阿里云百炼提供丰富的视频生成模型，覆盖通用创作（文生视频、图生视频、参考生视频、视频编辑）与垂直场景（数字人对口型、图生动作、视频换人、表情包制作等）多样化需求。
模型总览
|
部署模式 查看各模式区别 |
中国内地 模型推理计算资源仅限中国内地 |
全球 模型推理计算资源全球调度 |
国际 模型推理计算资源全球调度（不含中国内地） |
美国 模型推理计算资源仅限美国境内 |
|
接入地域 |
北京 |
弗吉尼亚 |
新加坡 |
弗吉尼亚 |
|
支持的模型 |
模型选型
-
通用视频生成
-
需要将文字转化为视频时，使用万相-文生视频。
-
有一张图，想生成电影感镜头，使用万相-图生视频-基于首帧。
-
有开头和结尾两张图，要控制画面变化过程，使用万相-图生视频-基于首尾帧。
-
有多个视频，想复刻角色的形象和声音表演新剧本，使用万相-参考生视频。
-
-
数字人对口型：让静态照片说话、唱歌或播报。背景保持不变，仅主体面部、头部和肢体运动。
-
当需要长视频（>20秒）且头部动作简单（如新闻播报）时，考虑使用灵动人像LivePortrait。
-
视频动作迁移：保留照片背景，让照片的人参考指定视频动起来，使用万相-图生动作。
-
视频换人：保留视频背景，把视频的人换成指定图像的人，使用万相-视频换人。
-
跳舞换人：把跳舞视频的人换成图像的人。推荐选择万相-图生动作和万相-图生动作（效果佳）；若预算有限，可选舞动人像AnimateAnyone（性价比高）。
-
视频口型替换：给已有视频改配音口型，使用声动人像VideoRetalk。
-
表情包制作：制作固定风格模板的表情包，使用表情包Emoji。
-
视频编辑：以下需求均选择万相-通用视频编辑。
-
视频局部编辑：替换视频中的主体或衣服、删除路人等。
-
视频延展：把视频延长，如1秒视频延长为5秒。
-
视频画面扩展：横屏变竖屏、补全边界。
-
多图参考生成：融合背景图像和主体图像生成视频。
-
支持的模型
万相-文生视频
根据文本提示词生成视频。支持输入文本+音频，输出电影级多镜头视频。
API参考｜模型价格｜Prompt指南｜在线体验：北京、新加坡、弗吉尼亚
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-t2v | 有声视频 多镜头叙事、声画同步 | 文本、音频 | 分辨率档位：720P、1080P 视频时长：[2s, 15s]（整数） 固定规格：30fps、MP4 (H.264编码) |
wan2.5-t2v-preview | 有声视频 声画同步 | 文本、音频 | 分辨率档位：480P、720P、1080P 视频时长：5s、10s 固定规格：30fps、MP4 (H.264编码) |
wan2.2-t2v-plus | 无声视频 较2.1模型稳定性与成功率全面提升 | 文本 | 分辨率档位：480P、1080P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wanx2.1-t2v-turbo | 无声视频 | 文本 | 分辨率档位：480P、720P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wanx2.1-t2v-plus | 无声视频 | 文本 | 分辨率档位：720P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
全球
在全球部署模式下，接入点与数据存储均位于美国（弗吉尼亚）地域，模型推理计算资源在全球范围内动态调度。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-t2v | 有声视频 多镜头叙事、声画同步 | 文本、音频 | 分辨率档位：720P、1080P 视频时长：5s、10s 、15s 固定规格：30fps、MP4 (H.264编码) |
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-t2v | 有声视频 多镜头叙事、声画同步 | 文本、音频 | 分辨率档位：720P、1080P 视频时长：[2s, 15s]（整数） 固定规格：30fps、MP4 (H.264编码) |
wan2.5-t2v-preview | 有声视频 声画同步 | 文本、音频 | 分辨率档位：480P、720P、1080P 视频时长：5s、10s 固定规格：30fps、MP4 (H.264编码) |
wan2.2-t2v-plus | 无声视频 较2.1模型稳定性与成功率全面提升 | 文本 | 分辨率档位：480P、1080P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wan2.1-t2v-turbo | 无声视频 | 文本 | 分辨率档位：480P、720P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wan2.1-t2v-plus | 无声视频 | 文本 | 分辨率档位：720P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
