通義萬相 Wan 2.2 開源影片模型粵語教學｜本地部署與提示詞攻略（2026）

一句答你： Wan 2.2 係通義萬相（Wan）系列嘅開源影片模型，香港創作人想用好佢，重點唔止係揀邊條接入路——雲端 API、自架、第三方托管三條路各有計法——更加要預早安排粵語聲軌：畫面歸畫面、聲音歸聲音，最後用對嘴工具溝埋一齊，先係 2026 年最穩陣嘅做法。

重點摘要 Key Takeaways

• Wan 2.2 屬開源影片模型，接入主要有三條路：雲端 API、自架 setup、第三方托管平台。
• 三條路成本結構完全唔同：API 按量計、自架重硬件同維護、托管睇月費同平台政策。
• 影片模型嘅原生音頻普遍以英文做主要支援，粵語對白要有自己嘅聲軌方案。
• 粵語聲軌標準工作流：寫稿 → TTS 生成旁白 → SRT 字幕 → 對嘴工具同步。
• 成本唔只計運算：重 roll 揀片、後製埋位、版本升級，全部都係時間錢。
• 合規唔慳得：AI 生成要標示、用聲要同意、素材要授權。

Wan 2.2 係咩：開源影片模型嘅定位

文生影片（text-to-video） 係指輸入一段文字提示，模型就自動產生動態影片片段嘅生成技術。學術界早已有系統梳理呢類模型嘅演進脈絡，由早期逐幀生成去到而家長鏡頭、連貫動作，門檻同質素都一路改善（Text-to-Video 生成綜述, 2026）。

Wan 2.2 係通義萬相（Wan）系列嘅開源影片模型版本，屬「模型公開、可以自行部署」嘅類型（開源資訊以官方社群公告為準，觀察日期 2026-10-31）。有興趣深睇背後技術分層，學界仲有一篇由 Sora 現象回望成個領域嘅綜述，講訓練資料、評測同應用門類，可當補充材料（Text-to-Video 綜述：從 Sora 睇到啲乜, 2026）。

開源影片模型 係指權重同推論程式公開、可以攞返嚟自己跑嘅影片生成模型，同「只可以用某一個平台網頁」嘅閉源服務相對。

開源嘅意義主要係三件事：

1. 自主權：喺自己環境跑，唔使驚平台突然停服。
2. 客製空間：提示詞策略、批次流程、系統整合全部自己話事。
3. 成本結構轉變：由「每 roll 一次都付費」變成「前期投入加持續運營」。

不過要潦一潦冷水：開源唔等於免費全包。運算、時間、人手、升級，一樣樣都係支出，下面逐項拆。

用 Wan 2.2 嘅三條路

路 A：雲端 API

雲端 API 係透過程式接口呼叫模型服務，你交提示詞，服務方負責運算，回傳片段。

• 適合：有開發能力嘅團隊，想將生成嵌入自己產品或自動化流程
• 好處：唔使買硬件，隨開隨用，用幾多計幾多
• 提防：單價望落唔高，roll 得多就會滾大；記得睇速率限制、按量條款同輸出商用權

路 B：自己 setup（自架）

自架 係自己準備運算環境，將模型裝落去跑。

• 適合：技術團隊、有長期量產需求、想數據自主嘅機構
• 好處：彈性最高，提示詞、批次、後製整合冇中間層，成本上限由自己控制
• 提防：硬件投入同日常維護係經常開支；模型版本更新快，跟版要時間；效果要人手逐步調教。本文唔會列出任何硬件規格，準確配置一律以官方文檔同社群實錄為準

路 C：第三方托管平台

托管平台 係第三方網站幫你裝好模型，畀個介面你用，通常月費或按次收費。

• 適合：創作人、小團隊，想即日上手出第一條片
• 好處：門檻最低，唔使識程式，成個 pipeline 內置
• 提防：平台可能限定輸出參數同商用條款；服務變動風險真實存在——2026 年已有大型影片產品先後停服或關閉 API（例如 Sora 2 已於同年停止提供，官方影片 API 亦已關閉），揀平台前記得確認最新狀態

三條路速覽

粵語聲軌：開源影片模型最大嘅空白位

呢個位好多文章唔會提，但對香港創作人嚟講先係成敗關鍵。影片模型管畫面，音頻語言支援係另一回事。用 Veo 做對照最清楚：官方文件講明 English 完全支援，其他語言未經評估，可能用得但效果會變（Veo 官方文件, 2026）。呢種語言分布喺業界相當普遍，唔係某一家嘅問題。

