編輯｜+0

2025 年即將畫上句號(hào)，回望這一年的視頻生成領(lǐng)域，用「突飛猛進(jìn)」來形容毫不為過，甚至可以說，視頻內(nèi)容創(chuàng)作的范式正在悄然發(fā)生改變。

9 月，OpenAI 發(fā)布的 Sora 2 憑借「客串（Cameo）」功能，打破了困擾行業(yè)已久的「角色一致性」瓶頸，首創(chuàng)的「角色扮演功能」玩法讓 AI 視頻從充滿不確定性的「盲盒抽卡」進(jìn)化為可控的「導(dǎo)演游戲」。

與此同時(shí)，商業(yè)落地的速度快得驚人：在 B 端，大量 AI 短劇、漫劇上線，制作成本大幅降低；在 C 端，社交平臺(tái)上不僅有「粘土濾鏡」這樣的爆款特效，更有大量博主開始常態(tài)化使用 AI 制作劇情短片。

然而，面對(duì)這些頂尖技術(shù)，普通用戶的心情往往是「又愛又恨」。愛的是，各家 SOTA 模型生成的畫面在光影質(zhì)感與物理規(guī)律上已臻化境，甚至讓人恍惚感嘆「現(xiàn)實(shí)與虛擬的界限已然消失」；恨的是，體驗(yàn)的門檻依舊存在，要么是高不可攀的內(nèi)測資格，要么是每月不菲的訂閱賬單。

前段時(shí)間，驚喜降臨。阿里千問 APP 接入了 Wan 2.5（萬相 2.5），讓我們感受到了移動(dòng)端創(chuàng)作的自由與暢快，這種在手機(jī)上免費(fèi)生成「有聲視頻」的體驗(yàn)，確實(shí)很香。在權(quán)威大模型評(píng)測集 LMArena 上，萬相 2.5 的圖生視頻能力曾位居國內(nèi)第一。

而這份驚喜在年底迎來了重磅加碼。12 月 16 日，阿里趁熱打鐵，正式發(fā)布了新一代萬相 2.6 系列模型。如果說 2.5 版本是幫大家推開了視頻創(chuàng)作的門，那么此次面向?qū)I(yè)影視制作和圖像創(chuàng)作場景全面升級(jí)的 2.6 版本，則是把專業(yè)影棚搬到了每個(gè)人面前，人人都能當(dāng)電影主角或是導(dǎo)演。

1. 體驗(yàn)入口：https://tongyi.aliyun.com/wan/generate/video/starring-roles?model=wan2.6

先看一段官方提供的視頻，電影質(zhì)感爆棚。

此次發(fā)布的萬相 2.6 系列涵蓋文生視頻、圖生視頻和參考生視頻，圖像生成和文生圖共 5 款模型，是目前全球功能覆蓋最全面的視頻生成模型家族之一。它是國內(nèi)首個(gè)具備聲畫一致性角色定制能力的模型，這意味著你不僅能通過「角色參考」固定住視頻中人或物的 IP 形象，還能參考輸入視頻中的音色，實(shí)現(xiàn)從畫面到聲音的完美復(fù)刻，無論是單人獨(dú)白還是雙人對(duì)手戲都能輕松拿捏。

更重要的是，此次發(fā)布的版本進(jìn)一步提升了畫質(zhì)、音效和指令遵循能力，單次視頻生成時(shí)長實(shí)現(xiàn)了國內(nèi)最高的 15 秒（參考生視頻為 10 秒），還帶來了「分鏡控制」功能，能自動(dòng)拆解并實(shí)現(xiàn)多鏡頭切換等專業(yè)任務(wù)，讓 AI 不再只是生成零碎的片段，而是開始懂得構(gòu)建完整的故事線。目前，萬相 2.6 已同步上線阿里云百煉和萬相官網(wǎng)，企業(yè)用戶可直接調(diào)用 API，千問 APP 也將于近期上線該模型。

簡單來說，阿里這次不僅把畫質(zhì)拉滿了，更是把攝影師、燈光師、動(dòng)作指導(dǎo)和錄音師打包塞進(jìn)了你的手機(jī)和云端。

為了驗(yàn)證萬相 2.6 是否真的這么厲害，我們決定不玩虛的，直接上手實(shí)測。

多角色聲畫同步的極限挑戰(zhàn)

AI 視頻最難的是什么？不是生成絢麗的畫面，而是在動(dòng)態(tài)變化中保持「保真」與「一致」。

大家應(yīng)該都還記得 Sora 2 發(fā)布時(shí)被瘋傳的「百變奧特曼」：山姆·奧特曼（Sam Altman）在各種場景下做炸雞、吃炒飯，雖然動(dòng)作離譜，但那張臉和神態(tài)卻始終如一?，F(xiàn)在，萬相 2.6 成了全球唯二，國內(nèi)首個(gè)具備這種「參考生視頻」能力的模型。