美国
在美国部署模式下，接入点与数据存储均位于美国（弗吉尼亚）地域，模型推理计算资源仅限于美国境内。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-t2v-us | 有声视频 多镜头叙事、声画同步 | 文本、音频 | 分辨率档位：720P、1080P 视频时长：5s、10s 、15s 固定规格：30fps、MP4 (H.264编码) |
输入提示词 | 输出视频（wan2.6，多镜头视频） |
一幅史诗级可爱的场景。一只小巧可爱的卡通小猫将军，身穿细节精致的金色盔甲，头戴一个稍大的头盔，勇敢地站在悬崖上。他骑着一匹虽小但英勇的战马，说：“青海长云暗雪山，孤城遥望玉门关。黄沙百战穿金甲，不破楼兰终不还”。悬崖下方，一支由老鼠组成的、数量庞大、无穷无尽的军队正带着临时制作的武器向前冲锋。这是一个戏剧性的、大规模的战斗场景，灵感来自中国古代的战争史诗。远处的雪山上空，天空乌云密布。整体氛围是“可爱”与“霸气”的搞笑和史诗般的融合。 |
万相-图生视频-基于首帧
根据给定的首帧图像生成视频。支持输入文本+首帧图像+音频，输出电影级多镜头视频。
API参考｜模型价格｜Prompt指南｜在线体验：北京、新加坡、弗吉尼亚
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-i2v-flash | 有声视频、无声视频 多镜头叙事、声画同步 | 文本、图像、音频 | 分辨率档位：720P、1080P 视频时长：[2s, 15s]（整数） 固定规格：30fps、MP4 (H.264编码) |
wan2.6-i2v | 有声视频 多镜头叙事、声画同步 | 文本、图像、音频 | 分辨率档位：720P、1080P 视频时长：[2s, 15s]（整数） 固定规格：30fps、MP4 (H.264编码) |
wan2.5-i2v-preview | 有声视频 声画同步 | 文本、图像、音频 | 分辨率档位：480P、720P、1080P 视频时长：5s、10s 固定规格：30fps、MP4 (H.264编码) |
wan2.2-i2v-flash | 无声视频 较2.1模型速度提升50% | 文本、图像 | 分辨率档位：480P、720P、1080P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wan2.2-i2v-plus | 无声视频 较2.1模型稳定性与成功率全面提升 | 文本、图像 | 分辨率档位：480P、1080P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wanx2.1-i2v-plus | 无声视频 | 文本、图像 | 分辨率档位：720P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wanx2.1-i2v-turbo | 无声视频 | 文本、图像 | 分辨率档位：480P、720P 视频时长：3s、4s、5s 固定规格：30fps、MP4 (H.264编码) |
全球
在全球部署模式下，接入点与数据存储均位于美国（弗吉尼亚）地域，模型推理计算资源在全球范围内动态调度。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-i2v | 有声视频 多镜头叙事、声画同步 | 文本、图像、音频 | 分辨率档位：720P、1080P 视频时长：5s、10s 、15s 固定规格：30fps、MP4 (H.264编码) |
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-i2v-flash | 有声视频、无声视频 多镜头叙事、声画同步 | 文本、图像、音频 | 分辨率档位：720P、1080P 视频时长：[2s, 15s]（整数） 固定规格：30fps、MP4 (H.264编码) |
wan2.6-i2v | 有声视频 多镜头叙事、声画同步 | 文本、图像、音频 | 分辨率档位：720P、1080P 视频时长：[2s, 15s]（整数） 固定规格：30fps、MP4 (H.264编码) |
wan2.5-i2v-preview | 有声视频 声画同步 | 文本、图像、音频 | 分辨率档位：480P、720P、1080P 视频时长：5s、10s 固定规格：30fps、MP4 (H.264编码) |
