Wan AI (Wan KI): Ratgeber zum Open-Source-Videogenerator von Alibaba

Der Videogenerator Wan AI ist ein Open-Source-Modell für Text zu Video und Bild zu Video, entwickelt vom Tongyi Lab von Alibaba. Unter Apache-2.0-Lizenz veröffentlicht, schlägt es seine Closed-Source-Konkurrenten im VBench-Benchmark konstant (86,22 % Gesamtpunktzahl gegen 84,28 % bei Sora) und bleibt für kommerzielle Nutzung komplett kostenlos. Ob du Wan lokal mit einer einzigen GPU ausführen oder über eine Cloud-API auf das volle Modell mit 14 Milliarden Parametern zugreifen willst: Dieser Ratgeber deckt alles von der Architektur bis zu den Preisen ab, damit du heute mit filmischem KI-Video starten kannst.

Was ist der Videogenerator Wan AI?

Der Videogenerator Wan AI ist eine Familie von Open-Source-Videomodellen des Tongyi Laboratory von Alibaba. Anders als geschlossene Alternativen wie Sora von OpenAI oder Veo von Google ist die gesamte Wan-Suite (Gewichte, Trainingscode und Inferenzskripte) öffentlich unter Apache-2.0-Lizenz verfügbar. Das heißt: Jeder kann Wan herunterladen, ändern, feintunen und in kommerziellen Projekten einsetzen, ohne Lizenzgebühren zu zahlen.

Der Name „Wan“ (万) bedeutet auf Chinesisch „zehntausend“ und steht für den Anspruch, die enorme Vielfalt visueller Inhalte abzudecken. Seit dem Start Anfang 2025 hat Wan drei Hauptversionen durchlaufen, jede mit wichtigen Fähigkeiten: vom einfachen Text zu Video der Version 2.1 über den effizienzorientierten Expertenmix von 2.2 bis zur erzählerischen Mehrfachaufnahme von 2.6.

Besonders attraktiv macht den Wan-Videogenerator für Creator und Entwickler sein Doppelmodell-Ansatz. Ein leichtes Modell mit 1,3 Milliarden Parametern läuft auf Consumer-GPUs für schnelles Prototyping, während das volle Modell mit 14 Milliarden Parametern filmische Qualität auf dem Niveau der besten kommerziellen Dienste liefert. Diese Flexibilität macht Wan zugänglich für unabhängige Creator am Laptop wie für Produktionsstudios mit Cloud-Infrastruktur. Willst du die gehostete Bild-zu-Video-Variante praktisch beherrschen, gibt es einen kompletten Ratgeber zu WAN 2.7 Spicy.

Versionsentwicklung: von Wan 2.1 zu Wan 2.6

Wan 2.1: die Basis (Anfang 2025)

Wan 2.1 legte die architektonische Basis aller späteren Versionen. Es erschien in zwei Modellgrößen: dem vollen 14B-Modell für maximale Qualität und einem destillierten 1,3B-Modell für schnellere Inferenz auf Consumer-Hardware. Die wichtigsten Fähigkeiten zum Start waren:

• Text zu Video (T2V): generiert Videoclips in 480p oder 720p bis 5 Sekunden aus Prompts in natürlicher Sprache
• Bild zu Video (I2V): animiert ein statisches Bild mit flüssiger Bewegung und erhält die Originalkomposition
• Zweisprachige Prompts: native Unterstützung für englischen und chinesischen Text über den umT5-Encoder
• Hohe ästhetische Werte: erstes Open-Source-Modell, das alle kommerziellen Konkurrenten im zusammengesetzten VBench-Benchmark schlug

Schon in Version 2.1 zeigte der Videogenerator Wan AI bemerkenswert stimmige Bewegung, präzise Textdarstellung in Frames und große Prompt-Treue, Bereiche, in denen viele frühere Open-Source-Modelle Schwierigkeiten hatten.

Wan 2.2: der Effizienzsprung (Juli 2025)

Version 2.2 führte die Mixture-of-Experts-Architektur (MoE) mit 27 Milliarden Parametern ein, ein großer Sprung bei der Inferenzeffizienz. Statt in jedem Frame alle Parameter zu aktivieren, lenkt das MoE-Design jede Berechnung an spezialisierte Expertennetze, was die Generierungszeit stark senkt und die Ergebnisqualität verbessert.