這是面向?qū)I(yè)影視創(chuàng)作的一次全面升級(jí)。全新的視頻參考生成功能，允許將任意人或物設(shè)定為主角，不僅能一鍵完成單人、多人、人與物合拍的視頻，還能在多鏡頭絲滑切換的過程中保持核心主體、場景布局和環(huán)境氛圍的統(tǒng)一。

從技術(shù)層面解析，通義萬相在模型結(jié)構(gòu)上集成了多項(xiàng)創(chuàng)新技術(shù)，可對(duì)輸入?yún)⒖家曨l進(jìn)行多模態(tài)聯(lián)合建模與學(xué)習(xí)。它不僅能參考具有時(shí)序信息的主體情緒、姿態(tài)和多角度全面視覺特征，更能同時(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)從視覺到聽覺的全感官、全維度一致性遷移。

而「分鏡控制」則面向?qū)I(yè)敘事場景，模型通過高層語義理解，將用戶簡單的提示詞轉(zhuǎn)換為多分鏡腳本，生成包含多個(gè)鏡頭的連貫敘事視頻，確保全片在內(nèi)容、節(jié)奏和氛圍上的高一致性。

為了驗(yàn)證這一能力，我們直接上傳了奧特曼、哈薩比斯和黃仁勛的過往視頻片段作為參考素材。萬相 2.6 能夠精準(zhǔn)提取視頻中主體的形象特征、聲音聲線乃至慣用神態(tài)，并允許我們通過提示詞將他們「傳送」進(jìn)全新的劇情中。

這一次，我們讓這三位科技圈頂流在一個(gè)極具電影質(zhì)感的平行宇宙里，來了一場關(guān)于 GPT-5.2 和 Gemini 3 的「現(xiàn)場互懟」。我們在對(duì)話框中輸入設(shè)定臺(tái)詞和畫面，分多次生成最后拼接畫面。話不多說，直接來看正片：

英文版完美復(fù)刻了他們原本的聲線與語調(diào)，效果令人咋舌。

為了讓大家更直觀地感受音頻生成的實(shí)力，我們再看一個(gè)中文配音版，雖然語種跨越增加了難度，音頻效果略遜色于英文版，但依然不僅形似，更是神似。

仔細(xì)觀察三位主角的眉眼微表情、肢體語言乃至習(xí)慣性動(dòng)作，還原度極高，幾位「AI 演員」可以說是演技滿滿。Sam 從首日身體后仰的「跑分王」傲慢，到次日瘋狂刷屏?xí)r的眼神閃爍、戰(zhàn)術(shù)喝水，情緒轉(zhuǎn)折絲滑流暢；Demis 那股從緊張防御到端著咖啡「貼臉開大」的戲謔笑意，簡直靈魂附體。當(dāng)然，最絕的還得是「皮衣教主」黃仁勛，那仰天大笑的一攤手，仿佛直接穿透屏幕在說：「爭什么爭？最后不都得靠我？」

為了方便大家復(fù)刻同款大片，官方貼心提供了兩套核心提示詞模板：

針對(duì)「參考生視頻」，模型支持人物、萌寵或道具等任意類型主角（最多 3 個(gè)），并能完美復(fù)刻其外觀、動(dòng)態(tài)及音色。只需套用公式「@主角 + 動(dòng)作 + 臺(tái)詞 + 場景」：通過 @ 符號(hào)精準(zhǔn)引用參考素材，描述動(dòng)作情緒、臺(tái)詞內(nèi)容及所處環(huán)境即可。例如：在一個(gè)童話場景中，@A（參考視頻為兔子）在草地玩耍，@B（參考視頻為狗）在樹下彈琴被蘋果砸中，@A 開心地說：「你要變成科學(xué)家了！」

而在「多鏡頭敘事」方面，萬相 2.6 能將原始輸入構(gòu)建為具備敘事張力的專業(yè)級(jí)多鏡頭段落。無論是啟用智能多鏡還是手動(dòng)精控，推薦使用公式「總體描述 + 鏡頭序號(hào) + 時(shí)間戳 + 分鏡內(nèi)容」。先概括故事主題與基調(diào)，再通過時(shí)間戳（如 [0-3 秒]）劃分結(jié)構(gòu)，詳細(xì)描述每個(gè)分鏡的運(yùn)鏡與表演。例如：講述一個(gè)重拾希望的短劇。第 1 鏡頭 [0-3 秒] 男孩看著信紙嘆氣；第 2 鏡頭 [3-5 秒] 特寫眼角淚光；第 3 鏡頭 [5-10 秒] 場景切換，女孩微笑著走近安慰他。

