作者｜ Cynthia
编辑｜ 郑玄
全民玩梗的狂欢，再一次在 AI 视频领域上演 。
最大的时代红利 ，属于今年四季度发布的中美两大明星产品 ，OpenAI 的 Sora 2 与阿里的 Wan2.5-Preview 。
其中，Sora 2 的登场堪称一场教科书级的营销战役。熟悉的邀请码机制再次奏效，用户为了获得一个入场券除了需要购买 GPT 的会员之外 ，甚至还在二手平台再花几十美金购买邀请码。更绝的是 ，它把自己变成了一个 AI 版抖音，用户只需上传一张照片 ，就能生成自己和奥特曼对话的魔性视频 。这种把用户变成主角的设计 ，让 Sora App 首周下载量直冲 62.7 万次，甚至超过了当年的 ChatGPT 。
大洋彼岸 ，Wan2.5-Preview 则以另一种方式在各大社交媒体刷屏。一夜之间 ，抖音、小红书上的 AI 小猫开始集体说着「我爱妈妈」然后炒着三菜一汤等主人下班，画面中的光线 、格局 、小猫表情细腻到令人发指之外 ，甚至炒菜的锅气与油烟这样的细节也完全到位 。
可以说 ，正是这两大模型的出现，让 AI 视频一夜之间从技术圈极客专属推向全民热潮 。
那么 ，这一次 AI 视频 2025 年破圈的关键是什么？Wan2.5-Preview 在内的一众最新模型做对了什么？与此同时 ，这次的 AI 视频浪潮又会火多久？
一定程度上，这一波 AI 视频模型热潮，正是大模型落地从技术突破到改变世界交出的标准答案范本。
01
AI 视频为什么又火了
Wan2.5-Preview 与 Sora 2 的爆发绝非偶然 ，而是技术积累到一定程度的必然结果 。
而要理解这次 AI 视频的爆发 ，就得先看懂历史上的三起两落 。
行业的第一次爆发发生在 2022-2023 年期间，那时候借助 U - Net、DDPM 等经典生成架构 ，DALL - E 2（OpenAI）、Midjourney 、Stable Diffusion（Stability AI） 、ControlNet、Gen - 2（Runway） 、万相 1.0 等模型通过以文生图让人们第一次看到了 AI 创作的潜力。
但很快 ，这些模型就因为六指怪 、表情呆板等问题被喷上热搜 。模型随之在 2024 年前后，进入 Scaling 阶段 ，通过采用 DiT、Flow Matching 等新技术 ，结合视觉语言模型（VLM）的图像描述能力，生成更逼真的图片 ，图生视频成为可能 ，这一阶段，Sora（OpenAI） 、可灵 1.0/1.6 、海螺 01、Flux 1.1 、万相 2.0/2.1 陆续走上台前 。但这一阶段 ，AI 生成的视频 ，依然存在时间短 、音画不同步、无法执行复杂动作的弊病。
直到 2025 年，随着 LLM（大语言模型）与 Diffusion（扩散模型）的深度融合，AI 视频迎来了质的飞跃 。通过引入视觉 CoT（思维链） ，模型从单纯的视觉渲染转向任务导向的智能决策 ，不仅能支持多模态交互，还能解决复杂的视觉 + 语言任务 。Gemini 2.0 Flash（谷歌） 、GPT - 4o 生图（OpenAI） 、可灵 2.0、Veo 3、Seedance 1.0 、豆包 、万相 2.2、Nano Banana（谷歌）相继爆火。
四年间 ，模型千变万化 ，但每次 AI 视觉产品的爆火的背后，都离不开两大方面的进步：
门槛降低以及效果提升。
早期以 SD 为代表的工具 ，是典型的极客专属——CFG scale 数值要反复调试 ，数十个节点的连接逻辑能劝退 90% 的用户；生成内容更是阴间赛博风，除了 P 站上粗制滥造的成人内容 ，几乎没人愿意盯着画面里突然冒出两张脸 、音画完全不同步的视频超过一分钟 。
反观当下的热门模型 ，无论是计划做 AI 时代抖音的 Sora 2，还是社交媒体刷屏的 Wan2.5-Preview ，都踩中了同一个关键点： 高质量的同时 ，把门槛降到人人可用 。
首先是针对过去 AI 模型的赛博审丑，Wan2.5-Preview 通过人类反馈的强化学习（RLHF）把用户对画面质感 、动态效果、指令匹配度的反馈用于优化模型，彻底摆脱丑且诡异的标签。
而要达成以上效果 ，用户不需要懂任何技术 ，只要能把自己脑海中的画面，用一段简单的提示词说出来 ，就能生成栩栩如生的视频 。
比如 ，这是一个使用 Wan2.5-Preview 生成的高赞视频 。
