Wan 2.7 Video Generator: คู่มือฉบับสมบูรณ์สำหรับวิดีโอจากข้อความ รูปภาพ และวิดีโออ้างอิง

Wan 2.7 Video Generator: คู่มือฉบับสมบูรณ์สำหรับโหมดข้อความ รูปภาพ และอ้างอิง

ประเด็นสำคัญ

• Wan 2.7 เป็นโมเดลรวมหนึ่งเดียวที่ครอบคลุมการสร้างวิดีโอจากข้อความ (T2V) การสร้างวิดีโอจากรูปภาพ (I2V) และการสร้างวิดีโอจากข้อมูลอ้างอิง (R2V) ในเวิร์กโฟลว์เดียว
• รองรับเอาต์พุต 720P และ 1080P, ความยาว 2 ถึง 15 วินาที และอัตราส่วนภาพห้าแบบ รวมถึง 16:9, 9:16 และ 1:1
• โหมดเฟรมเริ่มต้น-สุดท้าย และโหมดที่ขับเคลื่อนด้วยเสียง ช่วยให้คุณควบคุมสถานะเริ่มต้นและสถานะสิ้นสุดได้ ซึ่งโมเดล I2V แบบรูปภาพเดียวไม่สามารถทำได้
• การสร้างวิดีโอจากข้อมูลอ้างอิง (R2V) รองรับรูปภาพอ้างอิงสูงสุดห้าภาพ คลิปอ้างอิงห้าคลิป และแทร็กเสียงอ้างอิงหนึ่งแทร็กในการเรียกครั้งเดียว
• ลองใช้ Wan 2.7 video generator เพื่อทำตามตัวอย่างใดๆ ในคู่มือนี้

Wan 2.7 Video Generator คืออะไร?

Wan 2.7 เป็นโมเดลสร้างวิดีโอรุ่นล่าสุดจากทีม Wan ของ Alibaba ซึ่งเปิดเผยผ่าน Alibaba Cloud Model Studio โดยรวมความสามารถสี่อย่างที่เคยแยกกันเข้าไว้ในตระกูลโมเดลเดียว: การสร้างวิดีโอจากข้อความ, การสร้างวิดีโอจากรูปภาพ, การสร้างวิดีโอจากข้อมูลอ้างอิง และการตัดต่อวิดีโอ ตาม ภาพรวมการสร้างวิดีโอของ Alibaba Cloud โมเดลนี้รองรับอินพุตหลายรูปแบบและส่งออกไฟล์ MP4 หรือ MOV ที่ความละเอียดสูงสุด 1080P

การเปลี่ยนแปลงที่สำคัญใน 2.7 คือการรวมเวิร์กโฟลว์ แทนที่จะสลับไปมาระหว่างผู้ให้บริการสำหรับการสร้างวิดีโอจากข้อความและการสร้างวิดีโอจากรูปภาพ คุณสามารถเรียกใช้โมเดลเดียวกันและให้ API กำหนดเส้นทางตามอินพุตที่คุณส่ง สิ่งนี้ตรงกับ หน้าผลิตภัณฑ์ PixMind Wan 2.7 ซึ่งมีอินเทอร์เฟซการสร้างเดียวที่รองรับทุกโหมด

สำหรับผู้สร้าง สิ่งนี้มีความสำคัญเนื่องจากการสลับโหมดเป็นส่วนที่ทำให้เสียเวลาในการผลิตมากที่สุด คุณเขียนพรอมต์ เรนเดอร์ ตระหนักว่าสถานะเริ่มต้นผิดพลาด จากนั้นสร้างใหม่ตั้งแต่ต้นในเครื่องมืออื่น อินเทอร์เฟซรวมของ Wan 2.7 ช่วยให้คุณสามารถสลับอินพุตได้โดยไม่ต้องสลับโมเดล

Wan 2.7 รองรับกี่โหมด?

