Wan 2.7 评测：是被吹上天，还是 2026 年最值得关注的 AI 视频模型？

这一季度，只要聊到 AI 视频，最后几乎都会绕回同一个名字：Wan 2.7。

它也是 SeaArt AI 近期被点名最多、呼声最高的一款评测对象。我们之所以认真测试它，不只是因为发布声量大，更因为一个老问题一直没被真正解决：

大多数 AI 视频模型，仍然很难在两个镜头之间稳定保住同一个角色。Wan 2.7 这次真的不一样了吗？

为此，我们在 Plus 方案下跑了 50 多次完整生成，重点测试了开场镜头、角色一致性、动作控制、镜头语言以及音画同步等关键能力。结论先说：

Wan 2.7 真正的进步，不在于画面更"炫"，而在于"可控性"显著提升。

你终于可以更明确地告诉模型：视频从哪里开始、到哪里结束、角色必须长什么样，而它也终于开始"听话"了。

Wan 2.7 是什么？

Wan 2.7 是阿里巴巴 Wan 视频生成系列的最新版本，于 2026 年 3 月底正式公开发布。

更早的 Wan 2.1 和 Wan 2.2 已经以 Apache 2.0 协议在 GitHub 开源，因此可以很方便地接入 ComfyUI 或做本地部署。至于 Wan 2.7 会不会延续这个路线，目前官方还没有明确确认。

从能力上看，Wan 2.7 支持：

• 文生视频
• 图生视频
• 原生音频生成
• 最高 1080p 分辨率
• 最长 15 秒视频输出

对于打算本地部署的团队来说，最关心的问题还是：开源权重什么时候放出？

按照 Wan 系列之前的节奏，比较可能的路径依然是：先云端上线，再在 4 到 8 周内开放权重。如果这个规律不变，那么大概率会落在 2026 年 Q2 中后段。具体时间仍建议关注官方 Wan-Video GitHub。

Wan 2.7 相比前代最核心的变化，不只是"画质更高"，而是单次生成可接收的控制输入明显更多了。过去你只能给一段提示词和一张起始图，现在它还能接收：

• 起始帧 / 结束帧锚点
• 9 宫格多图参考
• 角色与声音参考
• 指令式视频编辑

这意味着它不只是一个"更强的生成器"，而是逐渐变成了一个更接近真实制作流程的工具。

快速结论

Wan 2.7 为什么和别家不太一样？

Wan 系列底层采用的是 Diffusion Transformer（DiT） 架构，并结合 Full Attention 机制。简单说，它不是一帧一帧"拼视频"，而是会在更完整的时空上下文里理解整段内容。

这也是为什么它在 15 秒以内的视频里，角色稳定性通常比早期扩散式视频模型更好，不容易出现"脸慢慢变了""衣服忽然换了"的问题。

Wan 2.7 延续了这套基础，但进一步增加了单次调用能够接收的信息量，比如：

• 9 张图组成的结构化参考网格
• 声音样本
• 起止帧定义

可控锚点越多，通常就意味着为了拿到可用结果，你需要反复重跑的次数越少。

相比 Wan 2.6，Wan 2.7 有哪五个关键提升？

从 2.6 到 2.7，不只是"清晰了一点"，而是有几个对实际创作非常重要的升级。

1. 画面质感更锐利了

皮肤纹理、布料运动、光影渐变都更接近可商用的 1080p 标准。早期 Wan 模型有时会出现一种偏"游戏 CG"感的视觉质地，2.7 基本把这类问题压下去了不少。

2. 动作连贯性更好了

角色不那么容易飘，物体运动更稳定，快速动作也更抗崩。这个问题曾经是 Wan 2.5 和 2.6 被吐槽最多的点之一，而 2.7 的改善是能明显感知到的。

3. 原生音频终于更实用了

背景声、环境音、角色说话不再只是"后期再补"，而是能从生成阶段就和画面一起出来。对于做过 AI 视频的人来说，这个升级非常务实，因为手动逐帧对音频真的很折磨。

4. 风格一致性更强

无论是电影写实风、动漫风，还是插画风，Wan 2.7 都比 2.6 更能稳定保持风格统一。对需要视觉识别度的账号内容、品牌内容来说，这一点很关键。

5. 时间维度的一致性更稳

脸部闪烁、衣服中途变样、镜头切换时人物轻微"变形"的情况都减少了。换句话说，它在"让同一个角色始终像同一个角色"这件事上，终于更靠谱了。

Wan 2.7 新增了哪些真正有用的能力？

这些能力基本就是很多创作者从 2.6 转向 2.7 的主要原因。

首尾帧控制

你可以给模型两张图：

• 第一张告诉它"视频开头应该长什么样"
• 第二张告诉它"视频结尾应该长什么样"