提示词：黄昏，逆光 ，侧光 ，柔光，高对比度 ，中景 ，中心构图，干净的单人镜头 ，暖色调。年轻白人男子站在树林中 ，阳光透过树叶在他发丝上形成金色光晕 。他穿着浅色衬衫，微风吹动他的头发和衣领，光线随着他的动作在脸上流动 。背景虚化 ，远处是斑驳的光影和柔和的树影 ，镜头聚焦于他微微抬起的目光，眼神清澈且带有情绪。
视频链接：
https://tongyi.aliyun.com/wan/work-detail/4ce663a31fbc4c5f859a8d8d6fbf23eb?resourceId=4ce663a31fbc4c5f859a8d8d6fbf23eb
可以看到 ，画面中不仅人物神态动作自然 ，空气中的尘埃，树林中的光线也都十分还原 ，去掉右下角的 logo ，几乎无法分辨是否实拍 。
在此基础上我们再加点难度，画面更复杂一点 ，主体变成有精细毛发细节的布偶猫 ，然后加入动作 、神态以及抑扬顿挫的语调：
提示词：电影感仰拍镜头，让主体显得很有权势 。在一间奢华的客厅里 ，一只雍容华贵的布 偶猫坐在一张王座般的猫爬架上。它用居高临下 、充满审判意味的蓝色眼睛俯视着镜头 。它缓缓抬起一只毛茸茸的爪子 ，以一种极度鄙视的表情指向观众，质问说：「嗯？那我再问你，我生成视频的音频不自然吗？回答我！Look in my eyes！Tell me, why？Why baby why？」 。戏剧性的华丽光影 ，浅景深 ，超精细的毛发细节，照片级真实感。
可以看到多个升级版要求多管齐下 ，但整体画面的质量依然没有下降，甚至就连环境中的光线角度 ，光源反射细节都完美还原。
当然 ，这种低门槛与高质量，只是 Wan2.5-Preview 火起来的基础 ，在用户体验细节上 ，Wan2.5-Preview 还做了更多的探索与尝试 。
02
如何定义体验 ready 的视频模型
AI 模型的技术参数再漂亮，最终要落地到用户体验上 。
过去很多 AI 工具的通病是碎片化——文生图一个模型、文生视频一个工具 、图生视频又要换平台 ，用户为了实现一个创意 ，得在多个工具间反复切换，生成 、调整、合成的繁琐步骤，早已磨掉了创作热情。
更不用说 ，过去做一条电商营销视频 ，用户要先找模型生成画面，再用另一个工具做音频 ，最后用第三方软件合成 ，耗时不说，还容易出现音画错位 。最后为了节约拍摄成本 ，不得不再招聘一个成本更高的算法工程师搭建业务的 workflow 。
seaart.ai 的案例很有代表性。这家 2023 年 4 月成立的公司 ，专注图像和视频生成，全球活跃用户超 2500 万 ，稳居 AIGC web 产品 TOP 50 。他们采访过一位澳大利亚理发师 ，对方从小的梦想是当画家，却为生活拿起了剪刀 。现在他每天最开心的时刻 ，就是下班用 seaart.ai（海艺）创作——过去用画笔无法表达的想法 ，现在用文字就能生成画面，「海艺成了安放灵魂和梦想的地方」。
之所以选择海艺，正是因为海艺集成像 Wan2.5-Preview 这样的模型 ，解决了过去 AI 视觉生成用户体验割裂的痛点 。
在 Wan2.5-Preview ，生成 10 秒视频时，系统会自动匹配人声 、环境音效和背景音乐 ，甚至能让小猫的口型和「我爱妈妈」的台词对应上 ，全程无需人工干预 。
在这背后，则是 Wan2.5-Preview 的统一框架设计：Wan2.5-Preview 没有像 SD 那样堆砌独立模型 ，而是把文本 、图像、视频、音频的理解与生成装进了同一个框架里。底层用文本分词器 、图像 / 视频编码器 、音频编码器分别拆解不同类型的信息；核心用多模态 Transformer 做大脑 ，实现跨模态信息的深度融合；输出层直接支持文本、图像 、视频 、音频的生成，借助多模态对齐能力 ，用户不再需要在多个工具间切换 。
最重要的是 ，用过 AI 的人都知道，一次性生成满意的内容几乎不可能 。但是对图像和视频二次编辑又往往非常困难。Wan2.5-Preview 在这方面做了针对性优化：
视频上 ，Wan2.5-Preview 增强了复杂指令精准执行能力：能理解运镜语言（如推、拉 、摇 、移）及连续变化指令 ，无需多次调整；细节优化：强化图生视频的元素 ID 一致性（即生成过程中保持人物、物体等核心元素不丢失），同时支持通用音频驱动视频生成。
在生图上，AI 的生图质量今年行业基本解决 ，但是对于图片中加文字尤其是中文这样的需求 ，就很容易变成鬼画符，更不用提生成图表 。Wan2.5-Preview 则不仅支持稳定生成中文 、英文等文字 ，甚至能直接生成图表；还能通过文字指令一键换装 、改风格 ，编辑时核心元素不会变形 。
