AI视频生成正在迎来“通义时刻”！
就在昨夜，阿里突然发布了一款由音频驱动的14B视频模型Wan2.2-S2V——
仅需一张图片和一段音频，即可生成面部表情自然、口型一致、肢体动作丝滑的电影级数字人视频。
玩法+效果be like：
△来自𝕏@AIMIRAI46487
而且最重要的是，新模型发布即开源，现在人人都能在通义万相官网免费体验。
根据官方介绍，Wan2.2-S2V最大亮点在于：
- 单次生成时长可达分钟级，且具有稳定性和一致性；
- 影院级音频生成视频能力；
- 基于指令的高级动作与环境控制。
尤其在生成各种电影情节方面，Wan2.2-S2V已经取得了相当进步，整体自然度和人物动作流畅性有了大幅增强。
网友们更是集体开启了好评模式：
既然新模型如此备受关注，那我们不得赶紧上手体验一番（doge）。
让马斯克还原生活大爆炸经典台词
打开通义万相官网，操作界面长下面这样（目前每日登录官方会赠送50积分可用于体验）：
注意，音频部分既可以从本地上传，也支持从声音库中选择合适的配音演员，顶部可直接输入指定台词。
这里我们请出了老演员马斯克，然后配上了他客串《生活大爆炸》的台词：
I’m washing dishes. Well, I was on the turkey line, but I got demoted for being too generous with the gravy.
小试牛刀后，Wan2.2-S2V很快就生成了以下视频：
有一说一，其对口型能力还是相当不错的，唇形和台词基本都能对上。
而且这里我们只是简单给大家打个样，欢迎大家自行探索更多玩法（doge）。
不过在此之前，咱们继续康康其他网友的实测分享吧~
一位日本小哥首先出场，直接用Wan2.2-S2V生成了动漫人物朗诵诗的情节，是不是很有动画内味儿了。
或者用来整活儿发朋友圈，制作人物贴画唱歌视频：
而且类似大段rap、演绎经典影视剧的尝试也不在少数，这里就不一一列举了。
那么最后的问题是——
Wan2.2-S2V怎么做到的？
背后技术细节
根据官方透露，Wan2.2-S2V采用了多项创新技术。
在模型训练上，通义万相团队构建了超60万个片段的音视频数据集，通过混合并行训练进行全参数化训练，充分挖掘了模型的性能。
然后基于通义万相视频生成基础模型能力，它融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，从而实现复杂场景的音频驱动视频生成。
同时通过引入AdaIN+CrossAttention两种控制机制，来让音频和画面锁死，解决同步问题。
搞定这些基础之后，为了实现长视频生成，模型还利用层次化帧压缩技术，大幅降低了历史帧的Token数量——
将motion frames（历史参考帧）的长度从数帧拓展到73帧，从而实现了稳定的长视频生成效果。
此外，通过多分辨率训练、支持模型多分辨率的推理，模型最后还能支持不同分辨率场景（如竖屏短视频、横屏影视剧）的视频生成需求。
截至目前，加上此次发布的Wan2.2-S2V，阿里通义基本已经聚齐了视频生成“全家桶”——
包括文生视频、图生视频、首尾帧生视频、全能编辑模型，所有这些加起来，通义模型家族在开源社区和三方平台的下载量已超2000万。
显而易见，AI视频生成正在迎来“通义时刻”。
立即体验：
通义万相官网：https://tongyi.aliyun.com/wanxiang/generate
阿里云百炼API：https://bailian.console.aliyun.com/?tab=api#/api/?type=model&url=2978215
开源地址：
Github：https://github.com/Wan-Video/Wan2.2
魔搭社区：https://www.modelscope.cn/models/Wan-AI/Wan2.2-S2V-14B
HuggingFace：https://huggingface.co/Wan-AI/Wan2.2-S2V-14B
参考链接：
[1]https://x.com/Alibaba_Wan/status/1960350593660367303
[2]https://mp.weixin.qq.com/s/GnfWVpk6EotfmbNTUPvuMg
[3]https://x.com/hazimeno_ipoo/status/1960365063824621734
文章来自于微信公众号“量子位”，作者是“一水”。