Wan API: Open Video Generation by Alibaba

Wan API ช่วยให้นักพัฒนาสามารถเข้าถึงโมเดลวิดีโอ Wan แบบเปิดของ Alibaba บน Atlas Cloud ผ่านคีย์แบบรวมศูนย์เพียงคีย์เดียว หน้านี้รัน Wan 2.2 ซึ่งเป็นโมเดลวิดีโอพื้นฐานที่บุกเบิกสถาปัตยกรรม Mixture-of-Experts สำหรับ video diffusion ครอบคลุมการแปลงข้อความเป็นวิดีโอ รูปภาพเป็นวิดีโอ และวิดีโอเป็นวิดีโอพร้อมการควบคุมการเคลื่อนไหวแบบภาพยนตร์ โมเดลนี้อยู่ร่วมกับโมเดลอื่นๆ อีกกว่า 300 โมเดลในบัญชีเดียวกัน คุณจึงสามารถเข้าถึงได้ผ่านปลายทางที่รองรับ OpenAI โดยไม่ต้องตั้งค่าแยกต่างหาก

Wan 2.2 มาพร้อมกับหลายรุ่นย่อย ได้แก่ รุ่น A14B ที่สร้างขึ้นสำหรับการแปลงข้อความเป็นวิดีโอและรูปภาพเป็นวิดีโอคุณภาพระดับภาพยนตร์ และรุ่น TI2V-5B ที่มีน้ำหนักเบากว่าซึ่งรวมทั้งสองโหมดเข้าด้วยกันและทำงานที่ความละเอียด 720p บน GPU สำหรับผู้บริโภคทั่วไป นอกจากนี้ Atlas Cloud ยังมีรุ่น turbo ที่ลดทอนความสมจริงลงเล็กน้อยเพื่อการสร้างสรรค์ที่รวดเร็วยิ่งขึ้นและมีเวลาแฝงต่ำลง เลือก A14B สำหรับคุณภาพสูงสุด เลือก TI2V-5B เพื่อประสิทธิภาพ และเลือก turbo สำหรับการทำซ้ำอย่างรวดเร็ว

Wan API ครอบคลุมการแปลงข้อความเป็นวิดีโอ รูปภาพเป็นวิดีโอ และวิดีโอเป็นวิดีโอ ดังนั้นคุณจึงสามารถเริ่มต้นจากพรอมต์ (prompt) สร้างแอนิเมชันจากภาพนิ่ง หรือแปลงฟุตเทจที่มีอยู่ได้ นอกจากนี้ยังรองรับการควบคุมตั้งแต่เฟรมแรกจนถึงเฟรมสุดท้าย การขยายวิดีโอเพื่อทำให้คลิปยาวขึ้น และการอัปสเกล (upscaling) เพื่อเพิ่มความคมชัดของความละเอียด แต่ละโหมดคือการเปลี่ยนพารามิเตอร์หรือตำแหน่งข้อมูล (endpoint) ซึ่งช่วยรักษาไปป์ไลน์แบบผสมไว้ในการผสานการทำงานเพียงจุดเดียว

Mixture-of-Experts, or MoE, splits the denoising process across specialized expert models that each handle part of the work. Wan 2.2 was the first video diffusion model to use this design, which raises overall model capacity and detail without increasing inference cost per step. In practice that means richer scenes and more accurate motion at the same compute budget.

Wan 2.2 สร้างวิดีโอแบบเนทีฟที่ความละเอียด 480p และ 720p โดยสามารถอัปสเกลเพื่อให้ได้ความละเอียดที่สูงขึ้นในระดับ 1080p หรือ 2K และมีความยาวคลิปโดยทั่วไปอยู่ในช่วงสั้นๆ เพียงไม่กี่วินาทีต่อการสร้างหนึ่งครั้ง ตัวแปร TI2V-5B ที่มีน้ำหนักเบากว่ามีเป้าหมายที่ความละเอียด 720p ที่ 24fps

ใช่ Wan 2.2 เปิดตัวโดย Alibaba ภายใต้ใบอนุญาต Apache 2.0 โดยมีน้ำหนักโมเดลและโค้ดการอนุมานเผยแพร่บน HuggingFace และ GitHub เพื่อให้คุณสามารถดาวน์โหลด แก้ไข และโฮสต์ด้วยตัวเองได้ การรันในระบบโลคัลต้องใช้ GPU ที่มี VRAM อย่างน้อย 16GB และควรมีมากกว่านี้สำหรับโมเดล A14B ที่มีขนาดใหญ่กว่า Atlas Cloud ให้บริการโฮสต์ Wan API ดังนั้นคุณจึงสามารถข้ามขั้นตอนการทำงานเกี่ยวกับฮาร์ดแวร์และการปรับขนาดไปได้เลย

ใช่ สิทธิ์การใช้งาน Apache 2.0 อนุญาตให้ใช้งานเชิงพาณิชย์ ดัดแปลง และแจกจ่ายซ้ำได้ ดังนั้นวิดีโอที่สร้างด้วย Wan 2.2 จึงสามารถนำไปใช้ในโปรเจกต์เชิงพาณิชย์ได้ โปรดตรวจสอบข้อกำหนดการให้บริการของ Atlas Cloud สำหรับรายละเอียดเฉพาะในแพ็กเกจของคุณ และโปรดทราบถึงข้อจำกัดทั่วไปเกี่ยวกับการสร้างเนื้อหาที่แสดงถึงบุคคลจริงที่สามารถระบุตัวตนได้โดยไม่ได้รับความยินยอมจากพวกเขา

The turbo variants apply an rCM sampler and 4-step distillation, which compress the denoising process into far fewer steps. This lowers latency and cost per clip while keeping strong visual fidelity, which makes turbo a good fit for iteration, batch runs, and prompt testing. Move to the standard A14B models when a final render needs maximum detail.

การสร้างเป็นแบบอะซิงโครนัส: แต่ละคำขอจะส่งคืนรหัสการคาดการณ์ (prediction ID) ที่คุณทำการโพลล์ (poll) จนกว่าคลิปจะพร้อมใช้งาน ซึ่งเหมาะสำหรับคิวและการรันงานปริมาณมาก เพิ่มการเว้นระยะแบบเอ็กซ์โพเนนเชียล (exponential backoff) และการลองใหม่เมื่อได้รับรหัสตอบกลับ 429 และใช้รุ่น turbo สำหรับแบบร่างเพื่อรักษาปริมาณงาน (throughput) ให้สูงอยู่เสมอ ติดต่อฝ่ายสนับสนุนเพื่อเพิ่มขีดจำกัดความพร้อมกัน (concurrency limits) เมื่อปริมาณงานของคุณเพิ่มขึ้น

สร้างบัญชีบน Atlas Cloud สร้าง API key และส่งคำขอไปยังโมเดล Wan พร้อม prompt หรือรูปภาพอินพุตของคุณผ่าน endpoint ที่เข้ากันได้กับ OpenAI ทำการโพลล์ prediction endpoint เพื่อรับคลิปวิดีโอที่เสร็จสมบูรณ์ จากนั้นขยายขนาดตามความจำเป็น เนื่องจากคีย์เดียวกันนี้สามารถเข้าถึงโมเดลได้มากกว่า 300 โมเดล คุณจึงสามารถทดสอบโมเดลวิดีโอและรูปภาพอื่นๆ ได้โดยไม่ต้องมีการตั้งค่าเพิ่มเติมใดๆ