Wan 2.5 AI : le modèle vidéo d'Alibaba qui génère image et son en même temps

Il y a un truc qui revient souvent quand on parle de vidéo IA : "génère la vidéo, puis rajoute le son dans ton DAW ou ton logiciel de montage". Wan 2.5 a décidé de casser cette logique. Le modèle d'Alibaba génère la vidéo et l'audio en même temps, synchronisés dès la sortie. Effets sonores, musique d'ambiance, lip-sync si tu mets un visage dans la boucle.

La promesse est réelle. Mais avant d'y voir la fin du workflow en deux temps, il faut comprendre comment ça fonctionne, comment y accéder concrètement, et ce que ça coûte. Parce que Wan 2.5 n'est plus open source, et ça change pas mal de choses pour ceux qui avaient l'habitude de faire tourner Wan 2.1 sur leur propre machine.

Ce qu'est Wan 2.5 : un modèle multimodal d'Alibaba

Wan 2.5 a été présenté par Alibaba à la Conférence Yunqi de Hangzhou en septembre 2025. C'est un modèle de génération vidéo développé par le DAMO Academy d'Alibaba, la même équipe qui avait sorti les versions 2.1 et 2.2, elles complètement open source sous licence Apache 2.0.

La grande différence de Wan 2.5, c'est son architecture multimodale unifiée. Là où les versions précédentes prenaient du texte ou une image pour générer de la vidéo silencieuse, Wan 2.5 accepte quatre types d'inputs différents :

• Texte : un prompt décrit la scène, les mouvements, l'ambiance
• Image : une photo de départ qu'il anime
• Audio : un fichier WAV ou MP3 de 3 à 30 secondes pour générer des visuels qui correspondent au son
• Vidéo : un clip existant à styliser ou prolonger

Et il génère en sortie vidéo et audio simultanément. Pas en deux étapes séparées. Un seul appel, une sortie unifiée avec effets sonores, musique de fond, et synchronisation labiale si un visage est impliqué.

"Wan 2.5 produit des résultats qui approchent les standards broadcast : 1080p, motion blur naturel, éclairage réaliste, consistance temporelle sur toutes les frames." (synthèse de tests indépendants, sources AllAboutAI et MindStudio, 2025)

Les résolutions et durées supportées

Pour des clips courts destinés aux réseaux sociaux ou au marketing, 10 secondes c'est suffisant. Pour du contenu long ou du documentaire, ce n'est pas le bon outil.

Comment accéder à Wan 2.5 concrètement

Voilà où beaucoup de créateurs se font surprendre : Wan 2.5 n'est pas open source. Alibaba a rompu avec la stratégie des versions 2.1 et 2.2 qu'on pouvait faire tourner localement sur une machine bien équipée. Wan 2.5 est disponible uniquement via API, sur des services cloud.

Trois voies d'accès principales existent en 2026.

DashScope (Alibaba Cloud) — l'API officielle

C'est la voie directe. DashScope est la plateforme cloud d'Alibaba qui donne accès à Wan 2.5 via API REST. Tu génères un clip en envoyant un prompt, une image ou un fichier audio, et tu récupères la vidéo rendue côté serveur.

Prix constatés : entre $0,10 et $0,15 par clip de 5 secondes en 720p. Pour du 1080p ou des clips de 10 secondes, le coût monte. Ce n'est pas anodin si tu génères des dizaines de clips par session.

Avantage : c'est l'accès officiel, avec les mises à jour en premier. Inconvénient : l'interface est technique, il faut gérer des tokens API et une facturation en dollars.

SiliconFlow et WaveSpeedAI — les plateformes tierces

SiliconFlow propose des tarifs légèrement différents, entre $0,12 et $0,29 par clip selon la résolution et la durée. WaveSpeedAI est une autre option avec une interface plus accessible, mais un temps de génération moyen d'environ 192 secondes par requête (un peu plus de 3 minutes d'attente par clip).

Ces plateformes ont l'avantage d'une interface web sans avoir à gérer soi-même les appels API. Pratique pour tester ou pour une utilisation ponctuelle.