Neue Module in Wan 2.2:

• Wan-Animate: Figurenanimation aus einem einzigen Referenzbild mit konsistenter Identität über Frames hinweg
• Wan-Move: Bewegungsübertragung, die die Bewegung eines Videos auf ein anderes Motiv anwendet
• Verbesserte I2V-Pipeline: sanftere Übergänge, bessere zeitliche Konsistenz und Unterstützung für längere Clips
• Optimierte Inferenz: Das 27B-MoE-Modell aktiviert pro Token nur einen Bruchteil seiner Parameter und erreicht höhere Qualität als das dichte 14B-Modell bei ähnlichem Tempo

Version 2.2 des Videogenerators Wan AI festigte seine Position als fähigstes verfügbares Open-Source-Videomodell, und Community-Benchmarks bestätigten Qualitätsgewinne bei Bewegungsrealismus, Farbgenauigkeit und Prompt-Treue.

Wan 2.6: die Erzähl-Ära (Dezember 2025)

Wan 2.6 ging von der Generierung einzelner Clips zur stimmigen Videoerzählung über. Drei Hauptfunktionen prägen diese Version:

• Starring System (R2V, Referenz zu Video): Gib ein Referenzbild der Figur an, und Wan hält ihr Aussehen über mehrere unabhängig generierte Clips. So bleibt die Identität der Hauptfigur über eine ganze Videoerzählung erhalten.
• Natives Audio (V2A, Video zu Audio): integrierte, mit dem Bild synchronisierte Audiogenerierung. Das Modell erzeugt Umgebungston, dialogpassende Lippensynchronisation und Soundeffekte direkt aus den Frames, ohne externe Audio-Pipeline.
• Smart Multi-Shot: zerlegt einen langen Erzähl-Prompt automatisch in einzelne Einstellungen mit passenden Übergängen, Kamerawinkeln und Rhythmus. Das macht aus dem Wan-Videogenerator statt eines Clip-Tools eine Kurzfilm-Engine.

Wan 2.6 verbesserte auch die Basisqualität: Das 14B-Modell unterstützt jetzt bis zu 1080p-Auflösung und 10-Sekunden-Clips in einem Durchgang, und die Mehrfachaufnahmen-Verkettung erlaubt längere Erzählungen.

Technische Architektur

Der Videogenerator Wan AI basiert auf drei Hauptinnovationen, die ihn von Konkurrenzmodellen abheben. Das Verständnis dieser Komponenten erklärt, warum Wan bessere Benchmark-Werte bei praktikablen Inferenztempos erreicht.

Wan-VAE: kausales 3D

Im Herzen der Wan-Pipeline steht ein eigener kausaler 3D-Variational-Autoencoder (Wan-VAE), der rohe Videoframes in einen kompakten Latent-Raum komprimiert. Anders als Standard-Bild-VAEs, die Frames unabhängig verarbeiten, arbeitet Wan-VAE in drei Dimensionen (Höhe, Breite und Zeit) und erfasst zeitliche Beziehungen direkt in der latenten Darstellung.

Die Schlüsselinnovation ist der Feature Cache Mechanism: Statt räumliche Merkmale in jedem Zeitschritt neu zu berechnen, speichert der Encoder Zwischen-Merkmalskarten im Cache und nutzt sie für benachbarte Frames wieder. Das senkt redundante Berechnungen beim Kodieren um etwa 60 %, macht Wan-VAE rund 2,5-mal schneller als das VAE von HunyuanVideo und liefert Rekonstruktionen höherer Treue.

Mixture-of-Experts-Routing (MoE)

Ab Wan 2.2 nutzt das Diffusions-Backbone eine Mixture-of-Experts-Architektur, die jeden Entrauschungsschritt an spezialisierte Teilnetze leitet:

• High-Noise-Experte: aktiv in den ersten Entrauschungsschritten, wenn das Modell Gesamtlayout, Komposition und großräumige Bewegungsbahnen festlegt
• Low-Noise-Experte: übernimmt in späteren Schritten und verfeinert feine Texturen, Lichtdetails, Gesichtsausdrücke und Bewegung auf Subpixel-Ebene

Durch dieses Routing aktiviert das 27B-Modell nur etwa 8–10B Parameter pro Schritt und liefert höhere Qualität als das dichte 14B-Modell bei vergleichbaren Inferenzkosten. Der MoE-Ansatz erlaubt außerdem eine gleichmäßigere Qualitätsskalierung: Du kannst Tempo gegen Qualität tauschen, indem du die Zahl der Entrauschungsschritte anpasst, ohne die abrupten Qualitätsabfälle dichter Modelle.

