Erste Schritte mit Wan 2.5 Preview

Wan 2.5 Preview ist ein Videogenerierungs-Tool von Alibaba, das Textbeschreibungen oder Bilder in kurze, kinoreife Clips mit synchronisiertem Audio verwandelt. Es unterstützt zwei Modi: Text-to-Video (T2V) und Image-to-Video (I2V). Andere leistungsstarke Modelle wie Kling V3 bieten ähnliche kinoreife Fähigkeiten. Zu den wichtigsten Funktionen zählen die Audio-Video-Erstellung in einem Durchgang, präzise Lippensynchronisation und Ausgaben mit bis zu 1080p bei 24fps für 5- oder 10-sekündige Videos. Die Integration gelingt mühelos über APIMart, eine Plattform, die eine einheitliche API für nahtlosen Zugriff bietet. Die Preise beginnen bei $0.0336/Sekunde für 480p. Hier ist, was Sie für den Einstieg wissen müssen:

• Modi: T2V zum Erstellen von Videos aus Text-Prompts, I2V zum Hinzufügen von Bewegung zu Bildern.
• Qualität: Ausgaben in 480p, 720p oder 1080p mit 48-kHz-Stereo-Audio.
• Preise: Pay-as-you-go, Abrechnung pro Sekunde generiertem Video.
• Einrichtung: Funktioniert mit Python oder Node.js über eine REST-API. Erfordert einen API-Schlüssel von APIMart.
• Workflow: Eine Anfrage senden, eine Task-ID erhalten und das Ergebnis abfragen.

Beginnen Sie mit einem 5-sekündigen 480p-Clip, um Ihr Setup zu testen. Sobald Sie sich sicher fühlen, skalieren Sie für finale Renderings auf 1080p hoch. Verwenden Sie detaillierte Prompts für bessere Ergebnisse und ergänzen Sie Audio-Anweisungen für synchronisierten Ton.

Dieser Leitfaden deckt alles ab, von der Einrichtung Ihrer Umgebung über das Erstellen von Prompts bis hin zur effektiven Kostenkontrolle.

Einrichtung Ihrer Umgebung

Voraussetzungen für Entwickler

Bevor Sie in den Code eintauchen, ist es entscheidend, mit einigen Grundlagen vertraut zu sein. Sie sollten ein gutes Verständnis von REST-APIs und JSON-Formatierung haben, da alle Interaktionen mit Wan 2.5 auf diesen Standards beruhen. Ob Sie Python 3.x oder Node.js (v14+) bevorzugen – beides funktioniert für dieses Setup.

Ein weiteres zentrales Konzept, das Sie verstehen sollten, sind asynchrone Workflows. Wan 2.5 liefert kein fertiges Video sofort aus. Stattdessen stellt es eine task_id bereit, die Sie überwachen müssen. Sie müssen eine Polling-Schleife erstellen, um den Task-Status zu prüfen, bis er auf „completed" aktualisiert wird. Sobald Sie bereit sind, gehen Sie zu APIMart, um ein Konto zu erstellen und Ihren API-Schlüssel zu erhalten.

Erstellen eines APIMart-Kontos und API-Schlüssels

Beginnen Sie mit einem Besuch auf apimart.ai, um ein kostenloses Konto einzurichten. Nach der Anmeldung gehen Sie im Bereich API Key Management Ihres Console-Dashboards, um Ihren API-Schlüssel zu generieren. Achten Sie darauf, Ihren Schlüssel sofort zu kopieren und sicher zu speichern – er wird nur ein einziges Mal angezeigt.

APIMart nutzt ein Pay-as-you-go-Modell, daher müssen Sie Ihr Konto aufladen, bevor Sie Anfragen stellen. Wenn Sie auf einen 402-Fehler stoßen, bedeutet das, dass Ihr Kontoguthaben zu niedrig ist. Ein 401-Fehler hingegen weist auf ein Problem mit Ihrem API-Schlüssel hin. Überprüfen Sie Ihre Zugangsdaten und stellen Sie sicher, dass Ihr Konto über ausreichend Guthaben verfügt.

