KI-Video · Alibaba Tongyi Wanxiang

Wan 2.6: Spiel die Hauptrolle in deinem eigenen Kurzdrama – mit Stimme

KI fragen ▾

Wan 2.6 ist das Videomodell, das Alibabas Team Tongyi Wanxiang am 16. Dezember 2025 veröffentlicht hat – mit einem einfachen Versprechen: Du kannst selbst im Video mitspielen. Lade einen kurzen Clip von dir, einem Freund oder einer eigenen Figur hoch, und das Modell übernimmt Aussehen und Stimme, um eine völlig neue Szene zu spielen. Eine einzeilige Idee genügt: Es plant mehrere Einstellungen, hält die Gesichter von Schnitt zu Schnitt gleich und liefert Dialog, Soundeffekte und Lippensynchronität in einem Durchgang. Hier erfährst du, was sich seit Wan 2.5 geändert hat, wo Kurzdrama-Macher und Online-Händler es einsetzen, dazu fünf spaßige Ideen, eine Schritt-für-Schritt-Anleitung und Prompt-Vorlagen zum direkten Einfügen.

  • Rollenspiel per Referenzvideo
  • Mehrere Einstellungen aus einem Prompt
  • Dialog, Ton und Lippensynchronität
Erwecke dein Foto mit Wan 2.6 zum Leben →

Von Wan 2.5 zu Wan 2.6: Was jetzt möglich ist

Wan 2.5 brachte bereits Ton mit, doch jeder Clip bestand aus einer einzigen Einstellung von höchstens zehn Sekunden, und die Figur existierte nur innerhalb dieser einen Generierung. Die neue Version macht aus diesen Grenzen Funktionen. Clips dauern jetzt bis zu 15 Sekunden, ein Prompt lässt sich auf mehrere Kameraeinstellungen aufteilen, und ein Referenzvideo lässt dieselbe Person in verschiedenen Szenen immer wieder auftreten. Wer Geschichten in Fortsetzungen erzählt, profitiert von dieser Konsistenz mehr als von jedem Schärfegewinn.

Alibaba bietet die Modellfamilie in seinem Model Studio in drei Modi an: Text-zu-Video, Bild-zu-Video und Referenz-zu-Video (oft kurz R2V). Die Ausgabe erfolgt in 720P oder 1080P mit 24 Bildern pro Sekunde, im Querformat 16:9 oder Hochformat 9:16, mit 5, 10 oder 15 Sekunden Länge.

Wan 2.5Wan 2.6
Längster Clip10 Sekunden15 Sekunden
Einstellungen pro ClipEine durchgehende EinstellungMehrere Einstellungen aus einem Prompt geplant
Echte oder erfundene Figur als HauptrolleNur über ein StartbildReferenzvideo übernimmt Aussehen und Stimme
Zwei Figuren in einer SzeneSchwer zu steuernZwei Referenzen, jede mit eigener Stimme
TonAudio unterstütztDialog, Effekte und Lippensynchronität in einem Durchgang

Rollenspiel per Referenzvideo: Jeden in die Szene holen

Rollenspiel ist die Hauptfunktion, und Alibaba bezeichnete sie als Premiere für ein Videomodell in China. Du nimmst einen kurzen Clip auf oder wählst einen aus – ein paar Sekunden, in denen jemand spricht und sich bewegt, reichen –, und das Modell erfasst Aussehen und Stimmklang. Dann schreibst du die Szene: ins Café gehen, auf dem Dach streiten, ein Produkt präsentieren. Die Figur spielt sie, und die Stimme entspricht der Referenz statt eines Standardsprechers.

Es funktioniert auch mit mehreren Referenzen. Zwei Clips ergeben einen Dialog zu zweit, bei dem jede Person ihre eigene Stimme behält, und eine Person plus Objekt oder Haustier liefert jene „Ich und mein Hund am Strand“-Momente. In Prompts heißen die Referenzen meist character1 und character2, so lässt sich leicht festlegen, wer was tut.

  • Solo: Eine Creatorin tritt als Detektivin, Köchin oder Nachrichtensprecherin auf, ohne die Szene zu drehen.
  • Duo: Zwei Freunde oder zwei eigene Figuren wechseln Dialogzeilen, jede mit eigener Stimme.
  • Person und Objekt: Ein Moderator und ein Produkt oder ein Halter und sein Haustier teilen sich ganz natürlich das Bild.

