关于 Wan 2.5
Wan 2.5 是阿里巴巴的视频生成模型（通义万相），立身之本是音画同步。声音不是事后贴上去的——它与画面锁定生成：门在关上的那一帧砰响，台词落在口型上，脚步声恰好踩在脚落地的瞬间。
这种「紧」让 Wan 成为音频时机就是全部意义的内容的务实之选：口播片段、带旁白的产品演示、音乐性瞬间，以及任何「声音慢半拍就穿帮」的场景。它的画面表现同样在线，但同步才是整个模型围绕构建的轴心。
因此写好 Wan 的提示词，意味着把声音和画面写成同一份脚本，而不是两份。每个画面节拍都配好音频提示的提示词，产出的片段像刻意剪辑过的；只描述画面的提示词，等于把音轨交给运气。下方画廊收录了经过验证的 Wan 提示词及真实输出——研究那些跑通的提示词是如何把两条轨交织在一起的。
如何写好 Wan 2.5 提示词
- 1写成对的节拍：每个画面事件在同一句话里带上它的声音——「火柴擦燃，嗤的一声锐响」「她的高跟鞋嗒嗒敲过大理石门厅」。成对出现正是同步引擎咬合的位置。
- 2用「当……时」「随着……」把声音焊在画面上：「随着卷帘门落下，街道噪声骤然闷成一片嗡鸣」。时间连接词就是伪装成叙述的同步指令。
- 3台词和歌词放进引号，让音频落在「说出口」的瞬间——带引号的句子给模型一个可供对齐口型与时机的精确语料。
- 4刻意分层混音：先点名前景声，再给背后的环境底噪——「近距离收音的铅笔沙沙声，底下是图书馆的寂静」。两个点名的声层胜过一团含糊的氛围。
- 5描述每个声音的质感，而不只是有无：「隔着墙的闷响」「楼梯间的回声」「贴耳且干净」。质感词直接引导音频本身的渲染。
- 6每个片段只设一个音频焦点。一次干脆的同步瞬间——一声关门、一记鼓点、一句台词——比什么都想同步的全景声场更显紧凑。
常见问题
Wan 2.5 最擅长什么？
紧密的音画同步——声音与画面锁定生成的片段，撞击、语音、音乐都精准落帧。当音频时机就是片段的意义所在——从带旁白的演示到音乐性瞬间——它是强势之选。
怎样为 Wan 2.5 写带声音的提示词？
把声音和画面写进同一份脚本：每个画面节拍在同一句里配上音频提示，用「当」「随着」等时间词焊接两者，台词一律放引号。本页的验证提示词展示了两条轨如何交织。
Wan 2.5 是和视频一起生成音频的吗？
是——音频在同一次生成中产出，与画面同步锁定，而非事后叠加。这正是「写明该听到什么、何时听到」的提示词胜过只描述画面的原因。
在哪里可以试用这些 Wan 提示词？
Wan 可通过阿里的通义万相平台使用，开发者可经阿里云百炼（Model Studio）接入。从本页复制任意提示词粘贴过去，把音画配对改成你自己的场景即可。
相关模型
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.