Entras con un texto escrito como escaleta, una foto del local, un personaje de referencia o un vídeo que ya tienes; sales con una secuencia multiplano en 720P o 1080P, MP4 (H.264) a 30 fps y el audio generado a la vez que la imagen. Son de 2 a 15 segundos en texto→vídeo e imagen→vídeo, y de 2 a 10 segundos en referencia→vídeo y edición de vídeo, con la relación de aspecto —vertical incluida— elegida antes de generar, no recortada después.
Montajes de clips de Twitch, cabeceras de videopodcast, capítulos de ficción vertical, anuncios de comercio de barrio, explicaciones de academia reeditadas y Reels de cocina: lo que ves aquí son secuencias que suenan, no planos mudos sueltos, y conviven el vertical de TikTok con el horizontal de YouTube y Twitch porque la misma idea se genera en los dos formatos.
Revelación Horizonte Neón
Promoción de marca
Teaser de pastel de cereza
Película de producto
Lanzamiento Cyber City
Promoción de marca
Encuentro en el campo dorado
Promoción cinematográfica
Presentación de heroína de acción
Promoción de entretenimiento
Impacto en tienda de conveniencia
Promoción de marca
Primer plano del casco
Película de producto
Promo de café al atardecer
Promoción lifestyle
La línea de vídeo de wan 2.7 no es un único generador: texto→vídeo, imagen→vídeo, referencia→vídeo y edición de vídeo resuelven encargos distintos, y en VideoAI eliges el que encaja con el material que ya tienes sobre la mesa.
El vídeo sale con su pista de audio, generada junto a la imagen y sincronizada con ella, así que desaparece el paso de grabar la locución aparte y buscar música por encima de un montaje mudo. Para un anuncio de bar o la cabecera de un episodio, eso significa que la voz y lo que se ve avanzan al mismo ritmo desde el primer render. Escribe también lo que se oye en tu prompt y comprueba con tu propio texto cómo queda la sincronía.
Imagen→vídeo admite tres encargos distintos y conviene nombrarlos por separado: la foto del local o del plato emplatado se usa como primer fotograma; fijar además un último fotograma cierra el plano donde tú decides o encadena dos highlights de un directo; y la prolongación retoma un vídeo que se cortó antes de tiempo, incluso con control del fotograma final. La entrada es multimodal —texto, imagen, audio y vídeo—, de 2 a 15 segundos.
Describes una secuencia y recibes el encadenado ya cortado, no un plano suelto: plano 1, plano 2, plano 3 llegan montados en MP4 (H.264) a 30 fps, listos para arrastrarlos a Premiere o Resolve. Los escalones de resolución (720P o 1080P) y la relación de aspecto personalizable permiten sacar la misma idea en vertical para TikTok y Reels y en horizontal para YouTube, generando cada versión en su formato en lugar de recortar el archivo original.
Referencia→vídeo trabaja con referencia de sujeto y permite configurar un timbre para cada entidad, de modo que dos personajes que discuten conservan cada uno su cara y su voz del capítulo 1 al capítulo 18 en vez de derivar cada vez que reescribes el prompt. Una sola imagen de storyboard con varias viñetas basta como entrada para recibir un vídeo ya guionizado, de 2 a 10 segundos. Lo que se vende aquí es la constancia entre entregas.
Tres pasos separan la idea del archivo montado, y ninguno pide empezar de cero: se parte de lo que ya tienes guardado en el móvil o en el disco duro.
Redacta el prompt como un mini-guion —plano 1, plano 2, plano 3— y di también lo que se oye, no solo lo que se ve: la voz, el ambiente, el silencio antes de la frase. Elige ya en este paso la relación de aspecto (vertical para TikTok y Reels, horizontal para YouTube y Twitch) y la resolución, 720P o 1080P, porque son ajustes de generación y no un recorte posterior: si lo decides después, el encuadre ya está cerrado.
