알리바바, MoE 영상 생성 모델 ‘Wan2.2’ 오픈소스 공개

클릭 한 번으로 시네마틱 영상 제작, 연산 소모 50% 절감 혁신 기술 탑재

알리바바가 MoE(Mixture-of-Experts, 전문가 혼합) 아키텍처를 적용한 오픈소스 대규모 영상 생성 모델 시리즈 ‘Wan2.2’를 공개했다고 30일 발표했다. 이 모델은 크리에이터와 개발자들이 클릭 한 번으로 고품질 시네마틱 영상을 손쉽게 제작할 수 있도록 지원하는 것이 특징이다.

이번 시리즈는 △텍스트 기반 ‘Wan2.2-T2V-A14B’ △이미지 기반 ‘Wan2.2-I2V-A14B’ △텍스트·이미지 통합 하이브리드 모델 ‘Wan2.2-TI2V-5B’ 등 총 세 가지 모델로 구성되며, 다양한 영상 생성 입력 방식을 단일 프레임워크에 통합하도록 설계됐다.

Wan2.2-T2V-A14B와 Wan2.2-I2V-A14B는 MoE 아키텍처와 고도로 선별된 미적 데이터셋을 바탕으로 훈련됐다. 조명·시간대·색조·구도·초점 거리·카메라 앵글 등 다양한 요소를 정밀하게 제어하도록 지원한다. 또한 인물의 표정 변화, 손 제스처, 스포츠 동작 등 복잡한 움직임 묘사에도 강점을 보이며, 물리 법칙을 반영한 현실적인 표현력을 바탕으로 사실적인 영상 생성이 가능하다.

특히 긴 토큰으로 인해 발생하는 영상 생성 과정의 높은 연산 소모 부담을 줄이기 위해 확산 모델의 노이즈 제거 과정에 혁신적인 이중 솔루션을 도입했다. 전체 장면 구성을 담당하는 ‘고노이즈 엑스퍼트’와 세밀한 디테일을 정교하게 다듬는 ‘저노이즈 엑스퍼트’를 통해 총 270억 개 파라미터 중 매 스텝에서 140억 개만 활성화하여 연산 소모를 최대 50%까지 절감했다.

Wan2.2는 시네마틱 프롬프트 시스템을 통해 조명, 구도, 색감 등의 미적 요소를 세분화해 조절할 수 있도록 설계되었으며, 기존 Wan2.1 대비 이미지 데이터는 65.6%, 영상 데이터는 83.2% 이상 확대된 학습 데이터셋을 활용해 복잡한 장면 및 창의적 표현력에서 한층 향상된 성능을 보인다.

하이브리드 모델인 Wan2.2-TI2V-5B는 고압축 3D VAE 구조를 활용해 시간 및 공간 축을 각각 4x16x16 비율로 압축, 전체 압축률 64배를 달성했다. 이를 통해 일반 소비자용 GPU에서도 수 분 이내에 5초 분량의 720p 영상을 생성할 수 있으며, 높은 처리 효율성과 확장성을 제공한다.

현재 Wan2.2 모델은 허깅페이스, 깃허브, 알리바바 클라우드 오픈소스 커뮤니티 모델스코프에서 누구나 무료로 다운로드할 수 있다. 알리바바는 지난 2월 Wan2.1 시리즈와 5월 Wan2.1-VACE 모델을 오픈소스로 공개한 바 있으며, 현재까지 누적 540만 건 이상의 다운로드를 기록했다.