阿里近日正式發(fā)布新一代視頻生成模型——萬相2.6系列，憑借音畫同步、多鏡頭生成及角色扮演等創(chuàng)新功能，迅速成為行業(yè)焦點。該模型不僅被宣稱是全球功能最全面的視頻生成工具，更是國內(nèi)首個支持角色扮演能力的視頻模型，標志著國產(chǎn)AI技術(shù)在視覺創(chuàng)作領(lǐng)域邁入新階段。

相較于前代萬相2.5，新版本針對專業(yè)影視與圖像創(chuàng)作場景進行了深度優(yōu)化。其核心升級包括畫質(zhì)與音效的顯著提升、指令響應(yīng)能力的增強，以及單次生成視頻時長延長至國內(nèi)領(lǐng)先的15秒。更引人注目的是，新增的角色扮演與分鏡控制功能，讓用戶能夠通過文本指令實現(xiàn)復(fù)雜敘事視頻的自動化生成。例如，用戶上傳一張數(shù)字人照片并輸入分鏡腳本后，模型可在幾分鐘內(nèi)生成包含多場景切換、人物動作連貫的15秒劇情短片，且畫面主體一致性較高，無明顯邏輯漏洞。

在實際測試中，萬相2.6展現(xiàn)了強大的場景適應(yīng)能力。當輸入“男生向女生表白”主題的腳本時，模型生成的視頻不僅準確還原了遞花、對視、擁抱等動作細節(jié)，人物嘴型與聲音同步度也達到較高水平，盡管情緒表現(xiàn)仍略顯機械，但已優(yōu)于多數(shù)同類產(chǎn)品。而在角色扮演功能測試中，用戶上傳馬斯克采訪視頻后，模型成功將其替換為女性數(shù)字分身，神態(tài)與姿態(tài)高度還原原角色，僅在聲音保留男性特征方面存在細微偏差。模型對多人互動場景的處理也有所突破，例如在“赫敏飛奔擁抱哈利”的測試中，雖偶有角色替換誤差，但整體動作流暢度與情感表達已接近真實拍攝效果。

技術(shù)層面，萬相2.6通過多模態(tài)聯(lián)合建模實現(xiàn)畫面與聲音的全維度一致性。其創(chuàng)新架構(gòu)可同時解析視頻中的主體情緒、姿態(tài)、視覺特征，以及音色、語速等聲學信息，并在生成階段將這些特征作為控制條件，確保單人或多人表演的連貫性。在分鏡控制方面，模型通過高層語義理解技術(shù)，將文本腳本轉(zhuǎn)化為具備敘事張力的專業(yè)級多鏡頭段落，即使在復(fù)雜場景切換中，也能保持主體、布局與環(huán)境氛圍的統(tǒng)一建模。

目前，萬相2.6已開放個人用戶通過官網(wǎng)直接體驗，企業(yè)用戶則可通過阿里云百煉平臺調(diào)用模型API。據(jù)透露，千問APP也將于近期集成該模型功能。從文生圖、圖像編輯到文生視頻、圖生視頻，再到人聲生視頻與動作生成，萬相模型家族現(xiàn)已覆蓋超過10種視覺創(chuàng)作能力，持續(xù)刷新全球功能記錄。此次升級不僅鞏固了阿里在AI視頻生成領(lǐng)域的領(lǐng)先地位，更為專業(yè)影視制作、短視頻創(chuàng)作等領(lǐng)域提供了高效工具，推動行業(yè)向自動化、智能化方向加速演進。