wan2.2-i2v-flash | 无声视频 较2.1模型速度提升50% | 文本、图像 | 分辨率档位：480P、720P、1080P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wan2.2-i2v-plus | 无声视频 较2.1模型稳定性与成功率全面提升 | 文本、图像 | 分辨率档位：480P、1080P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wan2.1-i2v-plus | 无声视频 | 文本、图像 | 分辨率档位：720P 视频时长：5s 固定规格：30fps、MP4 (H.264编码) |
wan2.1-i2v-turbo | 无声视频 | 文本、图像 | 分辨率档位：480P、720P 视频时长：3s、4s、5s 固定规格：30fps、MP4 (H.264编码) |
美国
在美国部署模式下，接入点与数据存储均位于美国（弗吉尼亚）地域，模型推理计算资源仅限于美国境内。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-i2v-us | 有声视频 多镜头叙事、声画同步 | 文本、图像、音频 | 分辨率档位：720P、1080P 视频时长：5s、10s 、15s 固定规格：30fps、MP4 (H.264编码) |
输入提示词 | 输入首帧图像和音频 | 输出视频（wan2.6，多镜头视频） |
一幅都市奇幻艺术的场景。一个充满动感的涂鸦艺术角色。一个由喷漆所画成的少年，正从一面混凝土墙上活过来。他一边用极快的语速演唱一首英文rap，一边摆着一个经典的、充满活力的说唱歌手姿势。场景设定在夜晚一个充满都市感的铁路桥下。灯光来自一盏孤零零的街灯，营造出电影般的氛围，充满高能量和惊人的细节。视频的音频部分完全由他的rap构成，没有其他对话或杂音。 |
输入音频： |
万相-图生视频-基于首尾帧
根据给定的首帧图像和尾帧图像，生成过渡自然的视频。支持输入文本+首帧图像+尾帧图像+音频，输出电影级多镜头视频。
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.2-kf2v-flash | 无声视频 较2.1模型稳定性与成功率全面提升 | 文本、图像 | 分辨率档位：480P、720P、1080P 视频时长：5s 固定规格：30fps、MP4（H.264编码） |
wanx2.1-kf2v-plus | 无声视频 | 文本、图像 | 分辨率档位：720P 视频时长：5s 固定规格：30fps、MP4（H.264编码） |
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.1-kf2v-plus | 无声视频 | 文本、图像 | 分辨率档位：720P 视频时长：5s 固定规格：30fps、MP4（H.264编码） |
输入首帧图像 | 输入尾帧图像 | 输入提示词 | 输出视频 |
|
| 写实风格，一只黑色小猫好奇地看向天空，镜头从平视逐渐上升，最后俯拍小猫好奇的眼神。 |
万相-参考生视频
复刻视频中的角色的形象和声音表演新剧本。输入视频+文本提示词，输出视频在保持角色一致性的同时，生成多镜头、声画同步的视频。
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-r2v-flash | 有声视频、无声视频 参考多角色生视频 多镜头叙事、声画同步 | 文本、图像、视频 | 分辨率档位：720P、1080P 视频时长：[2s, 10s]（整数） 固定规格：30fps、MP4（H.264编码） |
wan2.6-r2v | 有声视频 参考多角色生视频 多镜头叙事、声画同步 | 文本、图像、视频 | 分辨率档位：720P、1080P 视频时长：[2s, 10s]（整数） 固定规格：30fps、MP4（H.264编码） |
全球
在全球部署模式下，接入点与数据存储均位于美国（弗吉尼亚）地域，模型推理计算资源在全球范围内动态调度。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-r2v | 有声视频 参考多角色生视频 多镜头叙事、声画同步 | 文本、视频 | 分辨率档位：720P、1080P 视频时长：5s、10s 固定规格：30fps、MP4（H.264编码） |
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.6-r2v-flash | 有声视频、无声视频 参考多角色生视频 多镜头叙事、声画同步 | 文本、图像、视频 | 分辨率档位：720P、1080P 视频时长：[2s, 10s]（整数） 固定规格：30fps、MP4（H.264编码） |
