Нейросеть Wan для видео: как снимать ролики в Wan 3.0 и не терять лица героев

Генерация видео

Wan — нейросеть Alibaba для создания видео по текстовому описанию, по фотографии и по готовому ролику. На TurboText она работает на русском языке, а в версии 3.0 создаёт ролики до 30 секунд одной генерацией — сразу со звуком: речь, шумы и действие в кадре совпадают по времени. В этом руководстве разберём версии, режимы, настройки и цены, а главное — как сделать так, чтобы лица героев не менялись от кадра к кадру.

Wan видео на сайте

Wan видео в Телеграм

Что умеет Wan 3.0

• Ролик до 30 секунд одной генерацией. Не склейка коротких клипов, поэтому движение камеры и логика сцены держатся до конца видео.
• Звук вместе с картинкой. Речь, шумы и музыка создаются в том же проходе, что и изображение, — озвучивать ролик отдельно не нужно.
• 1080p на любой длительности, включая 30 секунд.
• До 10 фото-референсов. На них можно ссылаться в промте по номеру: «девушка с Image 1», «мужчина с Image 2».
• Первый и последний кадр. В режиме «По фото» можно задать, каким кадром ролик закончится.
• Быстрые движения без искажений. Бег, танец, сцены с касаниями — анатомия и вес тела сохраняются на всём дубле.
• Формат «Авто». Нейросеть сама подбирает кадр под сцену.

Версии Wan на TurboText

В генераторе шесть версий. Для новых роликов берите 3.0 или 3.0 Pro, ранние версии оставлены для тех, кому нужна совместимость с прошлыми работами или самая низкая цена короткого ролика.

• v3.0 — ролики от 2 до 30 секунд, звук синхронно с картинкой, до 10 фото-референсов, первый и последний кадр, качество 480p, 720p или 1080p.
• v3.0 Pro — та же модель и те же режимы, но выше детализация и стабильность сцены при сложном движении, точнее держит внешность персонажа и стиль по референсам, генерирует быстрее. Стоит на 20% дороже 3.0.
• v2.7 — до 9 фото-референсов, форматы 4:3 и 3:4, качество 720p и 1080p.
• v2.6 — качество 720p и 1080p, работает и в режиме «По видео».
• v2.5 — качество 480p и 1080p.
• v2.2 — базовая, быстрая и самая дешёвая версия: 480p, 580p и 720p.

В версиях 2.x длительность — 5 или 10 секунд, а при 1080p доступны только 5 секунд.

Как создать видео в Wan: пошагово

1. Откройте генератор Wan на TurboText.
2. В поле «Тип генерации» выберите режим: «По тексту», «По фото» или «По видео».
3. В поле «Версия нейросети» выберите v3.0 или v3.0 Pro.
4. Если режим работает с файлами, загрузите фото, видео или аудио.
5. Опишите сцену в поле промта: кто в кадре, что происходит, где, что звучит и как движется камера. Запрос — не короче 10 символов.
6. Задайте качество, длительность и соотношение сторон. Цена ролика обновляется рядом с полем промта сразу после изменения настроек.
7. Нажмите кнопку генерации. Готовое видео появится в окне результата и во вкладке «Мои генерации», откуда его можно скачать.

Режимы генерации

По тексту

Видео с нуля по описанию. Опишите героя, действие, место, свет, звук и движение камеры — Wan 3.0 соберёт сцену и сразу озвучит её. Режим подходит для сюжетных роликов, рекламы, атмосферных зарисовок и коротких сцен с диалогом.

По фото

Оживление изображения. С одним фото снимок становится первым кадром, и нейросеть продолжает сцену: персонаж поворачивается, улыбается, начинает говорить, камера наезжает.

В версиях 3.0 и 3.0 Pro можно загрузить до 10 фото-референсов — тогда Wan не оживляет один снимок, а собирает новую сцену с героями, предметами и местом действия с этих фото. Отдельно можно загрузить последний кадр: нейросеть построит ролик так, чтобы он закончился именно этим изображением. В версии 2.7 фото-референсов до 9.

По видео

Новый ролик по готовому видео: Wan берёт из исходника движение и композицию, а внешность, стиль и сюжет меняет по вашему описанию. Режим работает в версиях 2.6, 2.7, 3.0 и 3.0 Pro.

В версиях 3.0 и 3.0 Pro к видео можно добавить до 10 фото-референсов и до 5 аудио-референсов общей длиной до 15 секунд — например, чтобы сохранить внешность и голос героя. В версиях 2.6 и 2.7 есть поле «Чего избегать»: перечислите, чего не должно быть в ролике. Исходное видео — MP4 или MOV.