正是这些体验细节的打磨，让海艺平台上的用户用 Wan2.5-Preview 生成的视频数突破 500 万条 ，创意的表达就像说话一样自然。
03
技术到商业 ，如何加速
技术 ready、体验 ready 的 AI 产品不少，但很多都停留在叫好不叫座的阶段 。
Wan2.5-Preview 的聪明之处在于 ，它在做好产品的同时 ，也打造了一整套完善的商业化体系 。
这套完整商业化体系的最底层，是阿里云的算力支持 ，与模型软硬一体形成生态护城河。中间层则是阿里云百炼这样的模型开发服务平台 ，让用户一键部署大模型不再是天方夜谭；最顶层的模型侧，也给足了用户选择 。
以 Wan2.5-Preview 给为例，不同用户的需求天差地别：有人只是想尝鲜做个 5 秒短镜头 ，有人要做 10 秒的抖音爆款；有人追求 1080P 电影级画质 ，有人觉得 720P 够用就行 。
Wan2.5-Preview 选择，5 秒 、10 秒 ，画质上 ，提供 480P 、720P、1080P 三种选择，用户可以根据预算和用途自由切换。
在此基础上 ，Wan2.5-Preview 没有掩饰自己对商业化以及算清成本账的野心 。在最近的飞天发布时刻上 Wan2.5-Preview 正式宣布商业化 ，并给出了明确且足够优惠的收费标准：
国内：1080P 1 元 / 秒，720P 0.6 元 / 秒 ，480P 0.3 元 / 秒；
海外：1080P 0.15 美元 / 秒 ，720P 0.1 美元 / 秒，480P 0.05 美元 / 秒 。
形成对比 ，Sora 2 生成视频需要 0.1-0.5 美元 / 秒 ，国内可灵 2.0 收费标准为 0.5 元 / 秒，Wan2.5-Preview 属于同等内容质量产品中，定价也极具吸引力的一档。
而这种定价方式精准击中了不同用户的痛点：
对短视频团队、广告公司等专业用户 ，清晰的定价能让他们准确核算成本 ，比 SD 免费但需自己承担服务器成本更划算；
对普通尝鲜用户，按秒收费意味着花几块钱就能试玩 ，不会被高昂的套餐费吓跑 。
建立在丰富的选择与定价标准之上 ， 通义万相的商业生态也已经初步跑通， WaveSpeedAI 就是最好的案例 。
这是一家专注多模态 AI 生成的平台型公司 ，也是全球第一个上线 Wan2.5 系列模型的平台。
围绕怎么用好 Wan2.5-Preview ，WaveSpeedAI 的做法很聪明：它根据用户的价格敏感度，按照分辨率 、生成时长 、加速程度梯度收费 ，此外 ，根据模型的不同，提供了分层解决方案：
最低价区间：用 Wan2.2 的快速推理版本 ，满足预算有限的用户；
中间层：用优化后的 Wan2.2 开源模型 ，平衡成本和质量；
高端层：用 Wan2.5 的快速版和普通版，服务追求高质量的用户；
在此基础上，WaveSpeedAI 还拓展了数字人业务 ，在对口型的基础上 ，实现了更丰富的肢体动作和表情控制。目前，WaveSpeedAI 借助 Wan2.5 生成的视频数已突破 1000 万条 。
以上只是个例 ，据云栖大会官宣数据 ，通义万相家族已整合 10 多种视觉创作能力，累计生成 3.9 亿张图片和 7000 万个视频 ，成为国内主流的 AI 视觉创作工具 。
04
尾声
AI 视频的故事远没到结尾。
技术侧 ，现在的模型依然有短板：内容生成时长不够长、细节不够细腻 、长视频的一致性问题还没完全解决……
但不可否认的是，无论是 Sora 2 的 AI Tik Tok 野心 ，还是 Wan2.5-Preview 的 行业侧深耕 ，都让 AI 视觉生成跨过了技术到产品的鸿沟 。
在这个过程中，技术先进固然重要 ，但能把技术变成用户愿意用 、愿意付费的产品 ，让行业真正尝到 SOP 缩短，效率增加，用户体验提升 ，才是真正的胜负手 。
本文来自作者[厍子儒]投稿，不代表视听号立场，如若转载，请注明出处：https://stddy.com/zsfx/202511-54307.html
评论列表（4条）
我是视听号的签约作者“厍子儒”！
希望本篇文章《从 SD 到 Wan2.5-Preview，AI 视频 2025 质变启示录》能对你有所帮助！
本站[视听号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：作者｜ Cynthia 编辑｜ 郑玄全民玩梗的狂欢，再一次在 AI 视频领域上演。最大的时代红利，属于今年四季度发布的中美两大明星产品，OpenAI 的 Sora 2 与阿里的...