wan2.6-r2v | 有声视频 参考多角色生视频 多镜头叙事、声画同步 | 文本、图像、视频 | 分辨率档位：720P、1080P 视频时长：[2s, 10s]（整数） 固定规格：30fps、MP4（H.264编码） |
输入参考视频1（角色为小女孩） | 输入参考视频2（角色为闹钟） | 输入提示词 | 输出视频（多角色对话） |
character1对character2说: “I’ll rely on you tomorrow morning!” character2 回答: “You can count on me!” |
万相-通用视频编辑
视频编辑通用模型。支持输入文本、图像、视频多模态数据，可执行多种视频生成与编辑任务。
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wanx2.1-vace-plus | 无声视频 多图参考、视频重绘、局部编辑、视频延展、视频画面扩展 | 文本、图像、视频 | 分辨率档位：720P 视频时长：不超过5s 固定规格：30fps、MP4（H.264编码） |
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.1-vace-plus | 无声视频 多图参考、视频重绘、局部编辑、视频延展、视频画面扩展 | 文本、图像、视频 | 分辨率档位：720P 视频时长：不超过5s 固定规格：30fps、MP4（H.264编码） |
功能一：多图参考
输入参考图1（参考主体）
输入参考图2（参考背景）
输入提示词
输出视频
视频中，一位女孩自晨雾缭绕的古老森林深处款款走出，她步伐轻盈，镜头捕捉她每一个灵动瞬间。当她站定，环顾四周葱郁林木时，她脸上绽放出惊喜与喜悦交织的笑容。这一幕，定格在了光影交错的瞬间，记录下她与大自然的美妙邂逅。
功能二：视频重绘
输入视频
输入提示词
输出视频
视频展示了一辆黑色的蒸汽朋克风格汽车，绅士驾驶着，车辆装饰着齿轮和铜管。背景是蒸汽驱动的糖果工厂和复古元素，画面复古与趣味
功能三：视频局部编辑
输入视频
输入掩码图像（白色区域表示编辑区域）
输入提示词
输出视频
视频展示了一家巴黎风情的法式咖啡馆，一只穿着西装的狮子优雅地品着咖啡。它一手端着咖啡杯，轻轻啜饮，神情惬意。咖啡馆装饰雅致，柔和的色调与温暖灯光映照着狮子所在的区域。
功能四：视频延展
输入首片段视频（1秒）
输入提示词
输出视频（延长后的视频为5秒）
一只戴着墨镜的狗在街道上滑滑板，3D卡通。
功能五：视频画面扩展
输入视频
输入提示词
输出视频
一位优雅的女士正在激情演奏小提琴，她身后是一支完整的交响乐团。
万相-数字人
仅支持中国内地部署模式。接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
图生唱演和播报视频：让图像中人或卡通形象说话、唱歌、播报或表演。输入图像 + 音频，输出视频自动为人物或卡通形象匹配口型、面部表情、头部及身体动作。
模型名称 | 能力支持 | 输入模态 | 输出说明 |
wan2.2-s2v-detect | 图像检测 | 图像 | 输出检测状态：通过或未通过 |
wan2.2-s2v | 视频生成 有声视频 | 图像、音频 | 分辨率档位：480P、720P 视频时长：不超过20s（跟随音频时长） 固定规格：
|
输入示例（人物图像+音频） | 输出视频（对口型） |
输入音频： |
万相-图生动作
让图像的人参考视频动起来。输入图像 + 视频，输出的视频保持图像背景不变，参考视频做动作。
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.2-animate-move | 有声视频、无声视频（跟随输入视频而定）
| 图像、视频 | 分辨率档位：720P 视频时长：2s＜时长＜30s 固定规格：
|
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.2-animate-move | 有声视频、无声视频（跟随输入视频而定）
| 图像、视频 | 分辨率档位：720P 视频时长：2s＜时长＜30s 固定规格：
|
输入人物图像 | 输入参考视频 | 输出视频（标准模式 | 输出视频（专业模式 |
|
万相-视频换人
把视频中的人换成图像中的人。输入视频 + 替换图像，输出视频保留原视频背景，实现视频换脸、视频换角色等功能。
中国内地
在中国内地部署模式下，接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.2-animate-mix | 有声视频、无声视频（跟随输入视频而定）
| 图像、视频 | 分辨率档位：720P 视频时长：2s＜时长＜30s 固定规格：
|
国际
在国际部署模式下，接入点与数据存储均位于新加坡地域，模型推理计算资源在全球范围内动态调度（不含中国内地）。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
