Wan 2.2 Avatar

Коротко

Разработчик

Alibaba, семейство Wan 2.2; модель вышла в августе 2025 года

На входе

снимок, запись речи до 10 минут, по желанию задание текстом

На выходе

видео MP4 480p или 720p, пропорции как у фото, длина как у записи

Звук

берётся из вашей записи, свой нейросеть не придумывает

Русский язык

язык речи тот же, что в записи (у нас русский); задание по-русски понимает

Особое

кадр по пояс с жестами, которыми можно управлять в поле «Задание»

Цена

от 6 ₽/сек.

Обычно готово

≈ 3 мин после отправки

API

есть, документация

Что умеет: проба на экскурсоводе

У Alibaba Wan 2.2 Avatar числится под техническим именем Wan 2.2 S2V, от английского speech-to-video, «речь в видео»: её задача — оживить фото с голосом из вашей записи. Разработчики учили её двигать вместе с губами плечи и руки, поэтому для проб мы взяли кадр по пояс, а не крупный портрет. Экскурсовода на набережной мы придумали: картинку сделали в Nano Banana 2 Lite, а фразу «Добрый день! Билеты у всех? Тогда идём к мосту» озвучили голосом «Галина» в «Меге». Ни этой женщины, ни этого голоса в жизни нет. После обрезки тишины по краям запись сократилась с 4,5 до 3,9 секунды.

Задание решает, где будет жест

Сначала мы отправили фото и запись в 480p с пустым полем Задание, а потом с такой просьбой: на вопросе приподнять брови, на словах «идём к мосту» показать правой рукой на мост за спиной.

Без задания нейросеть сама нашла место для жеста: на «Билеты у всех?» героиня разводит обе руки, как будто спрашивает группу. С заданием руки до конца фразы опущены, а на «мосту» поднимается одна рука. Только не правая, а левая, и машет она скорее в сторону реки, чем на мост. Время жеста задание сдвинуло точно, а сторону и направление Wan 2.2 выбрала по-своему. Губы в обоих роликах идут за словами, в паузах рот закрыт. Один лишний штрих: в ролике без задания на руке появилось кольцо, хотя на снимке пальцы без украшений.

480p и 720p: та же сцена, разная резкость

То же задание мы отправили в 720p. Ролик пришёл размером 704×1280 точек против 464×832 в 480p, оба вертикальные, как исходное фото. Сравните его с правым роликом выше.

Разница видна в мелочах. В 720p видны вязка шарфа, кнопки на куртке и отдельные зубы, в 480p всё это мягче. Жест в 720p тот же, левой рукой в конце, а брови поднялись не на вопросе, как мы просили, а на слове «идём». Ждали 720p дольше: около трёх минут против минуты с небольшим у 480p.

Просьба про камеру: вышло иначе

Разработчики пишут, что модель годится для «кинематографичных» сцен с движением камеры. Мы попросили в 480p медленный наезд от кадра по пояс до крупного плана лица.

Женщина-экскурсовод говорит бодро и приветливо, смотрит в камеру, руки опущены. Камера медленно и плавно приближается к её лицу: в начале кадр по пояс, в конце крупный план лица и плеч. Фон и мост остаются на месте.

Камера не сдвинулась. Шаг вперёд сделала сама героиня: мост за спиной не вырос, выросла она. К концу ролика кадр стал примерно по грудь, до крупного плана не дошло. Если нужен крупный план, проще сразу обрезать фото по плечи.

Нарисованный герой

Живой человек на снимке не нужен. В готовом примере, который лежит на странице этой нейросети, говорит мультяшная помощница с синтетическим голосом, ролик в 720p длиной 13 секунд.

Персонаж разговаривает, естественная мимика и движения головы, умеренная жестикуляция.

Задание здесь общее, и нейросеть сама расставила акценты: пару раз разводит руками, один раз прикрывает глаза, а прозрачный экран перед героиней стоит на месте все 13 секунд.

Как это работает

Нужны два файла: снимок в поле Фото и запись речи в поле Аудио. Форма принимает снимки JPG, PNG, WebP и HEIC с iPhone, а запись — в MP3, WAV, M4A и других ходовых форматах. Голос можно записать на телефон или сделать в разделе «Озвучка текста». Текст речи нейросеть не сочиняет и не переводит: человек на фото произносит ровно то, что звучит в файле.