Konfiguration Ihrer Entwicklungsumgebung

Mit Ihrem bereitliegenden API-Schlüssel ist die Einrichtung Ihrer Umgebung einfach. APIMart ist kompatibel mit dem OpenAI SDK. So starten Sie:

• Für Python: Führen Sie pip install openai aus
• Für Node.js: Führen Sie npm install openai aus

Die einzige Anpassung gegenüber einem Standard-OpenAI-Setup ist die Basis-URL. Setzen Sie sie auf:

https://api.apimart.ai/v1

Authentifizieren Sie Ihre Anfragen, indem Sie Ihren API-Schlüssel als Bearer-Token im Header angeben, so:

Authorization: Bearer YOUR_API_KEY

Vermeiden Sie aus Sicherheitsgründen, Ihren API-Schlüssel direkt in Ihre Skripte einzufügen. Speichern Sie ihn stattdessen in einer Umgebungsvariablen. Die Verwendung einer .env-Datei während der lokalen Entwicklung ist eine gute Praxis, um Ihre Zugangsdaten sicher und aus der Versionskontrolle herauszuhalten. Sobald Ihre Umgebung konfiguriert ist, können Sie zu Ihren ersten API-Anfragen übergehen.

Ihre ersten API-Anfragen stellen

Beispiel für eine Text-to-Video-Anfrage

Sobald Sie eingerichtet sind, können Sie in Ihre erste API-Anfrage eintauchen! Wie bereits erwähnt, sind diese Anfragen asynchron, das heißt, Sie müssen warten, bis die Task abgeschlossen ist, bevor Sie Ihre Ergebnisse erhalten.

Hier ist ein einfaches Python-Beispiel, um mit der Erzeugung einer Text-to-Video-Ausgabe zu beginnen:

import openai
import os

client = openai.OpenAI(
    api_key=os.environ["APIMART_API_KEY"],
    base_url="https://api.apimart.ai/v1"
)

response = client.post("/wan2.5-t2v-preview", json={
    "model": "wan2.5-t2v-preview",
    "input": {
        "prompt": "A golden retriever runs along a sunlit beach, waves crashing in slow motion",
        "negative_prompt": "low quality, blurry, distorted",
        "duration": 5,
        "size": "1280*720",
        "prompt_extend": True
    }
})

task_id = response.json()["task_id"]
print(f"Task started: {task_id}")

Das einzige erforderliche Feld ist hier prompt, das die Szene beschreibt, die Sie erstellen möchten. Andere Parameter wie negative_prompt und size helfen, die Ausgabe zu verfeinern. Wenn Ihr Prompt kurz ist, ermöglicht das Setzen von prompt_extend auf true dem Modell, ihn zu einer detaillierteren, kinoreifen Beschreibung zu erweitern. Denken Sie daran, exakte Abmessungen wie 1280*720 zu verwenden statt Seitenverhältnisse.

Nachdem Sie Ihre Anfrage übermittelt haben, erhalten Sie eine task_id. Verwenden Sie diese ID, um den Status-Endpunkt abzufragen, bis Ihre Task als SUCCEEDED markiert ist:

import time

while True:
    result = client.get(f"/tasks/{task_id}")
    status = result.json()["task_status"]
    if status == "SUCCEEDED":
        video_url = result.json()["video_url"]
        print(f"Video ready: {video_url}")
        break
    elif status == "FAILED":
        print("Generation failed.")
        break
    time.sleep(15)

Die Videogenerierung dauert normalerweise 1–5 Minuten. Sobald Ihr Video fertig ist, laden Sie es innerhalb von 24 Stunden herunter, da die URL danach abläuft.

Als Nächstes sehen wir uns an, wie man Videos aus Bildern mit einem ähnlichen Ansatz erzeugt. Sie können auch andere Modelle wie Grok Imagine Video für verschiedene kinoreife Stile erkunden.

Beispiel für eine Image-to-Video-Anfrage

Der Image-to-Video-Prozess (I2V) folgt demselben asynchronen Workflow, weist jedoch zwei wesentliche Unterschiede auf: Sie müssen das Modell wan2.5-i2v-preview angeben und eine image_url bereitstellen, die auf das Quellbild verweist.