模型负责补完中间过程，同时尽量保证角色一致、动作自然、过渡顺畅。

这解决了 AI 视频里一个长期存在的痛点：你以前很难预判镜头最后会跑偏到哪里去。现在，至少起点和终点是可控的。

在 Wan 2.1 时代，首尾帧能力还是一个单独 checkpoint；到了 2.7，这个能力已经被整合进主模型，不需要来回切模型，工作流顺畅很多。

示例提示词参考：

角色参考图：@图片
起始帧：骑手骑着 Bajaj 摩托车从约 10 米外驶来
结束帧：骑手近在咫尺，右手抬起，正对镜头说话
单一连续镜头。摄像机保持静止，摩托车穿过孟买繁忙街道朝镜头驶来。两侧是殖民时代建筑，背景人群和车流虚化。骑手接近至特写距离时，抬起右手说："Hello, my friend."
口型与对白同步。原生音频：街道噪声、引擎声、人群声，最后切换为清晰对白。

9 宫格图生视频

上传一个 3×3 的九宫格参考图，Wan 2.7 会把这 9 张图理解为连续场景，并生成一段带过渡的视频。

这个功能很适合：

• 分镜预演
• 概念视频拼接
• 多场景品牌短片
• 内容批量化制作

使用时几个实操建议：

• 九张图最好保持统一纵横比，不建议横图竖图混用，否则构图容易乱
• 图片默认按从左到右、从上到下的顺序读取，对应视频中的场景顺序
• 单张图分辨率太低（短边低于 512px）会明显影响成片细节
• 如果要接 API 自动化流程，上线前最好先确认接口参数格式

角色与声音参考克隆

上传一张角色参考图，再加一段短音频，Wan 2.7 就能同时模仿这个角色的外观和声音特征。

实际使用场景：

• 品牌吉祥物视频化
• 创作者不出镜批量做视频
• 企业代言人视频批量生产
• 虚拟人内容运营

Wan 2.6 也有类似能力，但通常需要走额外的模型或单独入口。2.7 把这部分整合得更完整，使用门槛低了不少。

指令式编辑

上传一段已有视频，然后直接告诉模型要改什么，比如：

• "把背景改成夜景"
• "把夹克换成红色"
• "把场景换成赛博朋克街头"

它会尽量在保留原视频主体结构的前提下完成修改。

这项能力目前也是最值得谨慎看待的：尤其当你改动的是会运动的元素，比如衣服、头发、手部动作时，时序一致性仍然可能出问题。现阶段看上去很有潜力，但如果要进正式生产流程，建议再观察一段社区实测反馈。

视频重建 / 重演绎

给它一段参考视频，再描述你想改什么（比如角色、风格、环境），它会尽量保留原视频的运动结构和镜头路径，只把视觉层重新生成。

适合以下用途：

• 热门短视频形式套品牌资产
• 真人实拍转动画风格
• 已有镜头做风格迁移

不过截至文章发布时，官方对这一能力的完整说明还不算充分，目前更适合把它视为"值得关注的实验功能"，而不是已经完全成熟的标准能力。

三个典型场景：Wan 2.7 适合怎么用？

下面这三个场景，基本能反映 Wan 2.7 的优势边界和常见坑点。

场景一：多镜头下的角色 / 主体一致性

如果你要拍的是同一辆车、同一个角色，在不同镜头、不同光线里连续出现，Wan 2.7 的参考图机制确实有优势。

示例提示词结构：

角色参考图：@图片。在所有镜头中保持卡车型号、颜色和镀铬细节一致。
[00:00–00:05] 宽景追踪镜头——一辆复古福特皮卡在黄昏时分飞驰过沙漠公路，车后爆炸四起，导弹轨迹划过橙红色天空，后轮扬起漫天尘土。
[00:05–00:10] 切换至——正面镜头，卡车直冲镜头驶来，车灯大开，背景火球升腾，碎片四散飞溅。
[00:10–00:15] 最终镜头——低角度侧面视角，卡车在碎石上甩尾漂移，烟雾与火焰铺满地平线，镜头保持固定直到卡车驶出画面。
原生音频：引擎轰鸣、爆炸震动、碎石飞溅声。

它比较擅长做到：

• 车型不乱变，配色不漂，比例不跑
• 从侧面切到正面时仍能维持主体识别度

典型坑点：

高速动作 + 大面积运动模糊时，模型可能会把金属件、细节纹理简化掉。解决思路通常是在提示词里明确指定：

主体保持锐利清晰，运动模糊仅作用于背景

场景二：单镜头人物对白

如果你希望一个角色在连续镜头里走近镜头并开口说台词，Wan 2.7 的角色 + 声音参考能力是能用的。

示例提示词结构：

角色参考图：@图片  声音参考：@音频
单一连续镜头。一名女子站在雨夜屋顶边缘，背对镜头。城市霓虹灯倒映在身后混凝土地面的每一个水坑里。镜头在 8 秒内缓缓推向她的面部。在 00:06 时，她转过身——直视镜头——说："You were never supposed to find me here."口型与对白同步。原生音频：混凝土上的雨声、远处的车流声，最后一句台词时切换为干净的独立对白音轨。时长 10 秒，1080p。

