原標(biāo)題：阿里通義萬相新突破：靜態(tài)圖+音頻，輕松生成電影級數(shù)字人視頻

　　在科技日新月異的今天，阿里巴巴再次引領(lǐng)技術(shù)潮流，正式推出了其通義萬相平臺的全新多模態(tài)視頻生成模型——Wan2.2-S2V。這一創(chuàng)新模型僅需用戶提供一張靜態(tài)圖片和一段音頻，便能自動生成面部表情生動、口型精準(zhǔn)匹配、肢體動作流暢的電影級數(shù)字人視頻，為數(shù)字人直播、影視后期制作及AI教育等領(lǐng)域帶來了革命性的變化。

　　據(jù)悉，Wan2.2-S2V模型能夠生成分鐘級別的視頻內(nèi)容，極大提升了視頻創(chuàng)作的效率。用戶只需簡單操作，便能見證靜態(tài)圖片中的人物仿佛被賦予了生命，隨著音頻的節(jié)奏動起來，無論是唱歌、說話還是表演，都顯得栩栩如生。這一技術(shù)突破無疑為影視行業(yè)的內(nèi)容創(chuàng)作者提供了強(qiáng)有力的支持，也為數(shù)字人直播等新興領(lǐng)域打開了全新的想象空間。

　　早在今年7月，阿里通義萬相已經(jīng)開源了包括文生視頻、圖生視頻在內(nèi)的多款視頻生成模型，如Wan2.2-T2V-A14B、Wan2.2-I2V-A14B等，這些模型在業(yè)界首次采用了MoE架構(gòu)，展現(xiàn)了強(qiáng)大的視頻生成能力。而此次推出的Wan2.2-S2V則更加注重音頻與圖像的同步，致力于實(shí)現(xiàn)畫面與音頻的完美契合。

　　在實(shí)際體驗(yàn)中，Wan2.2-S2V展現(xiàn)出了令人驚嘆的效果。無論是真人、卡通、動物還是數(shù)字人形象，只需上傳一張圖片和一段音頻，模型便能自動生成一段與音頻完美同步的視頻。視頻中的人物面部表情豐富自然，口型與音頻精準(zhǔn)對位，甚至手部或身體其他部分的動作也十分流暢。這一技術(shù)不僅適用于真人角色的視頻生成，還能為動畫角色增添生動的表現(xiàn)力。

　　Wan2.2-S2V還支持多種畫幅和分辨率的視頻生成，無論是豎屏短視頻還是橫屏影視劇，都能輕松應(yīng)對。用戶還可以通過輸入文本Prompt來控制視頻畫面，讓視頻主體的運(yùn)動和背景的變化更加豐富多樣。這一功能為視頻創(chuàng)作者提供了更多的創(chuàng)作自由和想象空間。

　　在測試過程中，我們嘗試上傳了一張動畫人物“吉伊”的圖片，并輸入指令讓畫面中的角色唱歌。結(jié)果令人驚喜，“吉伊”不僅動了起來，還配上了背景音樂，雖然嘴巴的線條識別尚有一些誤差，但整體效果已經(jīng)相當(dāng)出色。隨后，我們又嘗試了讓小狗張嘴唱歌、愛因斯坦張口說話等場景，每一次嘗試都帶來了全新的視覺體驗(yàn)。

　　隨著數(shù)字人直播、影視制作等行業(yè)對高效視頻創(chuàng)作工具需求的日益增長，阿里通義萬相平臺不斷推出創(chuàng)新技術(shù)，為這些領(lǐng)域提供了強(qiáng)有力的支持。Wan2.2-S2V模型的推出，無疑將進(jìn)一步推動視頻生成技術(shù)的快速發(fā)展，為創(chuàng)作者們帶來更多驚喜和可能。