Eine Idee, mehrere Einstellungen: So funktioniert Multi-Shot-Storytelling

Bitte um „ein Wiedersehen am Bahnhof“, und das Modell rendert nicht nur eine Totale. Es erweitert die Idee zu einem kleinen Drehbuch, etwa eine Totale zur Orientierung, eine Nahaufnahme eines Gesichts und eine Enthüllung über die Schulter, und schneidet dazwischen, während Personen, Outfits und Umgebung gleich bleiben. Wer Kontrolle will, schreibt die Einstellungen selbst: eine Zeile pro Einstellung, mit Bildausschnitt und Kamerabewegung.

Deshalb kam die Version bei Studios für vertikale Kurzdramen so gut an. Ein 15-Sekunden-Clip mit drei Einstellungen hat genau die Länge für Konflikt, Wendung und Cliffhanger, und die Gesichter verändern sich zwischen den Schnitten nicht, wie es bei zusammengesetzten Clips oft passiert.

Three-panel storyboard of two friends meeting in a cafe, showing wide, medium and close-up shots

Wo es durchstartet: Kurzdramen, Shop-Videos und Werbung

Das Modell wurde für professionelle Film- und Werbeproduktion positioniert, und die deutlichsten frühen Einsätze kommen von Teams, die jede Woche viele kurze, einheitliche Videos brauchen.

  • Vertikale Kurzdramen und Comic-Adaptionen: Eine Figurenreferenz plus ein Prompt mit drei Einstellungen liefert einen Konflikt mit Wendung in 9:16 – Folge für Folge.
  • E-Commerce- und Live-Shopping-Clips: Eine Moderatorin hält das Produkt, nennt einen Vorteil und lächelt in die Kamera, während das Produkt im selben Clip aus mehreren Blickwinkeln zu sehen ist.
  • Markenkampagnen: Derselbe Sprecher oder dasselbe Maskottchen bleibt über Dutzende Anzeigen und Sprachen hinweg wiedererkennbar.
  • Vlogs und Social-Sketche: Creator laden ihren eigenen Clip hoch und spielen in Sketchen mit, die sie nie drehen mussten.
  • Schulung und Previsualisierung: Lehrkräfte machen aus einem Skript ein sprechendes Erklärvideo, und Regisseure sehen eine Szene vor dem echten Dreh.

Fünf spaßige Ideen, die immer wieder gemacht werden

Sobald die Grundlagen sitzen, tauchen ein paar Formate immer wieder in den Feeds auf, weil sie schnell gemacht und leicht zu teilen sind.

  • Ich und mein Haustier: Du und ein Golden Retriever spielt Apportieren im Sonnenuntergang, in Zeitlupe mit Bellen und Wellenrauschen.
  • Dialog mit zwei Stimmen: Zwei Referenzen streiten, flirten oder versöhnen sich, und jede Zeile kommt in der richtigen Stimme.
  • Mini-Film aus einem Satz: Ein einziger Satz wird zu einem Kurzfilm mit drei Einstellungen, Musik und Atmosphäre.
  • Sprechendes Foto: Ein altes Porträt oder ein Selfie dreht sich zur Kamera und sagt einen Satz, den du geschrieben hast.
  • Serie mit einer Hauptfigur: Dieselbe Figur kehrt jeden Tag an einem neuen Ort zurück und erzählt eine fortlaufende Geschichte.

So erstellst du ein Wan 2.6 Video in fünf Schritten

Der Ablauf ist derselbe, egal ob du Alibabas Wanxiang-Website oder die Model Studio API nutzt – nur die Schaltflächen sehen anders aus.

  1. Modus wählen: Text-zu-Video für eine neue Idee, Bild-zu-Video, um ein Foto zu animieren, oder Referenz-zu-Video, um eine Figur zu besetzen.
  2. Material hinzufügen: ein Startbild oder einen Referenzclip von etwa 2 bis 10 Sekunden pro Figur.
  3. Einstellungen schreiben: eine Zeile pro Einstellung, Bildausschnitt (Totale, Halbnah, Nah) und Kamerabewegung nennen, Dialog in Anführungszeichen mit Angabe der sprechenden Person.
  4. Format wählen: 720P oder 1080P, 5, 10 oder 15 Sekunden sowie 16:9 oder 9:16.
  5. Generieren, prüfen und herunterladen; wirkt eine Hand oder ein Gesicht seltsam, verkürze die Aktion oder teile sie auf eine weitere Einstellung auf.