umT5-Text-Encoder

Wan nutzt einen vereinheitlichten mehrsprachigen T5-Text-Encoder (umT5) statt der in Bildgeneratoren üblichen CLIP-Encoder. Wichtige Vorteile:

• Bidirektionale Aufmerksamkeit: Anders als die unidirektionale Verarbeitung von CLIP versteht umT5 Kontext in beide Richtungen und erzeugt reichere semantische Darstellungen komplexer Prompts
• Native Zweisprachigkeit: gemeinsam mit englischem und chinesischem Text trainiert, erlaubt es natürliche Prompts in beiden Sprachen ohne Übersetzungsartefakte
• Umgang mit langem Kontext: unterstützt Prompts bis 512 Tokens für detaillierte Szenenbeschreibungen, Interaktionen mehrerer Figuren und konkrete Kameraangaben in einem Prompt

Benchmark-Leistung

Der Videogenerator Wan AI hat die höchste Gesamtpunktzahl in VBench, dem meistgenutzten Benchmark für KI-Videogenerierung. So schneiden die wichtigsten Modelle ab:

Über die Gesamtpunktzahl hinaus glänzt der Wan-Videogenerator in mehreren Kategorien:

• Bewegungsqualität: Die zeitliche Konsistenz von Wan übertrifft alle getesteten Modelle, mit weniger Artefakten bei schnellen Kamerafahrten und komplexer Motivbewegung
• Text-Rendering in Video: Wan ist das erste Open-Source-Modell, das lesbaren Text auf Schildern, Bildschirmen und Objekten im Video verlässlich rendert, eine Fähigkeit, die zuvor auf Sora beschränkt war
• Prompt-Treue: Der umT5-Encoder bietet eine messbar bessere Übereinstimmung zwischen komplexen Prompts mit mehreren Elementen und dem Ergebnis
• Ästhetische Qualität: professionelle Farbgebung und natürliches Licht, die mit Bildern echter Kameras konkurrieren

Der wichtigste Vorteil dürfte aber die Verfügbarkeit sein. Während Sora ein ChatGPT-Pro-Abo ($200/Monat) mit Generierungslimits verlangt und Runway pro generierter Sekunde abrechnet, lässt sich das volle Wan-Modell selbst hosten, mit null Grenzkosten pro Generierung nach der Hardware-Investition.

Wan ausführen: lokal oder in der Cloud

Lokale Installation (Schnell-Edition 1.3B)

Den Videogenerator Wan AI lokal auszuführen ist ideal für schnelles Prototyping, Prompt-Iteration und Generierung ohne Kosten pro Clip. Das 1,3B-Modell ist für Consumer-Hardware optimiert:

Mindestanforderungen:

• GPU: NVIDIA RTX 4090 (24 GB VRAM) oder gleichwertig
• RAM: 32 GB Arbeitsspeicher
• Speicher: ~15 GB für die Modellgewichte
• Betriebssystem: Linux (empfohlen) oder Windows mit WSL2

Was dich erwartet:

• Auflösung: 480p (832 x 480)
• Generierungszeit: ~4 Minuten für einen 5-Sekunden-Clip
• Qualität: gut für Storyboards, Social-Entwürfe und Konzeptvalidierung
• Kosten: kostenlos nach der Hardware-Investition

Schnellstart:

git clone https://github.com/Wan-Video/Wan2.1
cd Wan2.1
pip install -r requirements.txt

# Text-to-Video generation
python generate.py \
  --task t2v-1.3B \
  --size 832*480 \
  --prompt "A cat walking across a sunlit windowsill, dust particles floating in golden light"

Das 1,3B-Modell ist der beste Einstieg für Creator, die ohne Cloud-Kosten mit dem Wan-Videogenerator experimentieren wollen. Die Qualität ist für Social-Content wirklich nutzbar, vor allem nach einfacher Nachbearbeitung.