Hier ist ein Beispiel:

response = client.post("/wan2.5-i2v-preview", json={
    "model": "wan2.5-i2v-preview",
    "input": {
        "image_url": "https://your-storage.com/character-portrait.jpg",
        "prompt": "The character slowly turns their head and smiles at the camera",
        "duration": 5,
        "resolution": "720p",
        "negative_prompt": "blurry, artifacts"
    }
})

Bei I2V sollte der prompt Bewegung oder Änderungen relativ zum Ausgangsbild beschreiben – etwa Figurenbewegungen oder Kameraaktionen. Das Seitenverhältnis entspricht Ihrem Quellbild, stellen Sie also sicher, dass es vor dem Absenden auf das gewünschte Verhältnis (z. B. 16:9, 9:16, 1:1) zugeschnitten ist. Quellbilder sollten zwischen 360 und 2.000 Pixel pro Seite groß und nicht größer als 10 MB sein.

Genau wie bei Text-to-Video erfassen Sie die task_id aus der Antwort und verwenden dieselbe Polling-Logik, um den Task-Status zu verfolgen, bis er abgeschlossen ist.

Nun schlüsseln wir die Struktur der API-Antworten auf, um zu verstehen, was jedes Feld bedeutet.

API-Antworten verstehen

Wenn Sie eine erfolgreiche POST-Anfrage stellen, gibt die API ein JSON-Objekt zurück, das eine task_id enthält, mit der Sie den Fortschritt der Task prüfen können. Sobald die Task abgeschlossen ist, erhalten Sie die folgenden Felder:

Ein HTTP-Statuscode 200 und eine gültige task_id bedeuten, dass Ihre Anfrage angenommen wurde. Falls die Task letztlich fehlschlägt, prüfen Sie das Feld error.message auf Details, etwa nicht unterstützte Auflösungsformate oder einen zu langen Prompt.

Wan 2.5 (der Veo 3 Killer) ist JETZT in n8n (komplettes Tutorial & Template)

Prompts und Konfigurationen optimieren

Sobald Ihre Umgebung eingerichtet ist und Sie erste API-Anfragen gestellt haben (oder die neuere WAN 2.6 API erkundet haben), kann das Feinabstimmen Ihrer Prompts die Qualität Ihrer Videoausgaben erheblich verbessern.

Gute Text- und Bild-Prompts schreiben

Die Ergebnisse, die Sie erhalten, hängen stark davon ab, wie gut Sie Ihre Prompts formulieren. Für Wan 2.5 funktionieren Prompts zwischen 80 und 120 Wörtern am besten – lang genug, um klare Vorgaben zu liefern, aber nicht so lang, dass sie das Modell verwirren.

Hier ist eine hilfreiche Struktur zum Folgen: Beginnen Sie mit dem Motiv oder der Szene, fügen Sie dann Kamerabewegungen, Bewegungsdetails und visuellen Stil hinzu. Statt beispielsweise „eine Frau, die in einer Stadt geht" zu sagen, könnten Sie schreiben: „Eine Frau in einem roten Mantel geht bei Dämmerung zügig durch eine regennasse Straße in Manhattan. Langsame Kamerafahrt hinein. Pfützen spiegeln Neonschilder. Teal-and-Orange-Farbkorrektur, anamorphotisches Bokeh, volumetrisches Dämmerlicht." Dieser Detailgrad gibt dem Modell klare Anweisungen zu Stimmung, Komposition und Bewegung.

Um die Kamera zu steuern, verwenden Sie Standard-Kinematografie-Begriffe wie Schwenk links/rechts, Neigung hoch/runter, Kamerafahrt hinein/heraus, Orbitalbogen oder Kran hoch/runter. Fügen Sie Tiefe hinzu, indem Sie Parallaxeffekte beschreiben – „Gras im Vordergrund wiegt sich, während Berge im Hintergrund ruhig bleiben." Sie können das Tempo auch mit Begriffen wie „Zeitlupe" oder „Whip-Pan (ein schneller Kameraschwenk)" anpassen.