Wan 2.6 Prompt-Vorlagen zum Kopieren

Diese Vorlagen folgen dem Stil Einstellung für Einstellung, den das Modell am besten versteht. Tausche Personen, Orte und Dialoge aus und behalte die Struktur bei.

Kurzdrama mit drei Einstellungen

Shot 1: wide shot, rainy night street, a young woman in a red coat stops under a neon sign. Shot 2: close-up, she turns and says "You finally came." Shot 3: over-the-shoulder, a man in a black jacket steps out of the shadows. Cinematic lighting, 9:16, consistent characters.

Produktpräsentation

Medium shot, a female host holds a glass serum bottle toward the camera, smiles and says "Three drops, every night." Soft studio light, product label readable, clean beige background.

Rollenspiel mit Referenz

character1 walks into a cozy café, waves at character2, they sit down and laugh; warm afternoon light, handheld camera, natural ambient sound.

Mensch und Haustier

character1 plays fetch with a golden retriever on a beach at sunset, slow-motion jump, waves and barking sounds.

Sommer-Lookbook (18+)

Shot 1: wide shot, a confident adult woman (25+) in a white bikini walks along a tropical pool deck. Shot 2: medium shot, she adjusts her sunglasses and smiles at the camera. Shot 3: close-up, water ripples, summer music. Fashion-editorial style, 9:16.

Bademoden-Laufsteg (18+)

Wide shot, adult models in colorful swimsuits walk a seaside runway at golden hour, camera tracks alongside, crowd cheering and upbeat music, then a close-up of the lead model turning to camera.

Tipp: Nenne die sprechende Person vor jeder zitierten Zeile und beschränke komplexe Körperbewegungen auf eine Einstellung.

Wan 2.6, Wan 3.0 oder Kling 3.0: Das richtige Tool wählen

Alibaba hat inzwischen Wan 2.7 und Wan 3.0 veröffentlicht, doch diese Version ist weiterhin in Model Studio erhältlich und bleibt für viele Aufgaben die vernünftige Wahl. Wenn deine Clips 15 Sekunden oder kürzer sind und dir eine wiederkehrende Figur mit erkennbarer Stimme am wichtigsten ist, erledigt sie den Job. Greif zu Wan 3.0, wenn du eine durchgehende Einstellung von bis zu 30 Sekunden brauchst oder Dokumente und Webseiten einspeisen willst. Kling 3.0 von Kuaishou ist der engste Konkurrent für Multi-Shot-Clips mit nativem Ton.

Wan 2.6Wan 3.0Kling 3.0
Ideal fürRollenspiel-Serien, Shop-Clips, Kurzdrama-SzenenLängere durchgehende Einstellungen, Dokument- oder Web-InputMulti-Shot-Szenen mit Ton
Längster Clip15 SekundenBis zu 30 SekundenBis zu 15 Sekunden
Offene GewichteNeinNeinNein

Was Creator sagen

Das frühe Feedback chinesischer Kurzvideo-Macher und internationaler Tester zeigt ein klares Muster. Gelobt wird vor allem, wie stabil die Figuren über Schnitte hinweg bleiben, und die Lippensynchronität bei Mandarin-Dialogen, früher eine Schwachstelle importierter Tools. Produkthändler schätzen, dass eine Moderatorin den Satz tatsächlich selbst spricht, statt nachträglich synchronisiert zu werden.

Die Kritikpunkte sind ebenso einheitlich: Komplexe Körperbewegungen wie Tanzen oder Kämpfen können Gliedmaßen noch verbiegen, die letzten Sekunden eines 15-Sekunden-Clips weichen manchmal von der Referenz ab, und die offizielle Moderation ist so streng, dass sie harmlos wirkende Bademoden- oder Romantik-Prompts ablehnt. Die ersten beiden Probleme umgehen die meisten, indem sie jede Aktion in einer Einstellung halten.

Open Source, Download und ComfyUI: Die klare Antwort

Alibaba hat die Gewichte von Wan 2.6 nicht veröffentlicht. Du nutzt es über die Wanxiang-Website oder die Model Studio API, und jeder ComfyUI-Node mit dieser Versionsbezeichnung ruft lediglich diese gehostete API auf, statt das Modell auf deiner eigenen GPU auszuführen. Dateien, die als Download oder „unzensierter“ Build dieser Version verkauft werden, sind meist umbenannte Kopien älterer offener Modelle.