聲軌 係指影片入面承載人聲、對白、音效嘅音頻層，同畫面軌係分開嘅。對嘴（lip sync） 係將已經做好嘅人聲對返角色口形嘅技術。

四步工作流

1. 寫稿：用口語寫旁白稿，先讀出聲順過筆，再算字數。
2. 生成粵語聲軌：用港嘢 TTS 生成。三種模式任揀：揀現成聲線 slug（例如 sum 對應「心妍」）、用 gender 加 age 設計新聲，或者用 clone 加參考音頻。單次 text 上限 500 字符，300 字符內可以直接行 sync 捷徑即刻收音。語境提示同停頓控制可以參考 TTS 標點停頓教學。
3. SRT 字幕：生成時行 srt 軌，字幕同音頻一次過出，慳返逐句對位嘅工夫。
4. 對嘴加埋片：Kling 嘅 Lip Sync 官方講明可以上載自己嘅聲軌或直接用 TTS，支援真人、3D、2D 角色，角色要正面、嘴部清楚，聲軌長過影片就要剪（Kling 官方指南, 2026）。HeyGen 嘅粵語頁列明有香港口音選項、phoneme 級嘴型對齊，單次最多 30 分鐘連續影片（HeyGen 粵語頁, 2026）。

長度同字符嘅換算，可以直接用呢條速算表：

港嘢粵語旁白長度換算（觀察日期 2026-10-31）
約 240 字符 ＝ 1 分鐘旁白
10 分鐘旁白 ≈ 2,400 字符
免費登記送 2,000 字符（一次性）≈ 約 8 分鐘旁白
100,000 字符 ≈ 417 分鐘（約 7 小時）

例如：你想整條 60 秒茶餐廳宣傳片。用 Wan roll 三個候選鏡頭揀最自然嗰個；旁白稿寫喺 240 字符入面，一次過生成聲軌，順手出 SRT 字幕；最後將聲軌套落老闆出鏡嗰個鏡頭行對嘴，埋片出街。由頭到尾畫面同聲音各自成型，改稿只換聲軌，唔使重新 roll 片。

字幕同步嘅技術細節，可以睇 TTS SRT 字幕工作流指南；由稿到片嘅完整埋位就喺 AI 影片粵語配音完整指南。

【獨家觀察】呢一年喺香港市場見到一個好清楚嘅分岔：好多人將「開源＝慳錢」掛喺口邊，但實際卡住佢哋嘅唔係畫面質素，而係聲音。原因有兩個。第一，影片模型嘅原生音頻語言評估集中喺英文，其他語言好多時連官方都明言「未評估」。第二，粵語本身資源底子薄：WenetSpeech-Yue 論文指出全球約有 8,490 萬粵語母語者，但高質素標註資源長期不足（WenetSpeech-Yue 論文, 2026）。所以成熟團隊現時嘅共同做法係「分離式」工作流：畫面交開源或商用影片模型，聲音交專做粵語嘅 TTS，最後對嘴埋片。呢個拆法仲有一個隱藏好處——成本結構即刻透明，畫面成本同聲音成本可以分開計、分開優化。各平台嘅語言處理差異，可以對照我哋寫過嘅 Seedance 粵語聲軌做法、Veo 3 粵語語音限制 同 Kling 粵語對嘴教學。

五個成本考慮

1. 運算成本

API 按次收費、自架要硬件加電費、托管要月費，三條路冇一條係真免費。自架嘅隱藏位係利用率：得閒唔生產嗰陣，硬件照樣佢食緊你嘅錢；API 就唔會有呢個閒置成本。

2. 重 roll 時間成本

文生影片輸出有隨機性，同一條提示詞 roll 幾次先揀到滿意鏡頭係常態。學界對呢個問題有共識：T2V-CompBench 就係專門將構圖、動作綁定、一致性拆開嚟評嘅基準，講明呢啲維度係目前難點（T2V-CompBench 評測基準, 2026）。換句話講，重 roll 應該正式計入預算，唔好用「理想一次過」嚟做排程假設。

3. 聲軌製作成本

粵語 TTS 用字符計，迭代成本接近零：改一隻字即刻重新生成，唔使約人重錄。以港嘢計，新登記開戶禮 2,000 字符（一次性），10 分鐘旁白約 2,400 字符 — 開戶禮接近夠一條 10 分鐘旁白，配返一個細字符包就有齊修改餘裕；迭代重新生成唔使再畀錢。相對之下，搵真人配音由改稿、排期到重錄，每個循環都有人工同時間，量產場景下結構性優勢好明顯。