ComfyUI via nœuds partenaires

Si tu utilises déjà ComfyUI pour d'autres modèles IA, il existe des nœuds partenaires Wan 2.5 qui permettent de connecter l'API dans ton workflow visuel existant. C'est intéressant pour ceux qui ont déjà une chaîne de production ComfyUI intégrant Flux, Stable Diffusion ou d'autres outils, car ça s'insère sans tout reconstruire.

À noter : ce n'est pas du local — le nœud ComfyUI envoie quand même les requêtes vers les serveurs distants. Tu ne fais pas tourner Wan 2.5 sur ta propre GPU.

Ce que Wan 2.5 fait vraiment bien

Après synthèse des tests documentés (AllAboutAI, CuriousRefuge, AIxploria), voici ce qui ressort de manière cohérente.

La synchronisation audio-visuelle

C'est le point le plus distinctif. En mode audio-to-video, Wan 2.5 génère des visuels qui correspondent réellement au contenu audio : si la piste a une voix, le personnage synchronise les lèvres. Si c'est de la musique avec des percussions, les mouvements de la scène suivent le rythme.

Ce n'est pas parfait sur des voix complexes ou des langues peu représentées dans les données d'entraînement. Mais pour de l'anglais standard ou du mandarin, les résultats sont bons. En français, les retours sont plus mitigés sur la qualité du lip-sync.

La qualité cinématique du 1080p

La résolution 1080p de Wan 2.5 donne des résultats propres. Le motion blur est naturel, les transitions de mouvement évitent les artefacts typiques des anciens modèles (les "vagues" sur les arrière-plans, les mains qui se déforment). Pour des plans larges, des paysages ou des scènes de foule, c'est convaincant.

Sur les gros plans de visages avec des expressions précises, la consistance reste fragile, comme sur tous les modèles actuels.

L'alignement RLHF

Wan 2.5 a été entraîné avec du reinforcement learning from human feedback (RLHF), ce qui veut dire que des préférences humaines ont guidé l'optimisation. En pratique, ça se traduit par des résultats qui "ressemblent à ce qu'un humain trouverait bien" plutôt qu'à une optimisation purement statistique. Les compositions sont plus équilibrées, les couleurs moins criardes.

Wan 2.5 face aux versions précédentes de la série Wan

Les versions Wan 2.1 et Wan 2.2 étaient open source, disponibles sur GitHub sous Apache 2.0, et faisables tourner localement sur une GPU adaptée (minimum 24 Go de VRAM pour les modèles 14B en qualité correcte, idéalement plus). C'est ce qui avait rendu la série Wan populaire dans la communauté des créateurs indépendants.

Wan 2.5 change de modèle commercial. Alibaba a stabilisé commercialement les versions précédentes avant d'ouvrir Wan 2.6 et Wan 2.7, qui sont sortis entre fin 2025 et 2026. L'écosystème open source de la série Wan reste donc sur Wan 2.2 pour l'instant.

Si tu as un serveur local ou une bonne GPU, Wan 2.2 reste une option solide et gratuite. Si tu veux la qualité audiovisuelle de Wan 2.5 sans gestion d'infrastructure, il faut passer par les API payantes.

Wan 2.5 face à la concurrence : qui l'utilise pour quoi

En 2026, plusieurs modèles se disputent l'espace de la génération vidéo IA. Voici comment Wan 2.5 se positionne face aux alternatives les plus courantes.

Wan 2.5 est l'un des rares modèles à proposer la génération audio-vidéo synchronisée en dehors de Veo 3.1 de Google. Sur ce point précis, il concurrence directement Google sur un terrain où peu d'acteurs sont vraiment présents.

Le principal avantage de Wan 2.5 sur Veo 3.1 : les tarifs à la carte sont transparents et plus bas pour de petits volumes. L'accès à Veo 3.1 via les produits Google est souvent conditionné à des abonnements professionnels ou des crédits Google Cloud.

Ce que ça coûte vraiment pour un créateur régulier

Faisons un calcul simple. Supposons que tu crées des contenus courts (publicités, teasers, b-rolls) et que tu génères 30 clips de 5 secondes par semaine en 720p.

• À $0,12 par clip sur SiliconFlow : $3,60/semaine, soit environ $15/mois
• À $0,15 par clip sur DashScope : $4,50/semaine, soit environ $18/mois
• Avec des clips de 10 secondes en 1080p, multiplier par 2 à 3

Pour comparaison, un abonnement Runway Pro est à $76/mois, Kling propose des plans à partir d'une cinquantaine de dollars. Le modèle à la consommation de Wan 2.5 peut être plus économique pour des usages modérés.

