Wan 2.7：阿里巴巴推出的支持首帧控制、可生成15秒视频的全新视频模型
Wan 2.7为阿里巴巴的开源视频模型系列带来了首/末帧控制、multi-reference视频输入以及基于指令的编辑能力。以下是它相较于Wan 2.6的所有更新内容。
太长不看：需要了解的5件事
- ✅ 首/末帧控制（FLF2V） — 设置开场和结束帧，Wan 2.7会自动补全两帧之间的动态画面
- ✅ 最多支持5个参考视频输入 — 导入多个参考片段，指导生成内容的人物、环境和动作风格
- ✅ 最长生成15秒视频片段 — 时长是早期Wan模型的3倍
- ✅ 基于指令的视频编辑 — 通过自然语言修改背景、光照或风格
- ❌ 暂无4K原生输出 — 最大分辨率为1080P；发布时暂未确认开源计划
什么是Wan 2.7？
Wan 2.7 是阿里巴巴通义实验室推出的最新视频生成模型，于2026年3月通过WaveSpeedAI API（wavespeed.ai）和阿里云DashScope平台开放使用，正式的GitHub发布仍待推进。
Wan是阿里巴巴旗下旗舰级开源视频生成模型系列。Wan 2.1基于Apache 2.0协议发布，获得了开发者群体的广泛采用。Wan 2.7是目前该系列能力最强的版本，新增了一系列早期版本不具备的专业级控制功能。
该模型基于 Diffusion Transformer + Flow Matching 架构构建，参数量估计约为270亿。它和当前一代高性能视频模型属于同一架构层级，使用潜在流匹配而非老旧的DDPM式扩散，生成速度更快、稳定性更高。
和Wan 2.6相比有哪些变化
Wan 2.7不是一个小补丁更新，以下是实际的功能差异：
| 功能 | Wan 2.6 | Wan 2.7 |
|---|---|---|
| 文生视频 | ✅ | ✅ |
| 图生视频 | ✅ | ✅ |
| 首/末帧控制（FLF2V） | ❌ | ✅ |
| 多参考视频输入 | ❌ | ✅ (最多5个) |
| 九宫格图像输入 | ❌ | ✅ |
| 基于指令的视频编辑 | ❌ | ✅ |
| 多语言唇形同步 | ❌ | ✅ |
| 最大片段时长 | ~5秒 | 15秒 |
| 最大分辨率 | 1080P | 1080P |
本次新增功能的幅度很大。首/末帧控制、multi-reference输入和指令编辑都是Wan 2.6不具备的专业工作流能力。
核心新功能详解
首/末帧控制 (FLF2V)
FLF2V允许你自定义视频的首帧和末帧，再由Wan 2.7生成两帧之间的动态内容。这对商业创作来说是非常实用的控制功能：你可以设定特定的起始构图，指定镜头的最终终点，让模型处理中间的相机和主体运动。
适用场景：
- 产品镜头，需要产品从居中位置开始，最终转到特定角度
- 角色动画，需要两端的姿势完全符合要求
- 两个固定构图之间的电影级转场
多参考视频输入
Wan 2.7最多同时支持5个参考视频输入。模型会读取参考视频的信息，保证生成片段中人物一致性、环境风格和运动模式符合要求。这比单图参考更成熟，解决了视频生成长期以来的一个痛点：人物外观在镜头中无法保持一致。
在商业使用中，这意味着你可以提供产品运动方式、人物外观或目标环境风格的示例，模型会将这些上下文应用到新的生成内容中。
九宫格图像输入
九宫格输入支持将3×3排列的图像作为单个输入。模型会读取全部9帧，从多个角度理解上下文、人物或环境信息。这对于需要保证人物一致性的场景尤其有用，单张参考图往往无法捕捉足够的细节。
基于指令的视频编辑
Wan 2.7不需要从头重新生成，支持通过自然语言指令修改已有视频。你可以描述想要修改的内容——背景颜色、光影氛围、主体服装或视觉风格——模型会在保留原始运动的前提下应用修改。
这大幅降低了商业视频制作的迭代成本，对已经确认的动态内容进行小调整是行业常见需求。
多语言唇形同步