Лица в Wan 3.0: простые правила

Главная сложность в роликах с людьми — лицо героя меняется от кадра к кадру, а в сцене с двумя персонажами нейросеть путает, чьё лицо кому принадлежит. Эти правила помогают этого избежать.

Кто первый в кадре — того загружайте первым. Wan 3.0 нумерует фото-референсы в порядке загрузки: Image 1, Image 2 и так далее. В сцене с двумя и более героями загружайте их в том порядке, в каком они появляются в кадре.

Называйте героев по номеру. «Девушка с Image 1 подходит к мужчине с Image 2» — так модель не перепутает, чьё лицо кому принадлежит.

Одно лицо — одно фото. Крупный портрет анфас, ровный свет, лицо не закрыто руками, очками или волосами. На одном снимке — один человек.

Последний кадр — только с одним фото. Если загружено несколько референсов персонажей, поле последнего кадра оставьте пустым.

Голос — через аудио-референс. В режиме «По видео» загрузите до 5 аудио общей длиной до 15 секунд, и Wan сохранит тембр голоса героя в новом ролике.

Локацию описывайте явно. Если место действия не указано, Wan иногда берёт фон с фото-референса. Напишите в промте, где находятся герои.

Только свои фото или фото с согласия. Не используйте лица людей, которые не разрешали их оживлять.

Если лица в сложной сцене всё равно «плывут», переключитесь на v3.0 Pro: она точнее держит внешность персонажей по референсам.

Настройки генерации

• Качество видео — в версиях 3.0 и 3.0 Pro: 480p, 720p или 1080p. В ранних версиях набор свой: 2.2 — 480p, 580p, 720p; 2.5 — 480p и 1080p; 2.6 и 2.7 — 720p и 1080p.
• Длительность ролика — в 3.0 и 3.0 Pro любое целое число секунд от 2 до 30 на ползунке, на любом качестве. В версиях 2.x — 5 или 10 секунд, при 1080p только 5.
• Соотношение сторон — 16:9, 9:16, 1:1, 4:3, 3:4 и «Авто (подбор под сцену)» в версиях 3.0 и 3.0 Pro. В 2.7 нет «Авто», в 2.2–2.6 — только 16:9, 9:16 и 1:1.
• Чего избегать — негативный промт в режиме «По видео» для версий 2.6 и 2.7.

Сколько стоит видео в Wan

В версиях 3.0 и 3.0 Pro цена считается за каждую секунду ролика и одинакова для всех трёх режимов.

Качество	Wan 3.0	Wan 3.0 Pro
480p	10 токенов/сек	12 токенов/сек
720p	18 токенов/сек	22 токена/сек
1080p	30 токенов/сек	36 токенов/сек

Итог — ставка, умноженная на длительность. Например:

• Wan 3.0, 720p, 5 секунд — 90 токенов;
• Wan 3.0, 1080p, 10 секунд — 300 токенов;
• Wan 3.0, 1080p, 30 секунд — 900 токенов;
• Wan 3.0 Pro, 720p, 5 секунд — 110 токенов;
• Wan 3.0 Pro, 1080p, 30 секунд — 1080 токенов.

Самый экономный способ проверить идею — короткий ролик в 480p: 3 секунды в Wan 3.0 стоят 30 токенов. Когда сцена получилась, повторите её в 720p или 1080p нужной длины.

В ранних версиях цена фиксированная за ролик 5 или 10 секунд:

• v2.2 — 480p: 50 / 80 токенов; 580p: 70 / 120; 720p: 100 / 180.
• v2.5 — 480p: 50 / 100 токенов; 1080p: 120 / 200.
• v2.6 — 720p: 110 / 200 токенов; 1080p: 130 / 230. «По видео»: 720p — 80 / 140, 1080p — 130 / 200.
• v2.7 — 720p: 115 / 205 токенов; 1080p: 135 / 235. «По видео»: 720p — 85 / 145, 1080p — 135 / 205.

Как писать промты для Wan

Промт для видео описывает не только картинку, но и движение, и звук. Удобная формула: кто в кадре + действие + место + свет и атмосфера + звук или реплика + движение камеры.

• Одно главное действие на короткий ролик. За 5 секунд нейросеть убедительно покажет одно событие. Для цепочки действий увеличьте длительность до 15–30 секунд и опишите этапы по порядку: «сначала…, затем…, в конце…».
• Камеру описывайте отдельно: «камера медленно объезжает героя», «съёмка с дрона», «крупный план, лёгкое покачивание».
• Звук пишите прямо в промте: что звучит в кадре и какие реплики произносят герои. Реплику берите в кавычки и указывайте, кто её говорит.
• В режиме «По фото» не пересказывайте снимок — опишите, что должно измениться и двигаться.
• С несколькими референсами называйте файлы по номеру: Image 1, Image 2 и так далее.

