Wan 2.5 について
Wan 2.5 は Alibaba の動画生成モデル（通義万相）で、その規律の中心は音画同期です。音は後から重ねるのではなく、映像にロックされて生成されます。ドアは閉まるそのフレームで音を立て、台詞は口の動きに乗り、足音は足が地面に着く瞬間にぴたりと鳴ります。
このタイトさが、音のタイミングこそが本質であるコンテンツ——ナレーション付きのプロダクトデモ、話し言葉のクリップ、音楽的な瞬間、そして音が半拍ずれただけで幻想が壊れるあらゆるシーン——で Wan を実用的な選択肢にしています。映像側の実力も十分ですが、モデルが軸として設計されているのは同期です。
したがって Wan をうまく使うとは、音と映像を 2 本ではなく 1 本の台本として書くことです。映像のビートごとに音のキューを添えたプロンプトは、意図して編集されたようなクリップを生みます。映像だけを描写したプロンプトは、サウンドトラックを運任せにします。下のギャラリーには検証済みの Wan プロンプトと実際の出力を収録しています。動くプロンプトが 2 つのトラックをどう編み込んでいるか、観察してください。
Wan 2.5 プロンプトの書き方
- 1ビートを対で書く：映像の出来事には同じ文の中で音を添える——「マッチが鋭い音を立てて燃え上がる」「彼女のヒールが大理石のロビーに響く」。この対こそ同期エンジンが噛み合う場所です。
- 2「〜と同時に」「〜の瞬間」で音をフレームに溶接する：「シャッターが降りると同時に、街の騒音がくぐもった唸りに変わる」。時間の接続詞は、叙述に見せかけた同期指示です。
- 3台詞や歌詞は引用符に入れ、音声が「発話」に着地するようにする——引用された文は、口の動きとタイミングを合わせるための正確な発話素材をモデルに与えます。
- 4ミックスを意図的に層にする：前景の音を名指しし、その背後の環境音を敷く——「間近で拾った鉛筆の走る音、その下に図書館の静寂」。名指しされた 2 層は、曖昧な雰囲気 1 つに勝ります。
- 5音の有無ではなく質感を描写する：「壁越しのくぐもった音」「階段室に反響する」「近くて乾いた音」。質感の言葉が音声そのもののレンダリングを導きます。
- 61 クリップに音のフォーカスは 1 点。ドアの音、ビートの落ち、一言の台詞——鋭い同期の瞬間 1 つは、すべてを同期させようとする音風景よりタイトに響きます。
よくある質問
Wan 2.5 は何が得意ですか？
タイトな音画同期です——音と映像がロックされて生成され、衝撃も話し声も音楽も正確なフレームに着地するクリップ。ナレーション付きデモから音楽的な瞬間まで、音のタイミングがクリップの本質であるときの有力な選択肢です。
Wan 2.5 で音付きのプロンプトを書くには？
音と映像を 1 本の台本として書きます。映像のビートごとに同じ文で音のキューを添え、「〜と同時に」のような時間語で溶接し、台詞は引用符に入れます。このページの検証済みプロンプトが、2 トラックの編み込み方の実例です。
Wan 2.5 は音声を動画と一緒に生成しますか？
はい——音声は同じ生成パスの中で、後付けではなく映像に同期して生成されます。だからこそ「何が・いつ聞こえるべきか」を指定したプロンプトが、映像だけを描写したプロンプトを上回ります。
これらの Wan プロンプトはどこで試せますか？
Wan は Alibaba の通義万相（Tongyi Wanxiang）プラットフォームで利用でき、開発者は Alibaba Cloud Model Studio からアクセスできます。このページのプロンプトをコピーして貼り付け、音と映像の対応を自分のシーンに合わせて調整してください。
関連モデル
Happy Horse
MiniMax H3
MiniMax H3 is a powerful multimodal video generation model that creates up to 15-second 2K videos with native stereo sound from text, image, video, and audio inputs.
Seedance 2.0
ByteDance's #1-ranked video model — multi-shot direction with native lip-sync and spatial audio.
Seedance 2.5
Seedance 2.5 is a next-gen AI video model that generates continuous, synchronized 30-second 4K clips from a single prompt.