Cloud-API (Pro-Edition 14B)

Für Ergebnisse in Produktionsqualität liefert das volle 14B-Modell filmische Resultate über Cloud-API-Anbieter:

Empfohlene Anbieter:

• DashScope (Alibaba Cloud): offizielle API mit den neuesten Modellversionen, $0.10–0.15 pro 5-Sekunden-Clip in 720p
• SiliconFlow: Hosting durch Dritte mit konkurrenzfähigen Preisen, $0.12–0.29 pro Clip je nach Auflösung und Länge
• Replicate: Preis pro Sekunde, einfache Integration in bestehende Abläufe

Was dich erwartet:

• Auflösung: 720p bis 1080p
• Generierungszeit: 30–90 Sekunden je nach Anbieter und Warteschlange
• Qualität: filmisch, geeignet für kommerzielle Inhalte, Anzeigen und professionelle Videoproduktion
• Kosten: $0.10–0.29 pro Clip

Für die meisten Creator ist ein hybrider Ansatz am besten: Prototyping mit dem lokalen 1,3B-Modell, finale Generierung mit der 14B-Cloud-API. Dieser Ablauf minimiert Cloud-Kosten und hält das Iterationstempo, das Kreativarbeit braucht.

Preise und Lizenz

Der Videogenerator Wan AI erscheint unter der Apache-2.0-Lizenz, einer der freizügigsten Open-Source-Lizenzen. In der Praxis heißt das:

• Kostenlose kommerzielle Nutzung: Du kannst mit Wan generierte Inhalte ohne Lizenzgebühren oder Namensnennungspflicht verkaufen
• Freie Änderung: Feintune das Modell mit eigenen Daten, ändere die Architektur und verteile deine Änderungen
• Kein Nutzungs-Tracking: Selbst gehostetes Wan schickt keine Telemetrie oder Nutzungsdaten an Alibaba
• Patentgewährung: Die Apache-2.0-Lizenz enthält eine ausdrückliche Patentgewährung, die Nutzer vor Patentansprüchen auf die abgedeckte Technologie schützt

Kostenaufschlüsselung

Im Vergleich zu Closed-Source-Alternativen (Sora verlangt ein ChatGPT-Pro-Abo für $200/Monat, Runway berechnet $0.25–0.50 pro Videosekunde und Kling beginnt bei $0.30 pro Clip) bietet der Videogenerator Wan AI den kosteneffizientesten Weg zu hochwertigem KI-Video in jedem Volumen.

Roadmap für 2026

Das Tongyi Lab von Alibaba hat mehrere für 2026 geplante Entwicklungen angekündigt:

• Wan 3.0 (60B Parameter): ein deutlich größeres Modell für 4K-Auflösung und durchgehende 30-Sekunden-Generierung in einem Durchgang, für Mitte 2026 geplant
• 1440p-/4K-Unterstützung: native Ultra-HD-Ausgabe für TV- und Kino-Abläufe
• Echtzeit-Generierung: Optimierungen für interaktive Bildraten in Live-Anwendungen
• Erweitertes Multi-Shot: automatisierte Generierung von 2–5-minütigen Erzählungen mit stimmigen Figuren, Settings und Rhythmus
• Community-Feintuning-Ökosystem: offizielle Tools und Datensätze, um das Modell an bestimmte Bereiche anzupassen (Produktanzeigen, Animationsstile, Architekturvisualisierung)

Als Open Source trägt auch die Community aktiv Verbesserungen bei. Optimierungsprojekte Dritter haben per Quantisierung und eigenen CUDA-Kerneln bereits 30–40 % schnellere Inferenz erreicht, und LoRA-Feintuning-Adapter für spezielle Stile und Themen vermehren sich.

Teste die Wan-Modelle in ZenCreator, ohne Installation

Du willst dich nicht mit GPU-Anforderungen und lokalen Installationen befassen? ZenCreator führt die Wan-Modelle in der Cloud aus, damit du sofort generieren kannst: ohne Hardware, ohne API-Schlüssel und ohne Einrichtung.

Bild zu Video mit Wan

ZenCreator bietet vier Wan-Videomodelle für Bild zu Video:

• WAN 2.2 + LoRAs: Wan mit LoRA-Unterstützung für konsistente Stile und Figuren. Unterstützt Startframe und uneingeschränkte Inhalte.
• WAN 2.2: das flexibelste Modell für kreative Bewegung. Unterstützt Startframe, Endframe und uneingeschränkte Inhalte.
• Wan 2.5 + Audio: audiogesteuerte Bewegung mit Lippensynchronisation und Rhythmusanpassung. Unterstützt Startframe und Audioeingabe.
• Wan 2.6 + Audio: die neueste Version mit verbesserter audiogesteuerter Generierung, Lippensynchronisation und Rhythmussteuerung. Unterstützt Startframe und Audioeingabe.