wan2.2-animate-mix | 有声视频、无声视频（跟随输入视频而定）
| 图像、视频 | 分辨率档位：720P 视频时长：2s＜时长＜30s 固定规格：
|
输入视频 | 输入待替换的人物图像 | 输出视频（标准模式 | 输出视频（专业模式 |
|
舞动人像AnimateAnyone
专为跳舞设计，把视频中跳舞的人换成图像中的人。输入图像+视频，输出视频支持两种方式：1.保留图像背景不变；2.保留视频背景不变。
图像检测API参考 | 动作模板生成API参考 | 视频生成API参考 ｜模型价格
模型名称 | 能力支持 | 输入模态 | 输出说明 |
animate-anyone-detect-gen2 | 图像检测 | 图像 | 输出检测状态：通过或未通过 |
animate-anyone-template-gen2 | 舞蹈视频模板生成 从跳舞视频中提取动作模板 | 视频 | 输出舞蹈动作模板ID |
animate-anyone-gen2 | 视频生成 无声视频 | 图像、视频、舞蹈动作模板ID | 视频分辨率档位：720P 视频时长：2s≤时长≤60s 固定规格：15fps、MP4（H.264编码） |
输入人物图像 | 输入跳舞视频 | 输出视频（按图片背景生成） | 输出视频（按视频背景生成） |
|
悦动人像EMO
图生唱演视频：让图像中人唱歌或表演。输入图像 + 音频，输出视频自动为人物匹配口型、面部表情以及头部动作。
模型名称 | 能力支持 | 输入模态 | 输出说明 |
emo-detect-v1 | 图像检测 | 图像 | 输出检测状态：通过或未通过 |
emo-v1 | 视频生成 有声视频 | 图像、音频 | 视频分辨率：
视频时长：不超过60s 固定规格：15fps、MP4（H.264编码） |
输入示例（人物肖像图片+音频） | 输出视频（唱歌对口型） |
输入音频： |
灵动人像LivePortrait
图生播报视频：让图像中人播报新闻、讲故事。输入图像 + 音频，输出视频自动为人物匹配口型、面部表情以及头部动作（轻微摆动）。
模型名称 | 能力支持 | 输入模态 | 输出说明 |
liveportrait-detect | 图像检测 | 图像 | 输出检测状态：通过或未通过 |
liveportrait | 视频生成 有声视频 | 图像、音频 | 视频分辨率：跟随输入图片，上限接近4K（4096x4096） 视频时长：1s＜时长＜180s 视频帧率：15fps≤帧率≤30fps 视频格式：MP4（H.264编码） |
输入示例（人物肖像图片+音频） | 输出视频（语音播报对口型） |
输入音频： |
表情包Emoji
仅支持中国内地部署模式。接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
根据固定表情包模板制作表情包。输入图像+指定表情包ID，输出表情包视频。
模型名称 | 能力支持 | 输入模态 | 输出说明 |
emoji-detect-v1 | 图像检测 | 图像 | 输出检测状态：通过或未通过 |
emoji-v1 | 视频生成 无声视频 | 图像、表情包模板ID | 视频分辨率：固定为512x512 视频时长：不超过5s（跟随模板时长） 固定规格：15fps、MP4（H.264编码） |
输入人物肖像图片 | 输出视频（“嫌弃”表情包） |
|
声动人像VideoRetalk
仅支持中国内地部署模式。接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
视频口型替换：给视频替换配音口型。输入视频+音频，输出人物口型与音频同步的视频。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
videoretalk | 有声视频 | 视频、音频 | 视频分辨率：跟随输入视频，上限接近2K（2048x2048） 视频时长：2s＜时长＜120s 固定规格：30fps、MP4（H.264编码） |
输入示例（人物播报视频+音频） | 输出视频（口型替换） |
输入音频： |
视频风格重绘
仅支持中国内地部署模式。接入点与数据存储均位于北京地域，模型推理计算资源仅限于中国内地。
根据固定风格模板进行视频重绘。输入视频+指定重绘风格ID，输出重绘后的视频。
模型名称 | 能力支持 | 输入模态 | 输出视频规格 |
video-style-transform | 有声视频、无声视频 跟随输入视频而定 | 视频、重绘风格ID | 视频分辨率：跟随输入视频，上限接近4K（4096x4096） 视频时长：不超过30s 视频帧率：15fps≤帧率≤25fps 视频格式：MP4（H.264编码） |
输入视频 | 输出视频（重绘风格选择“日式漫画”） |