Für Image-to-Video-Tasks konzentrieren Sie sich auf die Beschreibung von Bewegung oder Ausdrucksänderungen, da das Modell das bereitgestellte Bild als Basisreferenz verwendet.

Sobald Ihr visueller Prompt festgelegt ist, können Sie einen Schritt weiter gehen und synchronisiertes Audio sowie Dialoge einbinden.

Audio und Dialog hinzufügen

Eine der herausragenden Funktionen von Wan 2.5 ist die Fähigkeit, Video und Audio gleichzeitig zu erzeugen und so ein vollständig synchronisiertes Erlebnis mit Stimme, Umgebungsgeräuschen und Effekten zu schaffen.

„Was Wan 2.5 wirklich auszeichnet, ist die Fähigkeit, nicht nur stumme Videos, sondern vollständige audiovisuelle Erlebnisse in einem einzigen Durchgang zu erzeugen." - Scenario Knowledge Base ^[9]

Für lippensynchrone Dialoge fügen Sie die Sprache der Figur in Anführungszeichen ein, so: „Eine Wissenschaftlerin blickt in die Kamera und sagt: ‚Die Ergebnisse sind außergewöhnlich.'" Für Umgebungsgeräusche seien Sie konkret: „Regen klopft gegen ein Fenster, entfernter Verkehr brummt." Das Modell integriert diese Details automatisch in die endgültige Ausgabe.

Wenn Sie Ihr eigenes Audio verwenden möchten, können Sie eine benutzerdefinierte audio_url im .wav- oder .mp3-Format bereitstellen (max. Größe: 15 MB). Die Audiodatei sollte jedoch der Videodauer entsprechen; ist sie kürzer, bleiben die verbleibenden Frames stumm. Seien Sie vorsichtig, wenn Sie audio_url mit mehreren Bild- oder Video-URLs in einer einzigen Anfrage kombinieren, da dies zu Konflikten führen kann ^[4].

Das Modell passt die Audiosprache automatisch an Ihren Prompt an; wenn Ihr Prompt also auf Englisch ist, ist auch das Audio auf Englisch – keine zusätzlichen Schritte erforderlich ^[10].

Dieser Grad an Synchronisation stellt sicher, dass Audio und Bild nahtlos zusammenwirken und ein ausgefeiltes Endergebnis entsteht.

Auflösung und Dauer wählen

Beim Arbeiten mit API-Anfragen ist die Wahl der richtigen Auflösung und Dauer entscheidend, um Qualität und Kosten auszubalancieren.

Wan 2.5 Preview bietet zwei feste Dauern – 5 Sekunden oder 10 Sekunden – und Auflösungen von 480p, 720p und 1080p bei 24 fps. Beginnen Sie mit einem 5-sekündigen Entwurf in 480p, um Ihr Konzept zu testen, und skalieren Sie dann für Ihr finales Rendering auf 1080p hoch.

Hier ist eine schnelle Referenz für gängige Anwendungsfälle:

Alle Auflösungen enthalten 48-kHz-Stereo-Audio, sodass Ihnen selbst ein Entwurf mit niedriger Auflösung einen guten Eindruck davon vermittelt, wie der Ton klingen wird, bevor Sie sich auf ein hochwertigeres Rendering festlegen.

Wan 2.5 in multimodale Workflows integrieren

Sobald Sie mit API-Experimenten herumgespielt haben, ist es Zeit, Wan 2.5 in Ihre Produktionspipeline zu integrieren. Mit APIMart erhalten Sie über eine einzige API Zugriff auf über 500 KI-Modelle. Dieses Setup ermöglicht es Ihnen, Sprach-, Bild- und Videomodelle nahtlos zu kombinieren, ohne zusätzliche Konfigurationen zu benötigen.

Eine Skript-zu-Video-Pipeline aufbauen

Hier ist ein gängiger Workflow: Beginnen Sie mit einem Sprachmodell, um ein Skript zu entwerfen und es in Szenen zu unterteilen. Nutzen Sie als Nächstes ein Bildgenerierungsmodell, um für jede Szene ein Storyboard zu erstellen. Von dort übernimmt Wan 2.5 und erzeugt aus dem Storyboard und den Szenenbeschreibungen einen Videoclip. Es synchronisiert sogar das Audio in einem Durchgang und vereinfacht so den Prozess ^[2][5].

