金毛犬欢快地奔跑着，一次次兴奋地追逐着涌上沙滩的海浪，溅起晶莹的水花” ，这样更丰富的描述能让模型捕捉到更多细节。

接着是参数设置环节。--task参数用于指定任务类型，对于文生视频，我们使用--task t2v-1.3B（如果使用的是 1.3B 版本模型，若为 14B 版本则相应修改）。--size参数用于设置生成视频的分辨率，常见的设置如--size 832*480表示生成的视频分辨率为 832x480 ，你可以根据自己的需求和硬件性能来调整分辨率，分辨率越高，视频越清晰，但生成所需的时间和硬件资源也会相应增加。

--sample_shift参数控制着视频生成过程中的采样偏移，它会影响视频的稳定性和细节表现，一般可以根据经验设置为 8 左右。--sample_guide_scale参数则用于调整生成视频的引导强度，数值越大，生成的视频就越贴近提示词的描述，但也可能会导致视频过于生硬，缺乏一定的灵活性，通常设置为 6 是一个比较合适的起始值 ，你可以根据实际生成效果进行微调。

另外，--ckpt_dir参数需要指定模型权重文件所在的目录，例如--ckpt_dir./Wan2.1-T2V-1.3B ，确保模型能够正确加载权重进行推理。

当我们设置好所有参数后，按下回车键，万相 2.1 模型就开始工作了。它会根据我们输入的提示词和设置的参数，在后台进行复杂的计算和生成过程。这个过程可能需要一些时间，具体时长取决于我们设置的参数、硬件性能以及提示词的复杂程度。在等待的过程中，我们可以耐心观察命令行输出的信息，了解生成进度。

经过一段时间的等待，当命令行提示生成完成后，我们就可以在指定的输出目录中找到生成的视频文件了。打开视频，我们就能看到一只可爱的小狗在阳光明媚的海边欢快地追逐着海浪的生动画面，仿佛身临其境一般。

（二）图生视频：静态图片动起来

除了文生视频，万相 2.1 还支持图生视频功能，它可以将静态的图片转化为动态的视频，为图片赋予新的生命力。下面，我们就来看看如何使用图生视频功能。

首先，准备好我们想要转化为视频的静态图片。这张图片可以是我们自己拍摄的照片，也可以是从网络上下载的素材，但要确保图片的内容清晰、主题明确，这样才能生成出效果较好的视频。

同样地，运行生成视频的脚本文件generate.py。在命令行参数设置中，--task参数这次我们使用--task i2v-1.3B（对应 1.3B 版本模型，14B 版本同理调整）来表示图生视频任务。

使用--image_path参数指定我们准备好的图片路径，例如--image_path./images/dog.jpg ，确保模型能够正确读取图片。

在参数设置方面，除了与文生视频类似的分辨率设置（--size）、采样偏移（--sample_shift）和引导强度（--sample_guide_scale）等参数外，图生视频还需要根据图片的特点来选择合适的其他参数。比如，如果图片的内容比较简单，我们可以适当降低引导强度，让模型在生成视频时具有更多的创造性；如果图片中包含复杂的物体和场景，我们可能需要提高引导强度，以确保生成的视频能够准确地表现出图片中的元素。

此外，--num_frames参数可以用来控制生成视频的帧数，从而决定视频的时长。例如，设置--num_frames 30表示生成一个包含 30 帧的视频，一般情况下，每秒 24 帧或 30 帧是比较常见的视频帧率，你可以根据实际需求进行调整。

当我们设置好所有参数并运行脚本后，万相 2.1 模型会对输入的图片进行分析和处理，然后根据我们设置的参数生成视频。在生成过程中，模型会根据图片的内容和我们指定的参数，为图片中的元素添加动态效果，比如让小狗在图片中的沙滩上奔跑起来，或者让海浪泛起涟漪等。

生成完成后，我们在输出目录中找到生成的视频，就可以欣赏到原本静态的图片变成了一段生动的视频，这种从静态到动态的转变，让我们感受到了万相 2.1 图生视频功能的神奇之处。通过调整不同的参数，我们还可以生成不同风格的视频，比如慢动作效果、快节奏的动感视频等，满足我们多样化的创作需求。