Wan 2.7 มีสี่โหมด เอกสารอ้างอิง I2V API มีรายละเอียดเมทริกซ์อินพุตทั้งหมด นี่คือการสรุปในทางปฏิบัติ

การสร้างวิดีโอจากข้อความ (T2V)

T2V รับพรอมต์ข้อความและส่งออกเป็นวิดีโอ เอกสารอ้างอิง Wan 2.7 T2V API แสดงรายการพารามิเตอร์ที่รองรับ รวมถึงความละเอียด ระยะเวลา อัตราส่วน และแทร็กเสียงเสริม T2V เป็นเส้นทางที่เร็วที่สุดจากแนวคิดสู่คลิป

ใช้ T2V เมื่อคุณไม่มีเฟรมเริ่มต้นที่กำหนดไว้ การเคลื่อนไหวเชิงนามธรรม, B-roll, สตอรี่บอร์ด และลำดับที่มีสไตล์ ล้วนเหมาะสม หลีกเลี่ยง T2V เมื่อสถานะเริ่มต้นมีความสำคัญ: หากคุณต้องการผลิตภัณฑ์เฉพาะบนหน้าจอที่เฟรมศูนย์ ให้เปลี่ยนไปใช้ I2V

การสร้างวิดีโอจากรูปภาพ (I2V)

I2V คือจุดที่การรวมเวิร์กโฟลว์ของ Wan 2.7 แสดงให้เห็น คู่มือผู้ใช้ Wan 2.7 image-to-video ได้บันทึกสี่โหมดย่อย:

1. First-frame-to-video: รูปภาพหนึ่งภาพกลายเป็นสถานะเริ่มต้น โมเดลจะสร้างการเคลื่อนไหวขึ้นมา
2. First-and-last-frame-to-video: รูปภาพสองภาพกำหนดสถานะเริ่มต้นและสิ้นสุด โมเดลจะประมาณค่ากลาง
3. Video continuation: คลิปสั้นๆ กลายเป็นสถานะเริ่มต้น โมเดลจะขยายต่อ
4. Audio-driven: รูปภาพพร้อมแทร็กเสียงขับเคลื่อนการซิงค์ริมฝีปากหรือการเคลื่อนไหว

สำหรับคำแนะนำเชิงลึกเกี่ยวกับเส้นทาง I2V ทั้งสี่ โปรดดู PixMind first-last-frame prompts cluster

การสร้างวิดีโอจากข้อมูลอ้างอิง (R2V)

R2V เป็นโหมดที่ทรงพลังที่สุดและมีเอกสารน้อยที่สุด เอกสารอ้างอิง Wan 2.7 R2V API อธิบายการเรียกที่รองรับรูปภาพอ้างอิงสูงสุดห้าภาพ คลิปอ้างอิงห้าคลิป และแทร็กเสียงอ้างอิงหนึ่งแทร็ก โมเดลใช้สิ่งเหล่านี้เพื่อรักษารูปลักษณ์ เสียง และสไตล์ตลอดเอาต์พุต

R2V คือสิ่งที่คุณควรใช้เมื่อคุณต้องการให้ตัวละครมีรูปลักษณ์เหมือนเดิมในทุกช็อต หรือเมื่อคุณต้องการโคลนเสียงลงในฉากใหม่ ข้อเสียคือระยะเวลา: R2V จำกัดที่ 10 วินาที ซึ่งสั้นกว่าขีดจำกัด 15 วินาทีของ T2V และ I2V

การตัดต่อวิดีโอ

การตัดต่อวิดีโอจะใช้วิดีโอต้นฉบับพร้อมคำสั่งข้อความ และส่งคืนคลิปที่แก้ไขแล้ว Wan 2.7 video editing API รองรับการแก้ไขตามคำสั่งและการถ่ายโอนสไตล์ โหมดนี้อยู่นอกขอบเขตของคู่มือการสร้าง แต่ก็ควรทราบว่ามีอยู่

โหมด First-Last-Frame ทำงานอย่างไร?