Indem Sie alles innerhalb von APIMart halten, straffen Sie Ihren Workflow. Sie müssen nur eine API-Struktur, einen Authentifizierungsschlüssel und ein einziges Abrechnungs-Dashboard verwalten. Mit diesem Setup können Sie sich darauf konzentrieren, das Gleichgewicht zwischen Leistung und Kosten feinzujustieren.

Kosten und Leistung verwalten

Um Ausgaben effektiv zu steuern, passen Sie Modell und Auflösung an die aktuelle Phase Ihres Projekts an. Verwenden Sie für frühe Entwürfe 480p-Auflösung für 5-sekündige Clips, was 43 Credits pro Clip kostet. Sobald Ihr Entwurf genehmigt ist, wechseln Sie zu 720p mit 85 Credits für 5 Sekunden oder 170 Credits für 10 Sekunden. Für finale Renderings erhöhen Sie auf 1080p mit 128 Credits für 5 Sekunden oder 255 Credits für 10 Sekunden ^[1].

Brauchen Sie schnellere Iterationen? Die Variante wan-2.5-fast bietet eine kosteneffizientere Option für 1080p und senkt die Kosten für einen 10-sekündigen Clip auf 174 Credits statt 255 Credits ^[11]. Wenn Sie Image-to-Video-Tasks in großem Umfang angehen, ist das Modell wan2.6-i2v-flash eine budgetfreundliche Wahl und berechnet $0.0168 pro Sekunde bei 720p im Vergleich zu $0.05 pro Sekunde für das Standard-Wan 2.6 ^[7].

Workflow-Beispiel: Vom Konzept zum fertigen Video

Sobald Sie Kosten und Leistung optimiert haben, folgen Sie diesem Schritt-für-Schritt-Prozess, um Ihr Konzept zum Leben zu erwecken:

• Skript schreiben: Verwenden Sie ein Sprachmodell wie GPT-5 (verfügbar über APIMart), um detaillierte Szenenbeschreibungen zu erstellen. Fügen Sie konkrete Audio-Hinweise hinzu, etwa „sanfte Klaviermusik blendet ein" oder „entfernter Stadtverkehr brummt".
• Storyboards generieren und Entwurfsszenen in 480p erstellen: Speisen Sie Szenenbeschreibungen in ein Bildmodell ein, um visuelle Vorlagen zu erstellen. Testen Sie dann jede Szene mit Wan 2.5 in 480p für 5 Sekunden, um Bewegung, Tempo und Audiosynchronisation zu bewerten.
• Finales Rendering in 1080p: Sobald Sie mit den Entwürfen zufrieden sind, rendern Sie die Szenen erneut in 1080p für eine ausgefeilte 10-sekündige MP4-Ausgabe, komplett mit nativem 48-kHz-Stereo-Audio ^[8].

„Die Konsistenz von WAN 2.6 ist erstaunlich! Charakterbilder bleiben über mehrere Clips hinweg stabil, was zuvor schwer zu erreichen war." - Wei Zhang, Unabhängiger Animator ^[7]

Für einen zusätzlichen Schub beim finalen Rendering verwenden Sie den Parameter enable_prompt_expansion. Diese Funktion reichert Ihre Prompts automatisch mit kinoreifen Details an und hebt die Qualität Ihrer Ausgabe, ohne dass zusätzliche manuelle Anpassungen erforderlich sind ^[12][3].

Fazit und nächste Schritte

Jetzt sind Sie mit den Werkzeugen ausgestattet, um in die Erstellung Ihres ersten Wan 2.5-Videos einzutauchen. Mit seiner integrierten Audio-Video-Synchronisation in einem Durchgang, der Unterstützung von Auflösungen bis zu 1080p und vielseitigen Eingabemodi wie Text-to-Video und Image-to-Video ist dieses Modell bereit für ernsthafte Produktionsarbeit – nicht nur für gelegentliche Versuche.