技巧与优化：提升视频质量

在使用万相 2.1 大模型进行视频创作时，掌握一些实用的技巧和优化方法能够让我们生成的视频质量更上一层楼。无论是提示词的精心撰写，还是参数的合理调整，都能为视频带来意想不到的惊喜效果。下面，我们就来深入探讨一下这些提升视频质量的关键技巧。

（一）提示词撰写有窍门

提示词作为引导万相 2.1 生成视频的关键输入，其质量直接影响着生成视频的内容和风格。一个精准、富有创意的提示词能够让模型更好地理解我们的意图，从而生成更加贴合需求的视频。那么，如何撰写高质量的提示词呢？

首先，细节描述是关键。在描述场景时，不要只是简单地说 “一个美丽的花园”，而是要具体描述花园中的元素，如 “一个被五彩斑斓的花朵簇拥着的花园，红色的玫瑰娇艳欲滴，黄色的郁金香亭亭玉立，还有白色的蝴蝶在花丛中翩翩起舞” 。这样丰富的细节能够让模型更清晰地构建出画面，生成的视频也会更加生动、逼真。

其次，情感词汇的运用能够为视频赋予情感色彩。比如，想要生成一个温馨的家庭场景视频，我们可以在提示词中加入 “温暖”“幸福”“欢声笑语” 等情感词汇，像 “在一个温暖的午后，一家人围坐在客厅里，脸上洋溢着幸福的笑容，欢声笑语回荡在整个房间” ，这样模型生成的视频就能更好地传达出温馨的氛围。

再者，使用具体的动作和行为描述可以让视频中的元素更加鲜活。例如，在描述人物时，不要只说 “一个人在跑步”，而是 “一个穿着运动装的年轻人，步伐轻快地沿着河边跑步，汗水从他的额头滑落，他的眼神坚定而充满活力” ，这样的描述能让模型生成更具动态感的人物跑步画面。

此外，提供清晰的画面结构和视角信息也很重要。比如，“从高空俯瞰，一座古老的城堡坐落在绿色的森林中央，阳光洒在城堡的屋顶上，反射出金色的光芒” ，这样明确的视角和画面结构描述，能让模型生成的视频画面更具层次感和立体感。

最后，不要忽视关键词的力量。在提示词中加入与主题相关的关键词，能够引导模型更准确地生成我们想要的内容。例如，生成一个科幻主题的视频，我们可以加入 “宇宙飞船”“星际穿越”“未来城市” 等关键词，帮助模型更好地把握视频的主题风格。

（二）参数调整小秘诀

除了撰写好提示词，合理调整生成视频的参数也能对视频效果产生显著影响。万相 2.1 提供了多个可调整的参数，下面我们就来了解一下这些参数的作用以及如何优化它们。

分辨率是影响视频清晰度的重要参数。较高的分辨率能够呈现更多的细节，但同时也会增加生成视频所需的时间和硬件资源。在选择分辨率时，我们需要根据自己的硬件性能和视频的最终用途来决定。如果是用于社交媒体分享，720P 或 1080P 的分辨率通常已经足够；如果是用于专业影视制作，可能需要选择更高的分辨率，如 4K 甚至 8K，但这对硬件的要求也会更高。

帧率决定了视频的流畅度。一般来说，24 帧 / 秒是电影常用的帧率，能够提供较为流畅的视觉体验；而对于一些需要展现快速动作的视频，如体育赛事、动作电影等，可能需要选择 30 帧 / 秒甚至 60 帧 / 秒的帧率，以减少画面的卡顿和模糊。但帧率越高，生成视频所需的计算量也越大，所以要在流畅度和硬件性能之间找到平衡。