Le vrai coût caché, c'est le temps d'intégration. Si tu n'as jamais utilisé d'API externe dans ton workflow, il faut prévoir du temps pour configurer DashScope, gérer les clés API, et automatiser les requêtes si tu veux aller vite.

Pour qui Wan 2.5 est vraiment utile

Tu es bien placé pour l'utiliser si :

• Tu produis des contenus courts pour Instagram Reels, TikTok ou des publicités Meta
• Tu veux un son généré directement avec ta vidéo sans étape supplémentaire
• Tu cherches un coût à la requête plutôt qu'un abonnement fixe mensuel
• Tu as déjà un workflow ComfyUI et tu veux l'intégrer sans tout changer

Wan 2.5 n'est probablement pas fait pour toi si :

• Tu as besoin de clips longs (plus de 10 secondes en une seule génération)
• Tu travailles en local sans connexion stable ou avec des contraintes de confidentialité des données
• Tu veux faire tourner le modèle sur ta propre machine (impossible avec Wan 2.5)
• Tu as besoin d'un contrôle précis du mouvement de caméra shot par shot

Les limites à connaître avant de l'adopter

Quelques points de vigilance documentés, sans les minimiser.

Le lip-sync en français est encore approximatif. Wan 2.5 a été entraîné principalement sur de l'anglais et du mandarin. Les résultats en français sur des visages parlant sont moins convaincants. Pour des scènes sans dialogue, ça ne pose aucun problème.

La durée de génération reste lente. 192 secondes en moyenne sur WaveSpeedAI, c'est presque 3 minutes pour 10 secondes de vidéo. Si tu génères en batch, prévois les délais.

Le modèle évolue vite et peut être supplanté. Wan 2.6 et Wan 2.7 sont déjà sortis depuis la publication de Wan 2.5. Dans l'écosystème IA, miser sur une version précise peut signifier qu'elle devient obsolète en quelques mois. Les tarifs et les accès peuvent aussi évoluer.

Les conditions d'utilisation commerciale varient selon les plateformes. Vérifie les termes de DashScope ou SiliconFlow avant d'utiliser du contenu généré pour des publicités ou des produits commerciaux.

Pour aller plus loin dans la création vidéo IA pour ton activité, l'article Créer sa première image et vidéo avec l'IA donne un point de départ concret si tu débutes, et Alternatives à Sora pour vidéos cinématiques compare d'autres modèles pour des usages plus cinématographiques.

FAQ sur Wan 2.5 AI

Wan 2.5 est-il gratuit ? Non. Wan 2.5 est accessible uniquement via des API payantes (DashScope d'Alibaba, SiliconFlow, WaveSpeedAI). Les prix varient entre $0,10 et $0,29 par clip. Les versions open source gratuites de la série Wan sont Wan 2.1 et Wan 2.2, exécutables en local.

Peut-on faire tourner Wan 2.5 en local sur sa propre machine ? Non. Contrairement à Wan 2.1 et 2.2, Alibaba n'a pas publié les poids de Wan 2.5. Il faut obligatoirement passer par les API des plateformes partenaires.

Quelle est la différence entre Wan 2.5 et Wan 2.6 ? Wan 2.6 est une version ultérieure sortie après Wan 2.5, avec des améliorations sur la qualité visuelle et le contrôle du mouvement. Wan 2.5 reste disponible mais n'est plus la version la plus récente de la famille.

Wan 2.5 génère-t-il de la voix en français ? Il peut générer de l'audio en français, mais la qualité du lip-sync pour le français est inférieure à celle obtenue en anglais ou en mandarin. Pour des contenus sans visage parlant (paysages, produits, ambiances), la langue n'a pas d'impact.

Wan 2.5 convient-il pour de la publicité commerciale ? Oui, sous réserve de respecter les conditions d'utilisation de la plateforme choisie (DashScope, SiliconFlow, etc.). Chaque fournisseur a ses propres règles sur l'usage commercial du contenu généré. À vérifier avant de l'utiliser pour des publicités payantes.