公司技术发布 - 阿里通义万相正式开源多模态视频生成模型Wan2.2-S2V 支持通过单张静态图片和音频生成电影级数字人视频 [1] - 模型单次生成视频时长可达分钟级别 可应用于数字人直播 影视后期制作及AI教育等行业 [2] - 该模型已在通义万相官网 Hugging Face及魔搭社区等平台上线供开发者及行业用户免费试用 [2] 技术特性与性能 - Wan2.2-S2V采用音频驱动技术 实现面部表情生动 口型同步和动作流畅的视频生成效果 [1][3] - 模型支持不同分辨率视频生成 包括竖屏短视频和横屏影视剧格式 [3] - 引入AdaIN和CrossAttention两种控制机制 实现更准确动态的音频控制效果 [3] - 前代产品Wan2.2-I2V-Flash推理速度较前代提升12倍 显著降低使用门槛 [3] 产品矩阵与开源进展 - 公司于2025年7月28日开源Wan2.2系列模型 包含文生视频 图生视频及统一视频生成三类 [3] - 文生视频和图生视频模型为业界首个采用MoE架构的视频生成模型 [3] - 开源模型包括通义万相2.2-S2V-14B 通义万相2.2-图生视频-A14B-Diffusers等多个版本 均采用Apache 2.0许可证 [2] 应用案例与效果 - 测试显示模型可处理真人 卡通 动物及数字人形象 生成说话 唱歌 表演等多种动作 [3][5] - 使用欧美人物照片配合中文音频生成视频时 面部表情和嘴部动作与音频完美同步 光线变化自然 [5] - 动画人物测试中可实现自动添加背景音乐 虽嘴部线条识别仍有提升空间 但整体效果出色 [5] 行业影响与前景 - 技术突破有望极大提升数字人直播 影视制作 AI教育等行业的视频创作效率 [2][3] - 模型为快速发展的数字人直播和影视制作行业提供了高效视频创作工具解决方案 [5] - 行业预计随着技术迭代完善 视频生成领域将迎来更多创新和突破 [5]