采样偏移（--sample_shift）和采样引导尺度（--sample_guide_scale）这两个参数也不容忽视。采样偏移会影响视频生成过程中的稳定性和细节表现，一般可以在 8 - 12 之间进行调整，数值越大，视频的细节可能会更丰富，但也可能会导致生成时间变长。采样引导尺度则控制着生成视频与提示词的贴合程度，数值越大，视频越贴近提示词描述，但也可能会使视频变得过于生硬，缺乏灵活性，通常可以从 6 左右开始尝试，根据实际生成效果进行微调。

另外，在生成视频时，如果遇到内存不足（OOM）的问题，可以尝试使用--offload_model True和--t5_cpu选项来减少 GPU 内存占用 ，以确保生成过程能够顺利进行。

通过不断地尝试和调整这些参数，我们可以找到最适合自己需求的参数组合，从而生成质量更高、效果更好的视频。同时，也要注意保存不同参数设置下生成的视频，以便对比分析，总结出最适合不同场景和主题的参数优化方案。

应用拓展：多场景下的万相 2.1

万相 2.1 大模型凭借其卓越的性能和强大的功能，在众多领域都展现出了广阔的应用前景，为不同行业的内容创作带来了全新的变革和机遇。

（一）短视频创作：创意无限加速

在短视频创作领域，万相 2.1 成为了创作者们的得力助手，极大地激发了他们的创意灵感，同时也显著提升了创作效率。以美食类短视频为例，一位美食博主想要制作一期关于 “制作中式糕点” 的视频。以往，从策划脚本、拍摄素材到后期剪辑，可能需要花费数天时间，而且还需要专业的设备和人员协助。但有了万相 2.1，博主只需在输入框中详细描述制作过程，如 “一位身着传统中式服饰的厨师，在古色古香的厨房里，熟练地将糯米粉、豆沙馅等食材混合，揉成面团，再用精致的模具压出漂亮的花纹，放入蒸笼中蒸熟，热气腾腾的中式糕点新鲜出炉，色泽诱人” ，并设置好相关参数，如分辨率、帧率等，万相 2.1 就能快速生成一段生动的视频。视频中，厨师的动作流畅自然，厨房的环境和食材的细节都清晰可见，仿佛观众就在现场观看制作过程。这不仅节省了大量的拍摄和剪辑时间，还能让博主专注于创意的构思和内容的策划，使短视频更具吸引力。

此外，万相 2.1 还能帮助短视频创作者快速生成各种特效和转场效果。比如，在旅游类短视频中，想要实现从城市街景到自然风光的快速切换，通过万相 2.1 的特效生成功能，就能轻松实现炫酷的转场效果，如光影变幻、画面融合等，为短视频增添更多的视觉冲击力，吸引更多观众的关注。

（二）广告制作：降本增效新利器

对于广告制作行业来说，成本和效率一直是关键因素。万相 2.1 的出现，为广告制作带来了全新的解决方案，实现了降本增效的目标。某知名汽车品牌在推出一款新车型时，需要制作一系列宣传广告。传统的广告制作方式需要搭建真实的拍摄场景，租用专业的拍摄设备，聘请模特和演员，以及后期的特效制作和剪辑，整个过程不仅成本高昂，而且制作周期长。而利用万相 2.1，广告制作团队只需根据汽车的特点和宣传需求，输入详细的提示词，如 “一辆线条流畅、造型酷炫的汽车在蜿蜒的山路上飞驰，阳光洒在车身上，反射出耀眼的光芒，车轮扬起的尘土增添了几分动感，车内的驾驶员专注地握着方向盘，脸上洋溢着自信的笑容” ，就能快速生成高质量的广告视频素材。这些素材可以直接用于广告的初步制作，大大缩短了制作周期，降低了制作成本。同时，通过调整提示词和参数，还能轻松生成不同风格和场景的广告视频，满足品牌在不同渠道和受众群体的宣传需求。

在广告创意方面，万相 2.1 也为广告人提供了更多的可能性。它能够根据品牌的理念和产品特点，生成独特的创意视频，为广告注入更多的情感和故事性。比如，某化妆品品牌想要传达 “自然美” 的理念，万相 2.1 可以生成一段以大自然为背景，一位素颜的女孩在花海中绽放笑容，使用该品牌化妆品后肌肤更加光彩照人的视频，让消费者更直观地感受到品牌的核心价值。

