智東西
作者 李水青
編輯 心緣

智東西12月16日報(bào)道，今日，阿里推出新一代萬相2.6系列模型。該系列模型支持音畫同步、多鏡頭生成及聲音驅(qū)動等多項(xiàng)功能，號稱是全球功能最全的視頻生成模型，并且是國內(nèi)首個支持角色扮演功能的視頻模型。

相比于9月發(fā)布的萬相2.5，萬相2.6本次升級面向?qū)I(yè)影視和圖像創(chuàng)作，進(jìn)一步提升了畫質(zhì)、音效、指令遵循等能力，單次視頻時(shí)長實(shí)現(xiàn)國內(nèi)最高的15s，還新增了角色扮演和分鏡控制功能。

智東西第一時(shí)間試用了萬相2.6，發(fā)現(xiàn)穩(wěn)定的音畫同步生成在這一版本中已經(jīng)是標(biāo)配，指令遵循能力提升；全新的分鏡控制功能表現(xiàn)驚艷，能夠理解腳本分鏡術(shù)語，多鏡頭間的主體、場景一致性較強(qiáng)，剪輯效果連貫，多人互動仍略有機(jī)械感，但比此前更接近真人；角色扮演功能也能實(shí)現(xiàn)貼合原角色特征，但多人場景可能出現(xiàn)角色替換錯配問題。

即日起，所有人可直接在萬相官網(wǎng)體驗(yàn)萬相2.6，企業(yè)用戶還能通過阿里云百煉調(diào)用模型API，據(jù)悉，千問APP也將于近期上線該模型。

體驗(yàn)鏈接：
萬相官網(wǎng)：https://tongyi.aliyun.com/wan/
阿里云百煉API：https://bailian.console.aliyun.com/?tab=model#/model-market/all?providers=wan

一、上傳多鏡頭腳本，AI直接生成15秒劇情短片

如下視頻所示，當(dāng)我上傳一張我的數(shù)字人分身的照片，輸入一段分鏡腳本提示詞，萬相2.6在幾分鐘之內(nèi)一次就成功生成了我需要的帶音畫同步的視頻，與提示詞精準(zhǔn)匹配，分鏡銜接具有大片感，并且生成的人物保持了較好一致性，沒有出現(xiàn)明顯“穿幫”鏡頭。

提示詞：
愛豆的臺前與幕后。
鏡頭1 [0-2秒] 女孩在臺上唱歌，星光璀璨。
鏡頭2 [3-6秒] 周圍的燈光驟暗，女生在化妝鏡前卸妝。
鏡頭3 [7-10秒] 遠(yuǎn)景，女生穿著機(jī)車服，騎著摩托車呼嘯而過。

▲萬相2.6生成的視頻（源自：智東西）

當(dāng)我加大難度，上傳了一個男生和女生走在操場上的照片，并輸入圍繞“男生向女生表白”主題的相關(guān)分鏡提示詞，如下視頻所示，萬相2.6也能夠在幾分鐘之內(nèi)生成準(zhǔn)確呈現(xiàn)劇情的15秒視頻，人物的動作、嘴型和聲音比較一致，人物的情緒飽滿，不過相比于上一個單人視頻略顯AI味，不如真人表演具有靈動感，但已經(jīng)好過之前的AI生成效果。

提示詞：
校園操場，男生真誠跪地表白，氛圍溫暖感人。
鏡頭1 [0-5秒]?中景：男生叫住女生，緊張遞花，女生疑惑。
鏡頭2 [6-10秒]?遠(yuǎn)景：男女生對視，認(rèn)真告白，女生驚訝捂嘴。
鏡頭3 [10-15秒]?特寫，女生點(diǎn)頭接受，對男生笑。

▲萬相2.6生成的視頻（源自：智東西）

下面是一段通義萬相官方公布的分鏡控制功能示例，更加專業(yè)的操作人員配合萬相2.6試用，有望生成大片感更足的多分鏡視頻。

▲萬相2.6分鏡控制功能示例（圖源：通義萬相）

二、國內(nèi)首個AI視頻角色扮演模型，實(shí)測一鍵變“女版馬斯克”

