数字中国 人工智能 汽车智驾 手机数码 智慧家电 酷玩配件 科技创投 产业+ 更多
实时
当前位置：数智频道首页 > 人工智能 > 正文

阿里云通义万相 Wan2.2-S2V 视频生成模型宣布开源，一张图即可生成电影级数字人视频

2025-08-27 07:04:42 来源：IT之家 A+A-

阿里云宣布开源全新多模态视频生成模型通义万相 Wan2.2-S2V。该模型只需一张静态图片和一段音频，就能生成面部表情自然、口型一致、肢体动作流畅的电影级数字人视频。单次生成的视频时长可达分钟级，有助于提升数字人直播、影视制作、AI教育等行业的视频创作效率。

阿里云通义万相 Wan2.2-S2V 视频生成模型宣布开源，一张图即可生成电影级数字人视频

Wan2.2-S2V 支持真人、卡通、动物、数字人等多种类型图片，并兼容肖像、半身以及全身等不同画幅。上传一段音频后，模型能够使图片中的主体形象完成说话、唱歌和表演等动作。此外，该模型还支持文本控制，输入指令后可以进一步丰富视频画面的内容，让视频主体的运动和背景变化更加多样化。

阿里云通义万相 Wan2.2-S2V 视频生成模型宣布开源，一张图即可生成电影级数字人视频

例如，上传一张人物弹钢琴的照片、一段歌曲和一段文字，Wan2.2-S2V 可以生成一段完整的钢琴演奏视频。视频中的人物形象与原图一致，面部表情和嘴部动作与音频同步，手指的动作、力度和速度也能完美匹配音频节奏。

阿里云通义万相 Wan2.2-S2V 视频生成模型宣布开源，一张图即可生成电影级数字人视频

Wan2.2-S2V 采用了基于通义万相视频生成基础模型的能力，结合了文本引导的全局运动控制和音频驱动的细粒度局部运动，实现了复杂场景下的音频驱动视频生成。同时，引入了 AdaIN 和 CrossAttention 两种控制机制，提高了音频控制的准确性和动态性。为了保障长视频生成效果，Wan2.2-S2V 通过层次化帧压缩技术减少了历史帧的 Token 数量，将 motion frames 的长度扩展到 73 帧，从而实现了稳定的长视频生成。

在模型训练方面，通义团队构建了超过 60 万个片段的音视频数据集，通过混合并行训练进行了全参数化训练，充分挖掘了模型性能。同时，通过多分辨率训练和支持多分辨率推理，满足了不同分辨率场景的视频生成需求，如竖屏短视频和横屏影视剧。

实测数据显示，Wan2.2-S2V 在 FID（视频质量）、EFID（表情真实度）和 CSIM（身份一致性）等核心指标上表现优异，取得了同类模型中的最好成绩。

开源地址如下：

热点推送

本周关注

MORE
    关于中华网 广告服务 联系我们 招聘信息 版权声明 豁免条款 友情链接 中华网动态
    网上不良信息举报电话：010-56177181执行主编：张蕾
    京ICP备18035944号@版权所有 中华网