Примеры видео и промтов для Wan 3.0

Сцена из двух героев по Image 1 и Image 2 (режим «По фото», загрузите два портрета: сначала девушку, затем мужчину):

«Летнее уличное кафе в старом городе, вечер. Девушка с Image 1 входит в кадр слева, подходит к столику, за которым сидит мужчина с Image 2, и машет ему рукой. Мужчина с Image 2 поднимается, улыбается и говорит: "Ты всё-таки пришла!" Тёплый закатный свет, на фоне негромкий гул голосов и звон посуды. Камера плавно следует за девушкой и останавливается на среднем плане обоих героев».

Результат: Wan 3.0, 720p, 5 секунд, 90 токенов. Лица обоих героев сохранились, и модель не перепутала, кто есть кто. Но обратите внимание на фон: в промте летнее кафе, а Wan взял осенние листья с фото девушки. Если важна локация, описывайте её подробнее или берите портреты на нейтральном фоне.

Сюжет по тексту: «Уличный музыкант играет на саксофоне под фонарём на мокрой мостовой старого города вечером. Прохожие с зонтами замедляют шаг, один бросает монету в футляр. Тёплый свет фонаря, капли дождя, отражения в лужах. Камера медленно объезжает музыканта по дуге. Звучит мелодия саксофона и шум дождя».

Результат: Wan 3.0, 720p, 5 секунд, 90 токенов, звук создан вместе с картинкой.

Длинная сцена на 20–30 секунд: «Сначала крупный план: бариста наливает молоко в чашку и рисует сердце на кофе. Затем камера отъезжает, и видно уютную кофейню с утренним светом из окна. В конце бариста ставит чашку на стойку перед посетителем и говорит: "Ваш капучино, хорошего дня". Слышны шипение кофемашины и тихая музыка».

Оживление портрета: «Девушка на фото медленно поворачивает голову к камере, улыбается и поправляет волосы, лёгкий ветер колышет пряди, фон слегка размыт».

Первый и последний кадр: загрузите фото пустой комнаты как основное и фото той же комнаты с мебелью как последний кадр. Промт: «Комната постепенно наполняется мебелью: появляются диван, стол, лампа и растения, камера неподвижна, ускоренная съёмка».

Товар: «Флакон духов на чёрном зеркальном столе, вокруг медленно кружатся лепестки роз, мягкий студийный свет, камера плавно объезжает флакон по кругу, тихая фортепианная музыка».

По видео с голосом героя: загрузите исходный ролик, портрет героя и короткую запись его голоса. Промт: «Мужчина с Image 1 идёт по набережной, как человек в исходном видео, и говорит в камеру: "Сегодня покажу вам лучшие места города". Солнечный день, шум волн и чаек».

Ограничения

• Wan видео доступен на тарифе PRO.
• Фото — JPEG, JPG, PNG без прозрачности, BMP или WEBP до 10 МБ; изображения больше 1024 пикселей уменьшаются автоматически.
• Видео — MP4 или MOV. Аудио-референсы — до 5 файлов общей длиной до 15 секунд.
• Режим «По видео» доступен в версиях 2.6, 2.7, 3.0 и 3.0 Pro.
• Последний кадр и аудио-референсы работают только в версиях 3.0 и 3.0 Pro.
• Если сервис перегружен, генератор может предложить переключиться на версию 2.2.

Частые вопросы

Чем Wan 3.0 Pro отличается от Wan 3.0? Режимы и настройки одинаковые. Pro выше по детализации, стабильнее в сложном движении, точнее держит лица и стиль по референсам и генерирует быстрее, но стоит на 20% дороже.

Какой длины получается видео? В Wan 3.0 и 3.0 Pro — от 2 до 30 секунд одной генерацией, в том числе в 1080p. В версиях 2.x — 5 или 10 секунд.

Можно ли писать промты на русском? Да, Wan на TurboText понимает запросы на русском языке.

Есть ли в видео звук? В версиях 3.0 и 3.0 Pro звук создаётся вместе с картинкой: речь, шумы и музыка совпадают с действием в кадре.

Как сделать, чтобы лицо героя не менялось? Загрузите чёткий портрет анфас, по одному человеку на фото, называйте героев в промте по номеру (Image 1, Image 2) и явно описывайте место действия. Подробнее — в разделе «Лица в Wan 3.0: простые правила».

Где найти и как скачать готовые видео? Во вкладке «Мои генерации» на странице генератора. История генераций удаляется через 15 дней после окончания подписки, поэтому важные ролики лучше сразу скачивать.

Создать видео в Wan можно на сайте TurboText или в Телеграм-боте TurboText.