First-last-frame เป็นโหมดย่อยของ I2V คุณให้รูปภาพสองภาพ: ภาพหนึ่งสำหรับเฟรมแรก ภาพหนึ่งสำหรับเฟรมสุดท้าย Wan 2.7 จะสร้างเฟรมระหว่างกลาง

สิ่งนี้มีความสำคัญเนื่องจาก I2V แบบรูปภาพเดียวจะปล่อยให้สถานะสิ้นสุดเป็นหน้าที่ของโมเดล หากช็อตของคุณจำเป็นต้องหยุดที่เฟรมเฉพาะ (ผลิตภัณฑ์ที่หมุนเต็มที่, กล่องที่เปิดเต็มที่, ตัวละครที่หันเต็มที่) first-last-frame คือวิธีที่คุณรับประกันการหยุดนั้น

รูปแบบการใช้งานจริงคือ: ถ่ายหรือสร้างคีย์เฟรมสองเฟรม อัปโหลดเป็นเฟรมแรกและสุดท้าย กำหนดระยะเวลา เรนเดอร์ Wan 2.7 จะประมาณค่าการเคลื่อนไหวระหว่างเฟรมเหล่านั้น หน้าพรอมต์ first-last-frame ของ PixMind มีเทมเพลตพรอมต์สำหรับการเปิดตัวผลิตภัณฑ์ การเปลี่ยนฉาก และรูปแบบการเล่าเรื่อง

ข้อผิดพลาดทั่วไปที่ควรระวัง:

• การบิดเบี้ยวบนพื้นผิวสะท้อนแสง: แก้ว โลหะ และน้ำอาจเกิดการบิดเบี้ยวระหว่างการประมาณค่ากลาง
• การเปลี่ยนแปลงรูปลักษณ์ของตัวละคร: ใบหน้าอาจเปลี่ยนไปมาระหว่างเฟรม
• ความไม่สอดคล้องของกล้อง: หากคีย์เฟรมทั้งสองบ่งบอกถึงมุมกล้องที่แตกต่างกัน โมเดลจะต้องสร้างการเปลี่ยนผ่านขึ้นมาเอง

ทดสอบด้วยระยะเวลาสั้นๆ ก่อน (2-3 วินาที) ก่อนที่จะเรนเดอร์ 5-10 วินาที

วิดีโอที่ขับเคลื่อนด้วยเสียงทำงานอย่างไร?

โหมดที่ขับเคลื่อนด้วยเสียงจะใช้ภาพนิ่งพร้อมแทร็กเสียง และสร้างวิดีโอที่ตัวแบบดูเหมือนจะพูดหรือเคลื่อนไหวซิงค์กับเสียง นี่คือพื้นฐานของเนื้อหาประเภท talking-head และ avatar

โมเดลใช้รูปคลื่นเสียงเพื่อขับเคลื่อนสองสิ่ง: การเคลื่อนไหวของริมฝีปาก (หากมีใบหน้า) และพลังงานการเคลื่อนไหวโดยรวม Wan 2.7 I2V API ยอมรับเสียงเป็นส่วนหนึ่งของอาร์เรย์สื่อ โดยใช้ประเภท driving_audio

สำหรับกรณีการใช้งานแบบ talking-head ให้จับคู่สิ่งนี้กับ PixMind character performance cluster การรวมกันของ I2V ที่ขับเคลื่อนด้วยเสียงบวกกับภาพบุคคลอ้างอิงที่ชัดเจน เป็นเส้นทางเปิดที่ดีที่สุดในปัจจุบันสำหรับการสร้างอวตารที่ซิงค์ริมฝีปากโดยไม่ต้องฝึกโมเดลที่กำหนดเอง

ข้อสังเกตเชิงปฏิบัติสองประการ:

• คุณภาพเสียงขับเคลื่อนคุณภาพวิดีโอ การบันทึกในสตูดิโอที่สะอาดดีกว่าไมโครโฟนโทรศัพท์
• ทดสอบด้วยคลิป 3 วินาทีก่อน ปัญหาการซิงค์จะตรวจจับได้ง่ายกว่าตั้งแต่เนิ่นๆ

คุณควรเลือกความละเอียด ระยะเวลา และอัตราส่วนภาพเท่าใด?

