阿里通义实验室Wan项目组正式推出 Wan2.5-Preview——一个在架构层面实现革新、真正实现“音视频协同生成”的新一代视觉大模型。
它不是简单的功能叠加，而是通过原生多模态统一架构，将文本、图像、音频和视频深度融合，首次实现从“先做画面再配声”到“音画共生”的跨越。
这一升级，标志着 AIGC 从“视觉生成”迈向“视听创作”的关键一步。
核心定位：不止于“出图”，更要“成片”
Wan2.5-Preview 的目标是服务真实的内容生产场景：
- 制作带配音的短视频广告
- 快速生成电商产品宣传片
- 构建虚拟偶像表演片段
- 输出可读性强的设计海报与数据图表
为此，它全面重构了底层架构，并在视频生成、图像生成与图像编辑三大核心能力上实现跃升。
架构创新：真正的原生多模态
✅ 原生多模态统一框架
不同于传统“文本→图像”或“文本→视频”的单向流程，Wan2.5-Preview 采用全新设计的统一架构，同时支持理解与生成任务，并灵活处理以下输入/输出组合：
| 输入 | 输出 |
|---|---|
| 文本 + 图像 | 视频 |
| 音频 + 提示词 | 动态画面 |
| 视频片段 + 指令 | 编辑后视频 |
所有模态在同一系统中流转，无需外部拼接或后期合成。
✅ 联合多模态训练
通过大规模联合训练文本、音频与视觉数据，模型实现了更强的跨模态对齐能力，确保：
- 人物口型与语音节奏一致
- 背景音乐情绪匹配画面氛围
- 音效出现时机精准对应动作
这是实现高质量音视频同步的基础。
✅ 人类偏好对齐（RLHF）
引入基于人类反馈的强化学习（RLHF），持续优化生成结果的审美质量、动态自然度与指令遵循能力，使输出更贴近专业创作者的标准。
视频生成：会“配音”的 10 秒电影工厂
Wan2.5-Preview 是目前少数能原生生成同步音频的视频模型之一，支持：
- 多人对话人声（含中文、英文、小语种及方言）
- ASMR、环境音效、背景音乐
- 画面与声音毫秒级对齐
关键能力提升：
| 特性 | 表现 |
|---|---|
| 视频时长 | 最高支持 10 秒（较前代翻倍） |
| 分辨率 | 支持 1080p@24fps，画质清晰稳定 |
| 动态表现 | 运镜流畅，结构稳定性显著增强 |
| 叙事能力 | 支持连续情节推进，如“开门→走进房间→坐下” |
创意控制方式多样：
- 文生视频：输入详细提示词，生成完整音画内容
- 图生视频：上传首帧图 + 提示词，延续风格生成动态
- 音频驱动：上传自定义语音或音乐，让模型根据音频节奏生成匹配画面 —— 实现“用我的声音讲你的故事”
💡 应用场景：品牌广告、短剧试镜、虚拟主播内容生成等
图像生成：能“写字”的设计专家
除了写实与艺术风格生成，Wan2.5-Preview 在文字渲染与结构化内容生成方面取得重大突破。
核心能力：
- 稳定文字生成
支持中英文、小语种、艺术字体、长段落排版，可在复杂构图中精准呈现文案，适用于海报、LOGO、封面设计。 - 图表直接输出
可生成科学图表、流程图、数据可视化图、系统架构图、带文字说明的表格等，满足企业文档、教学材料、报告制作需求。 - 美学质感升级
光影真实、材质细腻，在摄影级写实、插画、水彩、矢量等多种风格间自由切换。 - 复杂指令理解
支持逻辑推理类提示，例如：“左边是穿红衣服的孩子在放风筝，右边是同一孩子长大后的模样，站在城市街头”。
图像编辑：工业级“改字不崩脸”
传统 AI 编辑常面临“换背景就变形、加文字就崩脸”的问题。Wan2.5-Preview 引入更精细的 ID 保持机制，实现高保真图像编辑。
支持的编辑任务包括：
- 更换背景 / 替换颜色 / 添加元素
- 材质转换（如皮革变金属）
- 风格迁移（照片转油画）
- 商品外观定制（不同配色方案预览）
独特优势：
- ✅ 指令驱动：无需 PS 技能，用自然语言即可完成编辑
- ✅ ID 强保持：人脸、商品、品牌标识等关键元素一致性极高
- ✅ 多图参考编辑：可提供多个参考图作为风格或结构引导
示例：上传一张模特图 + 指令“换成沙漠背景，穿着蓝色连衣裙，保持人物不变”，输出结果中人物身份特征高度保留。
如何体验？
Wan2.5-Preview 已上线 通义万相官网、造点AI等，支持以下功能：
- 文生视频（带音频）
- 图生视频（保 ID）
- 文生图（含文字与图表）
- 对话式图像编辑
开发者也可通过 API 接入，集成至自有工作流。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