Wan 2.7新增了多语言唇形同步支持，生成的人物说话动画可以和不同语言的音频对齐，这对本地化工作流来说是非常实用的功能。
技术规格
| 规格 | Wan 2.7 |
|---|---|
| 架构 | Diffusion Transformer + Flow Matching |
| 参数量 | ~270亿 (预估) |
| 分辨率 | 480P, 720P, 1080P |
| 时长 | 2–15 秒 |
| 宽高比 | 16:9, 9:16, 1:1 |
| 模式 | T2V, I2V, FLF2V, 指令编辑 |
| API接入 | WaveSpeedAI, 阿里云DashScope |
| 开源 | 计划Apache 2.0协议 (发布时状态待定) |
| 处理时间 | 生成一个5秒1080P片段约需30秒到2分钟 |
已知局限性
没有完美的模型，以下是Wan 2.7目前不具备的能力：
- 暂无4K原生输出。 最大分辨率为1080P。如果你需要4K用于数字标牌、电影预演或大屏幕显示，你需要使用其他模型，或在后期进行升采样。
- 发布时未确认开源计划。 Wan 2.1曾基于Apache 2.0协议完全开源。撰写本文时，Wan 2.7的开源状态尚未正式公布，请查看Alibaba Wan GitHub获取最新信息。
- 未公布官方定价。 请前往WaveSpeedAI和DashScope平台查询对应API定价，参考基准是Wan 2.6的API费率，但Wan 2.7的定价可能不同。
- 属于新模型，社区测试有限。 Wan 2.7发布时间较短，旧模型拥有的广泛社区测试仍在积累中。
如何使用Wan 2.7
方案 1：使用 NanoBanana（无需配置 API）
前往 NanoBanana 上的 Wan 2.7 视频生成器，输入 prompt，选择时长和宽高比后即可生成。无需 API 密钥或 DashScope 账号。
方案 2：WaveSpeedAI API
在 wavespeed.ai 创建账号，Wan 2.7 已开放 API 端点调用。发送 POST 请求，携带你的 prompt、模式（T2V 或 I2V）、时长（2–15 秒）、分辨率（480P、720P、1080P）和宽高比即可。
方案 3：阿里云 DashScope
如果你已经在使用阿里云服务，可以通过 DashScope API 访问 Wan 2.7。使用 DashScope 控制台生成 API 密钥，即可在请求中调用 Wan 2.7 模型。
常见问题
立即体验 Wan 2.7
→ 使用 Wan 2.7 生成视频 — 基于 text-to-video 和 image-to-video，无需配置 API。
信息披露
本文中的模型信息和功能描述均来自阿里通义实验室 2026 年 3 月 Wan 2.7 官方发布材料以及 WaveSpeedAI API 文档。本文发布时，开源发布状态和官方定价均待确认，请分别前往阿里 Wan 官方 GitHub 和 wavespeed.ai 核实相关信息。
更多文章
Wan 2.7 对比 Wan 2.6：实际发生了哪些变化
Wan 2.7 新增了Wan 2.6没有的首尾帧控制、九宫格图像输入、multi-reference 视频和指令编辑功能。下文将实用分析两者的变化，以及不同场景下该如何选择。
Veo 3.1 Lite 图生视频：一分钟内将产品照片转为视频剪辑
如何使用 Veo 3.1 Lite 的 image-to-video 模式，从静态照片生成产品演示、社交媒体内容和品牌视频——本文包含真实案例与工作流技巧
PixVerse V6：电影级摄影机控制、原生音频与15秒视频片段
PixVerse于2026年3月30日推出V6版本——带来20余项电影级摄影机控制、原生音频同步、多镜头引擎，以及最长15秒的1080p原生输出。本文将介绍本次更新内容，以及它是否适配你的工作流。