Bevor Sie loslegen, stellen Sie sicher, dass Ihr Setup vollständig vorbereitet ist. Starten Sie klein, indem Sie einen 480p-Clip testen, um Ihre Prompts feinzujustieren. Sobald Sie den Prozess beherrschen, skalieren Sie für Ihre finalen Renderings auf 1080p hoch. Dieser Ansatz ermöglicht es Ihnen, zu experimentieren und zu verfeinern, ohne im Vorfeld zu viele Ressourcen zu binden.

Für Ihr erstes Projekt versuchen Sie, sich auf eine einzige Szene zu konzentrieren. Schreiben Sie einen detaillierten Prompt, der klare Audio-Anweisungen enthält, und generieren Sie einen kurzen 5-sekündigen Clip. Die Verarbeitungszeiten sind kurz – meist zwischen 1 und 5 Minuten – und die Kosten sind überschaubar, beginnend bei nur $0.0336 pro Sekunde für 480p-Clips ^[6]. Es ist eine erschwingliche Möglichkeit, das Tool zu erkunden und sich damit vertraut zu machen.

Wenn Sie bereit sind zu expandieren, nutzen Sie die Bibliothek von APIMart mit über 500 KI-Modellen. Mit einem einzigen API-Schlüssel und Abrechnungs-Dashboard können Sie Ihren Workflow straffen und mühelos eine vollständige Skript-zu-Video-Pipeline erstellen oder Alternativen wie MiniMax-Hailuo 2.3 für hochwertige Konsistenz erkunden.

FAQs

Wie handhabe ich Polling und Timeouts bei lang laufenden Video-Tasks?

Für Produktions-Workflows ist es effizient, den Parameter callbackUrl beim Erstellen einer Task zu verwenden. So erhalten Sie automatisch eine POST-Anfrage, sobald die Task abgeschlossen ist.

Wenn Sie Polling bevorzugen, funktioniert das so: Übermitteln Sie Ihre Task, um eine taskId zu erhalten, warten Sie dann 50 Sekunden, bevor Sie den Status-Endpunkt abfragen. Prüfen Sie danach den Status alle 5 Sekunden. Um das System nicht zu überlasten, stellen Sie sicher, dass Sie 429-Fehler behandeln, indem Sie pausieren und nach einer Verzögerung erneut versuchen.

Wie schätze ich die Kosten am besten ab, bevor ich einen 5s- oder 10s-Clip generiere?

Um die Kosten eines 5-sekündigen oder 10-sekündigen Videoclips zu ermitteln, multiplizieren Sie einfach die Dauer des Clips (in Sekunden) mit dem Sekundentarif des Anbieters. Prüfen Sie unbedingt den Tarif für die gewünschte Auflösung – ob 480p, 720p oder 1080p –, da höhere Qualität in der Regel mit einem höheren Preis einhergeht. Wenn Sie beispielsweise für einen 5-sekündigen Clip rechnen, multiplizieren Sie den Sekundentarif mit 5. Für einen 10-sekündigen Clip multiplizieren Sie ihn mit 10.

Wie kann ich Lippensynchronisation und Dialogqualität mit meinen Prompts verbessern?

Um die beste Lippensynchronisation und Dialogqualität in Wan 2.5 Preview zu erreichen, verwenden Sie strukturierte Prompts. Diese sollten die Zeilen der Figur klar angeben, zusammen mit Details wie Emotion, Tonfall, Tempo und Klangfarbe. Dieser Detailgrad hilft dem Modell, genauere und natürlichere Ergebnisse zu liefern.

Für noch mehr Präzision können Sie eine benutzerdefinierte Audiodatei im WAV- oder MP3-Format hochladen. Diese Datei dient dem Modell als Leitfaden, um Gesichtsausdrücke und Mundbewegungen perfekt auf das Audio abzustimmen.

Achten Sie darauf, dass Ihr Eingabebild scharf und gut ausgeleuchtet ist. Ein hochwertiges Bild stellt sicher, dass das Modell Ausdrücke effektiv interpretieren und nachbilden kann. Nutzen Sie zusätzlich die Prompt-Erweiterungsfunktion, mit der Sie detaillierte Beschreibungen einbeziehen können, damit das Modell sie besser interpretiert.