當(dāng) AI 擁有了長敘事能力與「演技」

短視頻時(shí)代，能不能火全看「?！购汀笐颉?，面向廣告設(shè)計(jì)、短劇制作等專業(yè)場景，萬相 2.6 展現(xiàn)出了驚人的潛力。通過輸入連續(xù)提示詞，它能生成一段完整敘事的短片，讓人人都能當(dāng)導(dǎo)演。下面我們測試一下它在細(xì)節(jié)把控和情緒表達(dá)上的「演技」。

為了驗(yàn)證模型在極端條件下的細(xì)節(jié)把控能力，我們嘗試了一組高難度的特寫鏡頭測試。

提示詞：日式電影感，中近景：26 歲亞洲女性，黑色齊肩短發(fā)，清淡妝容，戴銀邊細(xì)框眼鏡，穿著米白色寬松針織毛衣。她站在溫馨昏黃的廚房里，手里端著一碗剛煮好的米線。特寫鏡頭：碗中升騰起濃郁的白色蒸汽，熱氣瞬間撲在她的臉上，熏白了她的眼鏡片，形成一層白霧。她微微一愣，透過模糊的鏡片眨了眨眼，表情呆萌而治愈，背景是虛化的充滿生活氣息的冰箱和櫥柜。

畫面聚焦于一位剛下班的都市女性，她端著一碗熱氣騰騰的面條準(zhǔn)備享用。令人驚嘆的是，當(dāng)熱氣上涌，水霧瞬間在她的眼鏡鏡片上凝結(jié)成一層細(xì)密而真實(shí)的白霜，視野的模糊與清晰交界處處理得極其自然，光影在水霧上的折射顯得通透而生動(dòng)。

在如此近距離的微距鏡頭審視下，人物皮膚細(xì)節(jié)展現(xiàn)出了電影級(jí)的高保真度：鼻翼兩側(cè)因熱氣熏蒸而泛起的微紅、眼角極其細(xì)微的疲憊干紋，甚至是皮膚未施粉黛的細(xì)膩顆粒感和毛孔的「呼吸感」，都被完美捕捉和呈現(xiàn)，完全打破了以往 AI 生成人物常見的「塑料感」。

更絕妙的是人物的神態(tài)動(dòng)作，當(dāng)眼鏡被蒙住的瞬間，她下意識(shí)地瞇起眼睛，鼻頭輕微皺縮，嘴角卻又不自覺地掛著即將被美食治愈的滿足笑意。

我們進(jìn)一步嘗試讓「大宋第一狠人」蘇軾穿越回來，錄制「敬自己一杯」的 Vlog。

我們只需給模型設(shè)定一個(gè)首幀，輸入提示詞，模型就能快速完成分鏡設(shè)計(jì)、角色演繹和畫面配音。

提示詞： (蘇東坡舉著酒杯，滿臉通紅，微醺狀態(tài)) 第三杯！敬我的「大宋窮游指南」！皇帝把我貶到黃州，我發(fā)明了東坡肉；把我貶到惠州，我日啖荔枝三百顆；最后把我扔到海南島（當(dāng)時(shí)那是未開化之地），以為我會(huì)哭死？不好意思，我發(fā)現(xiàn)那邊的生蠔真的太好吃了，還寫信讓兒子別告訴別人，怕朝廷那幫人跑來跟我搶。把流放活成《舌尖上的中國》，就問你服不服！喝！

來看看效果如何：

可以看到，視頻不僅高度還原了我們設(shè)定的視覺風(fēng)格，更在細(xì)節(jié)上經(jīng)得起推敲：聲畫同步率極高，面部微表情隨著臺(tái)詞層層遞進(jìn)。模型展現(xiàn)出了類似專業(yè)導(dǎo)演的運(yùn)鏡意識(shí)，通過推拉搖移和景深變化有效掌控了敘事節(jié)奏。視頻中的蘇軾全程以一種舉重若輕的姿態(tài)講述跌宕人生，既重現(xiàn)了「一蓑煙雨任平生」的豪邁豁達(dá)，又精準(zhǔn)拿捏了「微醺吐槽」時(shí)的詼諧與松弛，感染力十足。

不容忽視的平面「基本功」

在大家的目光都被視頻生成的「演技」吸引時(shí)，萬相 2.6 在靜態(tài)圖像生成領(lǐng)域也悄然完成了版本迭代。對(duì)于一個(gè)多模態(tài)大模型而言，高質(zhì)量的平面圖像生成能力依然是其重要的「基本功」。