Das neueste Wan-Videomodell, das du tatsächlich herunterladen kannst, ist Wan 2.2, veröffentlicht unter Apache-2.0 auf GitHub und Hugging Face mit Text-zu-Video, Bild-zu-Video und einem kleineren 5B-Modell – mit einer großen Community an Fine-Tunes und LoRAs.

Wan 2.6 Unzensierter Videogenerator

Auf Alibabas eigenen Plattformen durchläuft jeder Prompt und jeder Upload eine Inhaltsmoderation, daher werden Nacktheit und explizite Szenen blockiert. Spicy AI bietet Wan 2.6 Bild-zu-Video mit weniger Einschränkungen für fiktive Inhalte für Erwachsene (18+): Lade ein Startfoto hoch, beschreibe Bewegung und Dialog und wähle 5, 10 oder 15 Sekunden. Beliebte Ideen sind ein Bikini-Lookbook am Pool, ein Studio-Shooting im Dessous-Stil und ein Strandurlaubs-Vlog mit einer fiktiven erwachsenen Figur.

Adult model in a white bikini walking along a tropical pool deck for a summer lookbook video

Alle Figuren müssen erwachsen sein. Lade keine echten Personen ohne deren Erlaubnis hoch.

Wan 2.6 Bild-zu-Video öffnen

Offizielles Wan 2.6 vs. Generieren auf Spicy AI

Offizieller DienstSpicy AI online
InhaltsfilterModeriert auf Alibaba Cloud und WanxiangInhalte für Erwachsene (18+) erlaubt
Offene GewichteNein, geschlossener DienstNicht relevant, läuft online
Tatsächlich genutztes ModellText-, Bild- und ReferenzmodusWan 2.6 Bild-zu-Video aus einem Startfoto
PreisBezahlung pro Videosekunde in Model StudioKostenlos starten, Credits für mehr
  • Offiziell: Rollenspiel per Referenzvideo und Text-zu-Video auf der Wanxiang-Website und per API.
  • Spicy AI: Lade dein eigenes Foto hoch und animiere es im Browser.

Häufig gestellte Fragen

Wer hat Wan 2.6 entwickelt und wann wurde es veröffentlicht?

Alibabas Team Tongyi Wanxiang hat es am 16. Dezember 2025 auf Alibaba Cloud Model Studio und der Wanxiang-Website veröffentlicht.

Wie lang kann ein Video sein?

Jeder Clip dauert 5, 10 oder 15 Sekunden in 720P oder 1080P bei 24 Bildern pro Sekunde.

Was ist Rollenspiel per Referenz-zu-Video?

Du lädst einen kurzen Referenzclip hoch, und das Modell übernimmt Aussehen und Stimme dieser Person, um eine neue Szene nach deinem Prompt zu spielen. Unterstützt werden Solo-Szenen, Dialoge zu zweit sowie eine Person zusammen mit einem Objekt oder Haustier.

Kann es Videos mit Dialog erstellen?

Ja. Der Ton wird zusammen mit dem Bild erzeugt, einschließlich Sprache mit Lippensynchronität, Soundeffekten und Atmosphäre.

Ist es Open Source und kann ich es herunterladen?

Es wurden keine offiziellen Gewichte veröffentlicht, daher läuft es nur auf Alibabas Diensten. Wan 2.2 ist das neueste Wan-Videomodell mit offenen Gewichten, das du lokal ausführen kannst.

Soll ich Wan 2.6 oder Wan 3.0 wählen?

Wähle Wan 3.0 für durchgehende Einstellungen bis 30 Sekunden oder Dokument- und Web-Input. Für Clips von 15 Sekunden oder weniger, besonders Rollenspiel-Serien und Produktvideos, passt die ältere Version weiterhin gut.

Gibt es eine unzensierte Version?

Es gibt weder einen offiziellen noch einen vertrauenswürdigen unzensierten Community-Build, da die Gewichte nie veröffentlicht wurden. Downloads mit diesem Namen sind meist ältere offene Modelle.

Quellen

Alle unzensierten KI-Modelle ansehen →

Wan und Tongyi Wanxiang sind Marken der Alibaba Group. Alle Inhalte müssen Erwachsene (18+) darstellen.

Sign in

Welcome to Spicy AI

or