Wan 2.7 รองรับเอาต์พุต 720P และ 1080P ข้อแลกเปลี่ยนคือต้นทุนเทียบกับความคมชัด ตาม กลยุทธ์ราคาของ PixMind 1080P ใช้เครดิตประมาณสองเท่าของ 720P ต่อวินาที

ระยะเวลาเป็นตัวขับเคลื่อนต้นทุนเชิงเส้น การเรนเดอร์ 10 วินาทีมีค่าใช้จ่ายประมาณ 5 เท่าของการเรนเดอร์ 2 วินาทีที่ความละเอียดเท่ากัน สำหรับการทำซ้ำ ให้ทำงานสั้นๆ สำหรับงานสุดท้าย ให้ทำยาวๆ

ค่าเริ่มต้นที่เหมาะสมสำหรับผู้ใช้ใหม่: 720P, 5 วินาที, 16:9 ยืนยันว่าช็อตใช้งานได้ จากนั้นปรับเป็น 1080P สำหรับงานสุดท้าย

คุณจะเลือกโหมด Wan 2.7 ที่เหมาะสมได้อย่างไร?

ผังการตัดสินใจนั้นตรงไปตรงมาเมื่อคุณทราบว่าคุณมีอินพุตอะไรบ้าง

• คุณมีแค่แนวคิด: ใช้ T2V ทำซ้ำพรอมต์ก่อนที่จะเพิ่มภาพ
• คุณมีรูปภาพผลิตภัณฑ์หนึ่งรูป: ใช้โหมด I2V first-frame
• คุณมีคีย์เฟรมสองเฟรมที่ต้องเป็นจุดเริ่มต้นและจุดสิ้นสุด: ใช้ I2V first-last-frame
• คุณมีคลิปสั้นๆ ที่ต้องการขยาย: ใช้ I2V video continuation
• คุณมีภาพบุคคลพร้อมเสียงบรรยาย: ใช้ I2V audio-driven
• คุณต้องการรักษารูปลักษณ์หรือเสียงในทุกช็อต: ใช้ R2V
• คุณมีฟุตเทจที่มีอยู่ซึ่งต้องการการแก้ไขหรือเปลี่ยนสไตล์: ใช้การตัดต่อวิดีโอ

หากคุณไม่แน่ใจ ให้เริ่มต้นที่ ศูนย์รวมตระกูล PixMind Wan และเลือกตามกรณีการใช้งานแทนที่จะเลือกตามชื่อโหมด ศูนย์รวมจะนำคุณไปยังอินเทอร์เฟซที่เหมาะสมตามสิ่งที่คุณต้องการสร้าง

คุณควรเขียนพรอมต์ Wan 2.7 อย่างไร?

โครงสร้างพรอมต์มีความสำคัญมากกว่าความยาวของพรอมต์ Wan 2.7 ให้ผลลัพธ์ที่ดีเมื่อใช้โครงสร้างห้าส่วน: หัวข้อ, การกระทำ, ฉาก, กล้อง, สไตล์

โครงสร้างตัวอย่าง:

หัวข้อ: ขวดน้ำหอมแก้วบนพื้นผิวสีเข้ม การกระทำ: ละอองน้ำพุ่งออกมาทางขวา ฉาก: ฉากหลังสตูดิโอสีดำ, แสงหลักดวงเดียวจากด้านซ้ายของกล้อง กล้อง: ช็อตกลางนิ่ง, เทียบเท่า 50 มม. สไตล์: ภาพยนตร์, ระยะชัดตื้น, แสงขอบอุ่น