La foto del local o del plato entra como primer fotograma; añade un último fotograma si el final ya está decidido; el recorte del directo que quieres prolongar entra como vídeo de partida; el personaje entra como referencia de sujeto con su timbre asignado; y una plancha de storyboard con varias viñetas vale como entrada única. La duración se pide en segundos enteros: de 2 a 15 en texto→vídeo e imagen→vídeo, de 2 a 10 en referencia→vídeo y edición de vídeo.
El archivo sale en MP4 (H.264), a 30 fps y con su pista de audio, así que entra tal cual en la línea de tiempo de Premiere, Resolve o CapCut sin conversión previa. Si algo no encaja, itera plano a plano en lugar de relanzar la secuencia completa, y para la segunda plataforma vuelve a generar la misma idea en el otro ratio: sale mejor encuadrada que si recortas el mismo archivo a lo ancho o a lo alto.
Explora más modelos de IA para creación de imágenes y videos.
La foto del local, un recorte de tu último directo, el personaje de tu serie vertical: en VideoAI eso ya es un punto de partida válido, y wan 2.7 te lo devuelve convertido en una secuencia con su sonido dentro. No empiezas de cero, reaprovechas lo que grabaste.
Empezar ahoraEs un modelo de generación de vídeo creado por Tongyi Lab, el laboratorio de Alibaba, y su línea de vídeo está disponible desde abril de 2026. En realidad son cuatro modelos que se reparten el trabajo: texto→vídeo, imagen→vídeo, referencia→vídeo y edición de vídeo. Conviene dejarlo claro: VideoAI no es el sitio oficial del modelo ni está afiliado, autorizado ni respaldado por Alibaba o Tongyi Lab.
Aquí no se anuncia ninguna tarifa ni ningún paquete de bienvenida, porque las condiciones de entrada no están fijadas en esta página y no queremos prometerte un precio que luego no cuadre. Lo que sí puedes hacer sin compromiso es preparar tu escaleta y tu foto de partida para tenerlo todo listo cuando generes.
Sale con audio nativo generado junto a la imagen y sincronizado con ella, de modo que no tienes que pegar una pista de locución debajo de un montaje mudo. Lo que la línea de vídeo establece es esa sincronía entre voz e imagen: no prometemos un acento castellano concreto, calidad de doblaje profesional ni un lip-sync exacto al fonema, así que lo sensato es lanzar una prueba con tu propio prompt. En edición de vídeo, el resultado sale con sonido o mudo según el vídeo de origen.
En 720P o 1080P, a 30 fps y en MP4 con codificación H.264. Las duraciones se piden en segundos enteros: de 2 a 15 segundos en texto→vídeo e imagen→vídeo, y de 2 a 10 segundos en referencia→vídeo y edición de vídeo. Respondiendo de frente a lo que suele preguntarse a continuación: la línea de vídeo no llega a 4K, se queda en 1080P.
Fija la relación de aspecto antes de generar: hay varios escalones de resolución y el ratio es configurable, precisamente para publicar en plataformas distintas. Después, si el mismo contenido tiene que ir a YouTube o a Twitch, vuelve a generar la idea en horizontal en vez de recortar el archivo vertical, porque el recorte deja la composición descentrada. La configuración se hace en el momento de generar, no hay presets cerrados por plataforma.
El precio y la velocidad de generación no están fijados en esta página, así que citar aquí una tarifa, un paquete de créditos o un tiempo de render sería inventarlo. Sobre instalarlo por tu cuenta, la respuesta directa es no: Wan 2.7 no se ha anunciado como código abierto ni con pesos abiertos, y las versiones abiertas corresponden a generaciones anteriores del modelo, no a esta.
Sí, ese es el trabajo de la edición de vídeo por instrucción: cambias el fondo, reestilizas el decorado o replicas un movimiento de cámara, un efecto o una acción tomados de una referencia, y el movimiento original del plano se conserva, de modo que quien explica en cámara sigue señalando igual. Admite además la sustitución con imágenes de referencia y trabaja con clips de 2 a 10 segundos. Es la vía habitual para reaprovechar horas de clase ya grabadas de una academia sin montar otra sesión de rodaje.