Задание необязательно. Ролик выйдет той же длины, что запись, и с пропорциями фото.

Платите по секундам звука с округлением вверх, а сумму форма покажет на кнопке Отправить сразу после загрузки записи. Готовый ролик появится в ленте под формой и семь дней будет лежать в разделе Мои результаты, откуда его можно скачать или перенести в библиотеку. Кнопка Изменить подставит файлы и настройки обратно в форму. Повторить отправит то же задание ещё раз.

Настройки: что ставить

• В поле Фото нужен один человек или персонаж: лицо видно целиком, рот ничем не закрыт, файл до 10 МБ. Для жестов берите кадр по пояс с руками, как у нашего экскурсовода, а для крупного плана обрежьте снимок заранее.
• В Аудио подойдёт запись длиной от секунды до десяти минут и весом до 100 МБ, лучше без фоновой музыки и гулкого эха. Тишину по краям обрежьте: мы так заплатили за 4 секунды вместо 5.
• Поле Задание вмещает до 2000 знаков и может остаться пустым, тогда жесты нейросеть расставит сама. Заполняйте его, когда важно, на каких словах что происходит.
• В Качестве по умолчанию стоит 480p. Чтобы проверить жест и мимику, его хватает. Финальный ролик переключите на 720p: он резче, но дороже и готовится дольше.

Задание: как просить жесты

Удобный порядок такой: кто и с каким настроением говорит, что делает на конкретных словах, что должно остаться неподвижным. Привязка жеста к словам у нас сработала: рука поднялась на «мосту», как и просили. С бровями вышло хуже, в 720p они поднялись не на вопросе, а на следующей фразе. Какой рукой и куда показать, модель решает сама.

Писать можно по-русски, все наши задания были на русском. Частые ошибки: просить смену плана камеры (вместо этого может сдвинуться сам герой) и вписывать в задание слова речи: их нейросеть всё равно берёт только из записи. Ещё шаблоны есть на странице готовых промптов этой нейросети.

Цена ролика по секундам

Счёт идёт по секундам звука, начатая секунда считается целой, а цена одной секунды меняется только вместе с качеством: 720p дороже 480p.

Начинать стоит с отрывка на 5–10 секунд в 480p: по нему видно, как модель поняла фото и задание. Длинную запись отправляйте в 720p, когда короткий кусок понравился. Если запуск закончится ошибкой, списанное вернётся на баланс.

Для чего подойдёт

• Приветствие гида, ведущего или продавца в кадре по пояс, с жестом на нужной фразе, как у экскурсовода выше.
• Лекция или обращение на несколько минут, когда сниматься некогда: хватит портрета и голоса, записанного на диктофон.
• Говорящий талисман бренда или мультяшный помощник для сайта, как в готовом примере.
• Ролик для презентации или урока, где ведущий помогает себе руками.
• Поздравление от героя с открытки или нарисованного персонажа голосом из озвучки.

Где модель ошибается и чего не умеет

• Говорит один человек. Если на фото двое и нужен диалог, берите LongCat Avatar 1.5 Multi или InfiniteTalk Multi с отдельной записью для каждого.
• Сторону и направление жеста задание не гарантирует: просили правую руку на мост, получили левую в сторону реки. Если жест важен, сделайте две-три пробы в 480p.
• Просьба о наезде камеры у нас превратилась в шаг героини вперёд. Нужный план лучше задать кадрированием фото.
• Мелкие детали могут появиться сами: у нас на пальце возникло кольцо. Перед публикацией пересмотрите ролик.
• Пение разработчик заявляет, но мы его не проверяли. Поющий портрет на песне из Suno показан в разделе «Говорящее фото».
• Оживлять чужое лицо и брать чужой голос можно только с разрешения их владельца: этого требуют пользовательское соглашение и правила сайта.

Wan 2.1 MultiTalk и другие соседи

У Wan есть и прошлое поколение говорящего фото, Wan 2.1 MultiTalk: те же фото, запись и задание, но без выбора качества. Остальные соседи по разделу — в таблице.

Как эта модель выглядит рядом с пятью соседями на одном портрете мастера, показано в разделе «Говорящее фото», а остальные модели Wan собраны на странице тега Wan.

Частые вопросы