万相

名称

所属公司

概述

技术特点

• 创新的模型架构：系列模型演进中采用了多项前沿架构。早期基于组合式生成模型（Composer），可将图像的设计元素（如风格、构图）解耦与重组。后续的Wan2.2等版本引入了混合专家（Mixture-of-Experts, MoE）架构，通过高噪声专家与低噪声专家的分工协作，在保证生成质量的同时提升计算效率。视频生成核心则基于扩散时间变换器（DiT）架构与高效的3D变分自编码器（VAE），实现对视频时空信息的有效建模与高质量编解码。
• 原生多模态融合：自Wan2.5版本起，采用统一的多模态架构，在同一框架下支持文本、图像、视频、音频多种模态的联合理解与生成。这使得模型能够实现原生音画同步，根据画面内容自动生成匹配的人声、音效与背景音乐，或根据音频驱动生成口型、表情精准匹配的视频。
• 电影级可控生成：创新性地提出了电影级美学控制系统，将专业的光影、色彩、镜头语言等元素编码为可控参数，使用户能够通过提示词进行细粒度的视觉风格控制。同时，模型具备强大的物理规律模拟能力，能够逼真还原真实世界的运动、碰撞等物理现象。
• 角色扮演与特征迁移：Wan2.6版本引入了国内首个角色扮演功能。该技术通过对参考视频进行多模态联合建模，提取主体的时序情绪、姿态、多角度视觉特征以及音色、语速等声学特征，在生成阶段作为控制条件，实现从画面到声音的全维度一致性保持与迁移，支持生成单人、多人及人与物合拍的定制化视频。
• 高效训练与开源策略：模型在超大规模的多模态数据集上进行训练，并在迭代中持续扩充高质量的视频与图像数据。阿里巴巴积极推行模型开源策略，将包括Wan2.1、Wan2.2在内的多个版本在Apache 2.0等协议下全面开源，推动开发者生态建设与技术普及。

主要功能

• 文生视频：根据详细的文本描述（提示词），生成包含复杂场景、人物动作及专业运镜的影视级短视频。
• 图生视频：上传一张静态图片，结合运动描述，驱动图片中的主体（人物、动物、物体等）生成连贯、自然的动态视频。
• 音频驱动视频生成：仅需一张人物或角色图片和一段音频，即可生成面部表情自然、口型与音频高度同步的数字人视频，支持真人、卡通、动物等多种形象。
• 角色扮演与视频融合：上传包含人脸的参考视频，可学习其外观与表演特征，生成该“数字角色”出演全新剧情的内容，实现高质量的视频换脸与表演迁移。
• 智能分镜与多镜头生成：可根据简单的剧情描述，自动规划并生成包含特写、中景、全景等多镜头切换的连贯短片，保持主体、场景与氛围的一致性。
• 图像生成与编辑：支持文生图、相似图生成、图像风格迁移、专业级图像编辑以及创意艺术字生成等功能。
• 长视频生成与拓展：支持单次生成较长时间的视频（如15秒），并可通过“尾帧拓展”功能进行连续创作，拼接生成长叙事内容。

适用场景

• 专业影视与动画制作：用于快速生成电影分镜预览、视觉概念图、特效镜头，大幅缩短前期策划与后期制作周期，降低特效成本。
• 广告营销与电商：快速生成商品展示视频、品牌宣传片、社交媒体广告素材，实现个性化、批量的视觉内容生产，提升营销效率与转化率。
• 短视频与社交媒体内容创作：帮助个人创作者、博主、MCN机构高效生产创意短视频、剧情短片、知识科普视频，降低内容创作的技术与时间门槛。
• 游戏与互动娱乐：生成游戏角色动画、场景动态预览、宣传视频，以及为虚拟偶像、数字人直播提供实时或预制的视频内容。
• 教育与培训：将历史事件、科学原理、文学意境等抽象知识转化为生动的动态视频，制作沉浸式教学课件与培训材料。
• 企业演示与可视化：为产品演示、建筑设计可视化、工业流程模拟等场景生成高质量的解说视频与动态演示素材。