近日，阿里云宣布開源新一代多模態(tài)視頻生成模型“通義萬相 Wan2.2-S2V”。該模型僅需輸入一張靜態(tài)圖像和一段音頻，即可生成具有高度自然表情、精準(zhǔn)口型同步和流暢肢體動作的視頻內(nèi)容，效果接近電影級水準(zhǔn)，引發(fā)行業(yè)廣泛關(guān)注。
根據(jù)官方介紹，Wan2.2-S2V 能夠顯著提升數(shù)字人直播、影視制作及AI教育等多個領(lǐng)域的視頻創(chuàng)作效率。該模型支持真人、卡通形象、動物及數(shù)字人等多種類型的圖像輸入，并兼容肖像、半身、全身等多種畫面比例。用戶上傳音頻后，模型可驅(qū)動圖像主體完成說話、唱歌或表演等復(fù)雜動作，實(shí)現(xiàn)音畫高度同步。
值得關(guān)注的是，該模型還引入了文本控制功能。用戶可通過輸入Prompt進(jìn)一步調(diào)整視頻中的動作細(xì)節(jié)與背景動態(tài)，從而增強(qiáng)視頻的表現(xiàn)力與多樣性。例如，結(jié)合一張人物彈琴的圖片、一段歌曲和描述文本，Wan2.2-S2V 可生成一段演奏視頻，不僅人物形象與原圖高度一致，其手指動作、力度和節(jié)奏也能與音頻完美匹配。
在技術(shù)層面，Wan2.2-S2V 基于通義萬相視頻生成基礎(chǔ)模型構(gòu)建，融合了文本引導(dǎo)的全局運(yùn)動控制與音頻驅(qū)動的局部動作生成機(jī)制，以應(yīng)對復(fù)雜場景下的多模態(tài)生成需求。該模型采用了AdaIN和CrossAttention兩種控制機(jī)制，提升了音頻控制的準(zhǔn)確性與動態(tài)響應(yīng)能力。此外，通過層次化幀壓縮技術(shù)，模型顯著降低了歷史幀的Token數(shù)量，將歷史參考幀長度擴(kuò)展至73幀，從而實(shí)現(xiàn)了長視頻生成的穩(wěn)定性。
訓(xùn)練方面，研發(fā)團(tuán)隊構(gòu)建了包含超過60萬音視頻片段的數(shù)據(jù)集，采用混合并行訓(xùn)練策略進(jìn)行全參數(shù)優(yōu)化，以充分挖掘模型潛力。多分辨率訓(xùn)練機(jī)制的引入，使模型能夠適應(yīng)不同應(yīng)用場景，如豎屏短視頻或橫屏影視內(nèi)容的生成需求。
據(jù)實(shí)測數(shù)據(jù)，Wan2.2-S2V 在FID（視頻質(zhì)量）、EFID（表情真實(shí)度）和CSIM（身份一致性）等多項關(guān)鍵指標(biāo)上均達(dá)到當(dāng)前同類模型的領(lǐng)先水平。
自今年2月起，通義萬相已陸續(xù)開源多款生成模型，涵蓋文生視頻、圖生視頻、視頻編輯與音頻生視頻等多個方向，累計在開源社區(qū)及第三方平臺的下載量突破2000萬。此次Wan2.2-S2V 的開源，進(jìn)一步豐富了多模態(tài)視頻生成的技術(shù)生態(tài)，也為相關(guān)行業(yè)提供了新的工具選擇。
盡管該模型表現(xiàn)出較強(qiáng)的生成能力，其實(shí)際應(yīng)用效果仍需在不同場景中進(jìn)一步驗(yàn)證。目前，用戶可通過GitHub、魔搭社區(qū)、HuggingFace等平臺獲取模型，或在通義萬相官網(wǎng)、阿里云百煉平臺進(jìn)行體驗(yàn)。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