然后來看看角色扮演，萬相2.6能參考輸入視頻中的角色外觀和音色、實(shí)現(xiàn)角色扮演，按照提示詞生成單人、多人、人與物合拍的視頻。

當(dāng)我上傳一段馬斯克采訪的相關(guān)視頻，并輸入我的數(shù)字人分身，希望讓我的分身去模仿馬斯克的受訪時(shí)的神態(tài)，萬相2.6能快速將馬斯克替換為我的“數(shù)字分身”——一個女版馬斯克，穿著大碼的夾克叉腿作者，兩手交叉一邊深度一思考一邊認(rèn)真講述自己的觀點(diǎn)，神態(tài)高度還原了馬斯克，但生成視頻的聲音依然保留了男性聲音。

▲萬相2.6生成的視頻（源自：智東西）

當(dāng)我加大難度，上傳了一個動態(tài)效果更強(qiáng)、有多個角色的視頻：哈利?波特的好朋友赫敏?格蘭杰飛奔向他兩人擁抱，只見萬相2.6也能夠捕捉到人物，準(zhǔn)確地將赫敏替換成我的數(shù)字分身，從遠(yuǎn)處飛奔過來，朋友見面的喜悅的神態(tài)、動作都還原地十分生動。

▲萬相2.6生成的視頻（源自：智東西）

美中不足是萬相2.6捕捉和替換角色有點(diǎn)像短視頻平臺的變身特效一樣“隨意”，有一幀依然保留了原演員艾瑪?沃特森的畫面，而最后一幀將哈利·波特的臉換成了我的數(shù)字分身。理論上這是可以通過提示詞調(diào)整的，但在我使用的時(shí)候該功能無法進(jìn)行提示詞編輯。如果萬相2.6能針對多角色視頻增加一個“角色選擇”勾選功能，這一功能的可用性或許將更高。

針對角色扮演，下面是通義萬相官方提供的一個示例：用戶上傳一段個人視頻，并輸入一段科幻懸疑風(fēng)格的提示詞，萬相2.6能快速完成分鏡設(shè)計(jì)、角色演繹、畫面配音等環(huán)節(jié)工作。

▲萬相2.6角色扮演功能實(shí)例（圖源：通義萬相）

三、支持多模態(tài)聯(lián)合建模與學(xué)習(xí)，可進(jìn)行高層語義理解

主打“面向?qū)I(yè)影視制作”，萬相2.6在業(yè)界十分關(guān)注的“細(xì)節(jié)穿幫”問題上表現(xiàn)如何，做了哪些工作？

萬相2.6相關(guān)負(fù)責(zé)人在采訪中告訴智東西，現(xiàn)在沒有任何一個模型完全做到?jīng)]有Bad Case（所謂的“穿幫”），萬相2.6的穩(wěn)定性要比上個版本明顯加強(qiáng)，當(dāng)用戶多次輸入提示詞可能得到不同的結(jié)果，其實(shí)真人演員對同一個劇本每次的表現(xiàn)也是不一樣的。它不是為了去解決“穿幫”問題，（不過）用戶可以使用多次生成來看哪一個結(jié)果更符合預(yù)期。

其在模型結(jié)構(gòu)上集成了多項(xiàng)創(chuàng)新技術(shù)，可對輸入?yún)⒖家曨l進(jìn)行多模態(tài)聯(lián)合建模與學(xué)習(xí)，參考具有時(shí)序信息的主體情緒、姿態(tài)和多角度全面視覺特征，同時(shí)提取音色、語速等聲學(xué)特征，在生成階段作為參考條件控制，實(shí)現(xiàn)從畫面到聲音的全感官全維度一致性保持與遷移，目前萬相可支持單人和多人的表演。

在分鏡控制上，通義萬相能通過高層語義理解，將原始輸入構(gòu)建為具備完整故事線與敘事張力的專業(yè)級多鏡頭段落，在多鏡頭切換的過程中保持核心主體、場景布局和環(huán)境氛圍統(tǒng)一建模，確保全片在內(nèi)容、節(jié)奏和氛圍上的高一致性。

結(jié)語：國產(chǎn)視覺生成模型功能加速迭代

今年9月，阿里率先在國內(nèi)發(fā)布音畫同步的視頻生成模型萬相2.5，在權(quán)威大模型評測集LMArena上，萬相圖生視頻位居國內(nèi)第一。三個多月后，萬相2.6又推出了角色替換、多鏡頭控制等功能，提升幅度明顯。

國產(chǎn)視覺生成模型正在刷新更多全球記錄。目前，萬相模型家族已支持文生圖、圖像編輯、文生視頻、圖生視頻、人聲生視頻、動作生成、角色扮演及通用視頻編輯等10多種視覺創(chuàng)作能力，據(jù)稱已成為全球功能最全的視頻生成模型。