Alle Modelle unterstützen NSFW-Generierung: ohne Filter und Einschränkungen für deine kreative Produktion.

Text zu Bild mit Wan

ZenCreator enthält außerdem ein Wan-Modell für Text zu Bild, optimiert für kreative Stile, mit Unterstützung für uneingeschränkte Inhalte und Auflösungen bis 1K. Nutze es für Startframes deiner Videopipeline: Erstelle ein Bild aus einem Prompt und animiere es mit einem der Wan-Videomodelle oben.

Ob du Ideen prototypst, Social-Content erstellst oder eine komplette Produktionspipeline aufbaust: ZenCreator gibt dir Zugang zu den neuesten Wan-Modellen mit einfacher Browser-Oberfläche und erschwinglichen Credit-Plänen ab $19.99.

Häufige Fragen

Was ist der Videogenerator Wan AI?

Der Videogenerator Wan AI ist ein Open-Source-Videomodell des Tongyi Lab von Alibaba. Er verwandelt Text-Prompts oder Standbilder in hochwertige Videoclips über eine Diffusionsarchitektur mit kausalem 3D-VAE und Mixture-of-Experts-Design. Er steht unter Apache-2.0-Lizenz und ist daher für private wie kommerzielle Nutzung kostenlos.

Ist der Videogenerator Wan AI kostenlos?

Ja, der Videogenerator Wan AI ist komplett kostenlos. Modellgewichte, Trainingscode und Inferenzskripte erscheinen unter Apache-2.0-Lizenz, ohne Nutzungsgebühren oder Lizenzkosten. Die einzigen Kosten sind deine eigenen Rechenressourcen: eine lokale GPU oder Cloud-API-Gebühren ab etwa $0.10 pro Clip.

Wie führst du den Videogenerator Wan AI lokal aus?

Für den lokalen Betrieb brauchst du eine NVIDIA-GPU mit mindestens 24 GB VRAM (etwa eine RTX 4090) für das 1,3B-Modell. Klone das offizielle GitHub-Repository, installiere die Python-Abhängigkeiten und starte das Generierungsskript mit deinem Prompt. Das 1,3B-Modell generiert einen 5-Sekunden-Clip in 480p in rund 4 Minuten auf Consumer-Hardware.

Was ist der Unterschied zwischen Wan 2.1, 2.2 und 2.6?

Wan 2.1 führte die Grundfunktionen Text zu Video und Bild zu Video mit 14B- und 1,3B-Modellen ein. Wan 2.2 ergänzte eine 27B-Mixture-of-Experts-Architektur für mehr Effizienz sowie Module für Figurenanimation und Bewegungsübertragung. Wan 2.6 brachte Erzählfunktionen wie konsistente Figurenidentität über Einstellungen, native Audiogenerierung und automatische Zerlegung in mehrere Einstellungen.

Ist Wan AI Open Source?

Ja, der Videogenerator Wan AI ist komplett Open Source unter Apache-2.0-Lizenz. Das umfasst alle Modellgewichte (Varianten 1,3B, 14B und 27B MoE), Trainingscode, Inferenzskripte und Dokumentation. Du kannst das Modell frei ändern, feintunen und für jeden Zweck einsetzen, einschließlich kommerzieller Anwendungen, ohne Namensnennungspflicht.

Wie schneidet Wan gegenüber Sora ab?

Der Videogenerator Wan AI erzielt im VBench-Benchmark mehr Punkte als Sora (86,22 % gegen 84,28 %), mit besonderen Vorteilen bei Bewegungsqualität und Text-Rendering. Sora bietet eine längere maximale Cliplänge (20 Sekunden gegen 10) und eine etwas höhere Basisauflösung. Der größte praktische Unterschied ist der Zugang: Wan ist kostenlos und Open Source, Sora verlangt ein ChatGPT-Pro-Abo für $200/Monat mit Generierungslimits.

Kann Wan AI Video aus Bildern generieren?

Ja, Bild zu Video gehört zu den Hauptfähigkeiten von Wan AI. Du gibst ein Standbild ein, und das Modell animiert es zu einem flüssigen Videoclip und erhält Komposition, Farben und Motividentität des Originalbilds. Ab Wan 2.2 erlaubt das Modul Wan-Animate außerdem, bestimmte Figuren aus einem einzigen Referenzfoto zu animieren.