แต่ละส่วนจะจำกัดพื้นที่เอาต์พุตให้แคบลง ส่วนที่ขาดหายไปจะใช้ค่าเริ่มต้นของโมเดล ซึ่งมักจะเป็นแบบทั่วไป

สำหรับรูปแบบพรอมต์ที่ลึกซึ้งยิ่งขึ้น PixMind multi-shot prompts cluster ครอบคลุม 12 โครงสร้างที่นำกลับมาใช้ใหม่ได้ รวมถึงลำดับหลายช็อต รูปแบบการซิงค์เสียง และสตอรี่บอร์ด first-last-frame

ข้อผิดพลาดสองประการของพรอมต์ที่ควรหลีกเลี่ยง:

• พรอมต์ที่มากเกินไป: การมีหัวข้อมากกว่าห้าหัวข้อในพรอมต์เดียวจะทำให้โมเดลสับสน แบ่งออกเป็นการเรนเดอร์หลายครั้ง
• การใช้ negative-prompt มากเกินไป: Wan 2.7 ไม่ให้น้ำหนักกับ negative-prompt เหมือนที่โมเดลรูปภาพทำ ให้ใช้สั้นๆ

Wan 2.7 เปรียบเทียบกับโมเดลอื่นอย่างไร?

Wan 2.7 อยู่ในตลาดที่มีการแข่งขันสูง Sora 2, VEO 3, Kling 2.0 และ Seedance ล้วนมีกรณีการใช้งานที่ทับซ้อนกัน ความแตกต่างอยู่ที่โหมดที่แต่ละโมเดลนำเสนอและค่าใช้จ่าย

ตารางนี้สะท้อนข้อมูลจำเพาะที่ผู้จำหน่ายเผยแพร่ ณ เดือนกรกฎาคม 2026 การทดสอบแบบตัวต่อตัวอิสระอยู่ใน การทดสอบพรอมต์ Wan 2.7 เทียบกับ Sora 2 และ การประลอง VEO และ Kling ของเรา

จุดเด่นของ Wan 2.7 คือ first-last-frame ที่รวมกับ R2V ไม่มีโมเดลอื่นในตารางที่นำเสนอทั้งสองอย่างเต็มความสามารถ หากเวิร์กโฟลว์ของคุณต้องการการควบคุมจุดเริ่มต้นและจุดสิ้นสุดที่แม่นยำ รวมถึงการรักษารูปลักษณ์ Wan 2.7 เป็นเส้นทางโมเดลเดียวในปัจจุบัน

ข้อผิดพลาดทั่วไปคืออะไร?

โมเดลวิดีโอ AI ทุกตัวมีข้อผิดพลาด การระบุชื่อข้อผิดพลาดช่วยให้คุณส่งมอบงานได้เร็วขึ้น

• การบิดเบี้ยวบนพื้นผิวสะท้อนแสง: แก้ว, กระจก, โลหะขัดเงา บรรเทาได้โดยการลดความกว้างของการเคลื่อนไหวในพรอมต์
• การเปลี่ยนแปลงรูปลักษณ์ในแต่ละช็อต: ใบหน้าเปลี่ยนไปมาระหว่างการสร้าง บรรเทาได้ด้วยอินพุตอ้างอิง R2V
• ข้อความที่สร้างขึ้นเองในเฟรม: ป้าย, ฉลาก, โลโก้แสดงผลเป็นภาษาที่อ่านไม่ออก บรรเทาได้โดยการลบข้อความออกจากรูปภาพอินพุต
• อัตราส่วนภาพไม่ตรงกัน: การป้อนภาพ 9:16 เข้าไปในการสร้าง 16:9 จะทำให้ภาพถูกตัดโดยไม่คาดคิด จับคู่อัตราส่วนภาพอินพุตกับอัตราส่วนภาพเอาต์พุต
• การใช้เครดิตสิ้นเปลืองในการทำซ้ำนานๆ: การเรนเดอร์ทดสอบ 10 วินาทีใช้เครดิตอย่างรวดเร็ว ทำซ้ำที่ 2-3 วินาที