此次 2.6 版本的圖像生成能力升級(jí)，主要體現(xiàn)在對(duì)畫面細(xì)節(jié)的控制力和實(shí)用場景的覆蓋，可以說是在「高美學(xué)」與「強(qiáng)可控」上同時(shí)邁出了一大步。

在基礎(chǔ)的文生圖方面，新模型實(shí)現(xiàn)了對(duì)藝術(shù)風(fēng)格的「靈魂捕捉」。從提供的測試案例來看，模型對(duì)「肌理、色彩、筆觸」等細(xì)節(jié)的刻畫更為到位。無論是需要特定筆觸感的東方水墨、拉斐爾藝術(shù)風(fēng)格，還是偏向現(xiàn)代設(shè)計(jì)的數(shù)字插圖、毛氈卡通風(fēng)格，模型都能精準(zhǔn)還原。更有趣的是它的「風(fēng)格融合」能力，比如將「印象派」與「涂鴉」結(jié)合，模型能處理得過渡平滑且自然，創(chuàng)作出獨(dú)具一格的視覺作品。

針對(duì)容易「翻車」的人物寫實(shí)照片，2.6 版本綜合優(yōu)化了構(gòu)圖與光影，在一定程度上削弱了以往常見的「AI 塑料感」。實(shí)測中，人物神態(tài)更加自然，膚質(zhì)真實(shí)感大幅提升，即便是復(fù)雜的環(huán)境情緒攝影，也能呈現(xiàn)出極具表現(xiàn)力的光影細(xì)節(jié)。

更具實(shí)用價(jià)值的是其在復(fù)雜排版和精準(zhǔn)控制方面的提升。新版本改善了在圖片中生成中英文文本的能力，這意味著制作帶文字的海報(bào)、帶有數(shù)據(jù)信息的圖表變得更加直接。同時(shí)，模型不僅涵蓋了廣泛的歷史文化 IP 元素，還新增了諸如「圖文混排輸出」和「多圖融合生成」等功能，能夠依據(jù)邏輯創(chuàng)作出具有敘事性的繪本或復(fù)雜的商品組合場景。

對(duì)于有特定需求的設(shè)計(jì)或商業(yè)場景，萬相 2.6 提供了更細(xì)致的控制選項(xiàng)。例如，在需要保持商品或角色形象統(tǒng)一時(shí)，它提供了商用級(jí)的一致性保持能力；在調(diào)整畫面氛圍時(shí)，用戶可以更精確地控制鏡頭的遠(yuǎn)近視角和光影效果。

提示詞：給這個(gè)男生和狗拍一張寫真，男生摟著這只狗，人和狗都很開心，攝影棚柔和燈光，藍(lán)色紋理背景。

如果說視頻生成是在探索 AI 動(dòng)態(tài)表達(dá)的上限，那么圖像生成板塊的更新，則是在夯實(shí) AI 平面創(chuàng)作的地基，提供了一套更為穩(wěn)健、多樣的工具集。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(dòng)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，已廣泛應(yīng)用于 AI 漫劇、廣告設(shè)計(jì)和短視頻創(chuàng)作等領(lǐng)域。

結(jié)語

萬相 2.6 的發(fā)布，某種程度上標(biāo)志著 AI 視頻生成正式告別了單純的「抽卡」時(shí)代，邁向了精準(zhǔn)可控的電影級(jí)創(chuàng)作新階段。

過去，我們驚嘆于 AI 的畫質(zhì)，卻苦惱于它的不可控。而現(xiàn)在，萬相 2.6 用國內(nèi)首創(chuàng)的角色扮演功能讓「演員」聽話懂戲，不僅能鎖住容貌，更能演繹情緒；用智能分鏡控制讓敘事有了邏輯，從單點(diǎn)畫面進(jìn)化為連貫的故事篇章。它將曾經(jīng)昂貴的影視工業(yè)特權(quán)，折疊進(jìn)了手機(jī)和云端，徹底消除了技術(shù)對(duì)創(chuàng)意的阻隔。

當(dāng)燈光、攝影、演員和剪輯都聽命于你的指尖，技術(shù)不再是門檻。無論是想做一部「賽博大片」，還是只想發(fā)一條朋友圈惡搞 Vlog，都能找到順手的工具。

門檻已經(jīng)塌陷，工具就在手邊。從此刻起，你的想象力，就是你的生產(chǎn)力。

體驗(yàn)鏈接：

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

文中視頻鏈接：https://mp.weixin.qq.com/s/tgVN9ByxXn5NKDX8bArcgw