4. 後製埋位成本

剪接、字幕校對、對嘴位逐個 check，全部係人手工夫。字幕尤其要人眼把關：粵語俗字、多音字多，例如「喺」同「係」聽落一樣寫落唔同，機器直出字幕錯一個就影響理解。聲軌嗰邊，粵語有 19 個聲母、50 幾個韻母、6 個聲調，文字同讀音嘅對應坑位本來就多，稿本身就要校音。

5. 維護同升級成本

開源模型版本轉換快，舊提示詞喺新版本隨時風格漂移，工作流要重校；自架仲要跟環境依賴同硬件壽命。托管同 API 就要承受服務政策變動——2026 年已經有高知名產品停服，訂約前諗定退場方案先係成熟做法。

揀路決策同三個常見錯誤

一句決策口訣

• 想今晚出片：第三方托管
• 想嵌入產品自動化：雲端 API
• 想長期量產加數據自主：自架

三個常見錯誤

1. 直接喺提示詞度寫廣東話對白，期望模型開口講：影片模型原生音頻語言支援有限，正路係畫面一條路、聲軌一條路，之後先用對嘴工具埋返埋一齊。
2. 慳咗字幕 QC：粵語同音字、口語字呢啲坑多，機器字幕直出一定要人眼核對一次。
3. 冇標示 AI 生成內容：香港數字政策辦公室嘅生成式 AI 指引強調透明同問責（香港生成式 AI 指引, 2026），私隱專員公署亦有 AI 個人資料保障框架（PCPD AI 框架, 2026）；用真人聲音做 clone 更加要有明確同意，平台側可能加 C2PA 或 SynthID 等內容標示。

常見問題 FAQ

Wan 2.2 具體用嚟做咩最啱？

短宣傳片、概念演示、社群短片嘅畫面底，配上自製粵語聲軌係最實際嘅組合。佢係開源模型，接入方式由你揀：想快就托管，想自動化就 API，想量產就自架。

影片模型可以唔可以直接生成粵語對白？

唔好當默認能力。以 Veo 為例，官方文件明確講明只有 English 完全支援，其他語言未經評估。穩陣做法係另外生成粵語聲軌，再用對嘴工具同步返落片度。

自架 Wan 2.2 要準備咩硬件？

本文唔列硬件規格，準確配置以官方文檔為準。務實建議係：先用托管平台驗證內容工作流同市場反應，確認行得通再考慮硬件投入，避免未出貨先孭重資本開支。

粵語聲軌同字幕點同步？

生成音頻時一併行 SRT 軌，字幕時間軸跟聲軌自動對齊；之後只做人工校對，改同音字同停頓位。細節可以睇 SRT 字幕工作流指南。

免費試下要幾多成本？

港嘢免費方案開戶送 2,000 字符（一次性），換算約 8 分鐘粵語旁白；開發試接可以用 sandbox key，每日 50 個生成 call，足夠行完整個接 API 到收音嘅流程。

商用要注意咩法律位？

三件事：內容標示透明、聲音同肖像要有授權同意、音樂字體素材要清版權。香港官方兩份指引係最低門檻，建議逐條對照自己嘅工作流。

除咗 Wan 仲有咩選擇？

Kling 4.0 官方語言表列明中文方言包括粵語，仲有官方 Lip Sync 工具；Seedance 2.5 單次最長 30 秒、可以多輪延長（Seedance 官方頁, 2026）；Veo 3.1 支援多段延長但語言支援以英文為主。按自己嘅語言需求、片長同預算揀，唔使一本通書讀到老。

資料來源同寫法聲明

• 觀察日期：2026-10-31。本文冇進行自家測試，所有規格引用自官方公開文件或學術論文，唔涉任何硬件規格。
• 學術來源：Text-to-Video 生成綜述、Text-to-Video 綜述（Sora 視角）、T2V-CompBench 評測基準、WenetSpeech-Yue 論文，均見上文內文引用。
• 產品來源：Veo 官方文件、Kling 官方指南、HeyGen 粵語頁、Seedance 官方頁，均見上文引用。
• 合規來源：香港數字政策辦公室生成式 AI 指引、私隱專員公署 AI 個人資料保障框架，均見上文引用。
• 字符同聲線規格出自港嘢官方產品資料，換算基準以官方數字為準。

[!CTA]

免費試吓港嘢粵語配音

開戶禮 2,000 字符（一次性），唔使卡，即刻去 港嘢 playground 半分鐘出你第一條粵語聲軌。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。

本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）。