กลุ่มกรณีการใช้งาน PixMind มีบันทึกข้อผิดพลาดตามสถานการณ์สำหรับการตลาดผลิตภัณฑ์, การแสดงตัวละคร, การพรีวิวก่อนถ่ายทำ และการดึงดูดบนโซเชียล

คำถามที่พบบ่อยเกี่ยวกับ Wan 2.7 Video Generator

Wan 2.7 ทดลองใช้ฟรีหรือไม่?

ใช่ หน้า PixMind Wan 2.7 มีการทดลองใช้ฟรีโดยไม่ต้องใช้บัตรเครดิต แผนแบบชำระเงินจะเริ่มใช้เมื่อคุณใช้เกินโควตาการทดลองใช้เท่านั้น

Wan 2.7 รองรับ 4K หรือไม่?

ไม่ วิดีโอ Wan 2.7 มีความละเอียดสูงสุดที่ 1080P โมเดลภาพของ Wan 2.7 รองรับภาพนิ่ง 4K ผ่านระดับ Pro แต่เอาต์พุตวิดีโอถูกจำกัดที่ 1080P

Wan 2.7 สามารถโคลนใบหน้าของบุคคลเฉพาะได้หรือไม่?

Wan 2.7 สามารถรักษารูปลักษณ์จากอินพุตอ้างอิงได้ แต่ PixMind มีนโยบายห้ามการโคลนรูปลักษณ์ของบุคคลจริงที่ระบุตัวตนได้โดยไม่ได้รับความยินยอม ใช้ R2V กับตัวละครต้นฉบับ, ข้อมูลอ้างอิงจากสต็อก หรือรูปลักษณ์ของคุณเอง

การเรนเดอร์ Wan 2.7 หนึ่งครั้งใช้เวลานานเท่าใด?

เวลาในการสร้างขึ้นอยู่กับระยะเวลา ความละเอียด และโหลด การเรนเดอร์ 720P ความยาว 5 วินาทีโดยทั่วไปจะเสร็จสิ้นใน 60-90 วินาที การเรนเดอร์ 1080P ความยาว 10 วินาทีอาจใช้เวลา 3-5 นาที API จะส่งคืน ID งานที่คุณสามารถตรวจสอบสถานะได้

Wan 2.7 สร้างเสียงได้หรือไม่?

ใช่ แต่เฉพาะในโหมดที่รับอินพุตเสียงเท่านั้น T2V สามารถรับแทร็กเสียงและซิงค์การเคลื่อนไหวกับมันได้ โหมด I2V ที่ขับเคลื่อนด้วยเสียงใช้เสียงเพื่อขับเคลื่อนการซิงค์ริมฝีปากและการเคลื่อนไหว การสร้างเสียงบริสุทธิ์ (เพลง, เอฟเฟกต์เสียง) เป็นโมเดล Alibaba แยกต่างหาก

ฉันสามารถใช้เอาต์พุต Wan 2.7 ในเชิงพาณิชย์ได้หรือไม่?

ใช่ เอาต์พุตที่คุณสร้างเป็นของคุณที่สามารถใช้ในเชิงพาณิชย์ภายใต้ข้อกำหนดของ Alibaba Cloud Model Studio ตรวจสอบข้อกำหนดปัจจุบันใน ภาพรวม Alibaba Cloud Model Studio ก่อนที่จะเผยแพร่

ดูการทำงานจริง

Wan 2.7 shipped 5 features that collectively turn it from a video generator into a video production suite...

> First/Last Frame control (define start and end, AI fills the middle)
> 9-grid multi-reference (upload 9 images in a 3x3 grid, model understands your subject from every… https://t.co/dBq6X5XP36 pic.twitter.com/Gzbpcg971b

— Machina (@EXM7777) April 3, 2026