表现更好的条件：

• 角色参考图是正脸、光线均匀、五官细节清晰
• 台词不太长，语速自然（低于约 150 WPM）

最容易翻车的情况：

参考图阴影太重。一旦脸部本身被阴影遮住，人物转头或靠近镜头时细节就容易丢失。建议使用平光、正面的参考图。

关于音频同步：

• 短句对白效果更好，语速过快时容易对不上口型
• 多人同时说话会偏向保留一个主声源
• 音乐和对白同时存在时，音乐容易压住人声

正式交付前，最好还是留一道手动压混和修音的工序。

场景三：高动作场景里的原生音频同步

摩托车、追逐、快速切镜这类高动态场景，Wan 2.7 表现比很多人预期要好。

示例提示词结构：

一辆摩托车在夜间高速公路隧道中疾驰，排气管拖出火星。
[00:00–00:04] 后方追踪镜头，隧道灯光在头顶频闪，引擎轰鸣声渐强。
[00:04–00:08] 侧面环绕镜头，摩托车压弯急转，轮胎在湿润混凝土上发出尖锐摩擦声。
[00:08–00:12] 低角度正面镜头，车灯刺破黑暗，风声与机械声在此刻达到顶峰。
音频：摩托引擎轰鸣、轮胎摩擦声、隧道回声、随车速变化的风噪声。

它比较擅长做到：

实测表现：

• 引擎轰鸣能跟上速度变化
• 隧道回声这类环境感能自动补出来
• 风噪、摩擦声等整体氛围比较完整

不过也有瑕疵：

车辆过弯时，声音有时会比画面动作略微滞后。手机上未必明显，但放到桌面端时间线上就能看出来。

比较实际的评价： 原生音频已经能帮你完成 80% 到 90% 的工作，但最后那一点精修，仍然值得手动做。

价格贵不贵？

Wan 2.7 采用的是积分制计费，所有付费档都支持商业使用。

积分不过期是一个很实用的优势。很多 AI 视频产品按月清空额度，用不完就浪费；Wan 2.7 这套机制更适合非高频用户、项目制团队和代理公司。

一个真实项目，大概要烧多少积分？

一个 60 秒的品牌视频，通常会拆成 4 到 6 个镜头片段，每个片段大概 10 到 15 秒。每个片段单次生成约需 12 到 18 积分，再考虑每个镜头通常要重试 2 到 3 次才能挑出可用版本，最终预算大致落在：

每条 60 秒视频：75 到 150 积分

Wan 2.7 真能打过 Sora 2 和 Kling 吗？

先给结论：看你更在意什么。

Wan 2.7 赢在哪里？

• 镜头控制更细，支持首尾帧锚定
• 多镜头角色一致性更强
• 原生音频输出更完整
• 积分不过期，对低频用户更友好
• 更适合有分镜、有角色设定的专业创作流程

竞品强在哪？

• Sora 2：高速运动、物理真实感场景仍然更强
• Kling：上手最简单，适合"一句提示词直接出片"的用户
• Veo 3.1：某些场景综合稳定性不错，但控制维度不如 Wan 2.7 丰富

如果你想横向对比这几款模型，可以直接在 SeaArt AI 模型库里切换使用，不用来回注册不同平台。

Wan 2.7 适合什么样的工作流？

适合你，如果你是：

• 需要多镜头连续叙事的创作者
• 做 YouTube、短剧、广告、品牌内容的团队
• 有角色设定、场景规划、镜头起止需求的制作方
• 想把 AI 视频纳入更专业制作流程的人

它的能力设计，本质上贴近真实制作逻辑：你有分镜、你有角色、你知道每个镜头从哪开始到哪结束。Wan 2.7 能顺着这个逻辑工作，而不是逼你把一切都赌在一段提示词上。

不太适合你，如果你：

• 只想一句话一键出片，不愿意花时间摸索工作流
• 主要做体育、极限运动、高物理真实感内容（Sora 2 更合适）
• 不愿意学习结构化提示词和参考图使用方式

Wan 2.7 不难用，但它确实不是"最省事"的那一个。

最终结论

如果你问："Wan 2.7 是不是像一些标题党说的那样，已经强到要重新定义 AI 视频行业了？"

回答是：没那么夸张，但它确实是一次很实在的进步。

它不会取代审美，也不会自动帮你做决定。你给它的提示词含糊、参考图质量差，结果依然会很一般。它的上限很高，但对使用者的要求也不低。

Wan 2.7 真正有价值的地方，在于它把"想法"到"可看片段"之间的距离进一步压缩了。一个有明确分镜的个人创作者，现在确实更有机会独立做出：

• 多镜头连续视频
• 角色相对稳定的内容
• 带同步音频的完整片段

这已经是非常有分量的变化了。

一句话总结：

• 愿意学习结构化工作流的人，会觉得 Wan 2.7 值得投入
• 只想快速一键出片的人，Kling 这类工具依然更省心
• 极致物理真实感场景，Sora 2 仍然略占上风

最简单的判断方法也很直接：拿一个简单场景，先用 AI 视频生成器跑一次"首尾帧测试"。大多数人第一轮就能知道它适不适合自己的工作流。