8月27日，阿里云昨日晚间宣布开源全新多模态视频生成模型通义万相Wan2.2-S2V。只需一张静态图片和一段音频，就能生成面部表情自然、口型一致、肢体动作丝滑的电影级数字人视频。
8月27日，阿里云昨日晚间宣布开源全新多模态视频生成模型通义万相Wan2.2-S2V。只需一张静态图片和一段音频，就能生成面部表情自然、口型一致、肢体动作丝滑的电影级数字人视频。该模型单次生成的视频时长可达业界领先的分钟级，将大幅提升数字人直播、影视制作、AI教育等行业的视频创作效率。
据介绍，Wan2.2-S2V可驱动真人、卡通、动物、数字人等类型图片，支持肖像、半身以及全身等任意画幅。上传音频后，模型能让图片主体完成说话、唱歌、表演等动作。它还支持文本控制，输入指令后可对视频画面进行调控，丰富主体运动和背景变化。
Wan2.2-S2V运用多项创新技术，融合文本引导全局运动控制和音频驱动细粒度局部运动，实现复杂场景音频驱动视频生成；引入AdaIN和CrossAttention控制机制，实现更精准动态的音频控制效果；借助层次化帧压缩技术，降低历史帧Token数量，将历史参考帧长度从数帧拓展到73帧，保障长视频生成效果。用户可在Hugging Face和魔搭社区下载模型，也能在通义万相官网直接体验 。
