从 Wan2.1（通义万相 2.1） 看视频模型的音画同步趋势（踩坑复盘）

很多同学习惯问『能不能用』，我更想问『值不值得用』。先说结论，再摆依据。 这篇「避坑指南」都是踩过的坑，看完能少走弯路。 Wan2.1（通义万相 2.1） 是阿里云·通义万相的作品，公开信息显示发布于2025-02-26。参数规模方面，1.3B（极速版）/ 14B（旗舰版），许可协议是Apache 2.0。 硬件门槛方面：1.3B 约 8GB 消费卡可跑；14B 量化后约 24GB（全精度 40GB+）。 内容侧更关心产出质量稳不稳定，能不能量产。对我触动比较大的细节：1.3B 版约 30 秒出 5 秒视频（A100）；3D 因果 VAE + DiT + Flow Matching + T5 文本编码器；社区有 GGUF/Kijai 量化版。 就先聊到这，有问题评论区接着讨论。以上均为基于公开信息的分析，欢迎指正。—— 有不同看法的，评论区见。