（三）影视特效：开启创作新境界

在影视制作领域，特效是提升影片视觉效果和艺术感染力的重要手段。万相 2.1 凭借其强大的视频生成能力和对复杂物理场景的还原能力，为影视特效制作带来了新的突破。在一些科幻电影中，常常需要呈现出宏大的宇宙场景、激烈的星际战斗等特效画面。以往，这些特效需要特效团队花费大量的时间和精力进行建模、渲染和后期合成，而且对硬件设备的要求极高。现在，借助万相 2.1，影视制作人员可以通过输入简单的提示词，如 “浩瀚的宇宙中，一艘巨大的星际战舰在繁星的背景下穿梭，周围是爆炸的小行星和闪烁的能量光束，战舰发射出强大的激光炮，与敌人展开激烈的战斗” ，就能快速生成逼真的特效镜头。这些镜头不仅细节丰富，而且物理效果真实，如战舰的运动轨迹、激光炮的发射效果、爆炸的光影变化等，都能完美呈现，为电影增添了震撼的视觉效果。

除了科幻电影，万相 2.1 在古装剧、奇幻剧等类型的影视制作中也能发挥重要作用。比如，在古装剧中，想要呈现出一场盛大的宫廷宴会场景，万相 2.1 可以生成人物众多、服饰华丽、场景宏大的视频片段，为剧集营造出逼真的历史氛围。在奇幻剧中，对于各种神奇的魔法特效、神秘的生物等元素，万相 2.1 也能轻松生成，满足导演的创意需求，让观众沉浸在奇幻的世界中。

总结展望：万相 2.1 与未来

万相 2.1 大模型的出现，无疑为 AI 视频生成领域带来了一场深刻的变革。通过前面的介绍，我们深入了解了它的使用方法，从前期的环境搭建，到实操过程中的文生视频、图生视频创作，再到通过技巧优化提升视频质量，以及在多个场景下的广泛应用，万相 2.1 展现出了强大的功能和潜力。

在使用过程中，万相 2.1 的操作流程虽然涉及到一些技术细节，但对于有一定技术基础的开发者和创作者来说，通过官方提供的详细文档和教程，能够快速上手并发挥其优势。其在文生视频和图生视频方面的表现尤为出色，能够将文字描述和静态图片转化为高质量、富有创意的视频内容，为创作者们提供了无限的创作可能。同时，通过合理调整提示词和参数，能够进一步提升视频的质量和表现力，满足不同用户的个性化需求。

从应用场景来看，万相 2.1 已经在短视频创作、广告制作、影视特效等多个领域展现出了巨大的价值，为这些行业带来了更高的效率和更丰富的创意表达。随着技术的不断发展和完善，未来万相 2.1 有望在更多领域得到应用，如教育领域中用于制作生动的教学视频，游戏领域中辅助生成游戏过场动画和宣传视频，虚拟现实（VR）和增强现实（AR）领域中为用户提供更加沉浸式的内容体验等。

展望未来，万相 2.1 的发展前景十分广阔。一方面，随着硬件技术的不断进步，如 GPU 性能的提升和成本的降低，将为万相 2.1 的运行提供更强大的支持，使其能够生成更高分辨率、更流畅的视频内容，同时缩短生成时间，提高创作效率。另一方面，随着数据量的不断增加和算法的持续优化，万相 2.1 的性能将得到进一步提升，能够更好地理解和处理复杂的指令和场景，生成更加逼真、自然的视频。此外，开源社区的发展也将为万相 2.1 注入新的活力，全球的开发者们可以基于开源代码进行二次开发和创新，不断拓展其功能和应用范围，共同推动 AI 视频生成技术的发展。

万相 2.1 大模型作为 AI 视频生成领域的佼佼者，已经为我们打开了一扇通往全新创作世界的大门。在未来，我们有理由相信，它将继续引领技术潮流，为我们带来更多惊喜和创新，让 AI 视频创作成为更加普及、高效、富有创意的表达方式，为各行业的发展和人们的生活带来更多积极的影响。