实测阿里万相 2.6：一张图生成15秒分镜大片，还有角色扮演功能！

更多实测：

嗨大家好！我是阿真！

抢到首发了！

阿里发布了万相2.6系列模型。

其他的来不及猛猛测了，先上官方Demo

先说重点，主要更新点在下列几个方面：

1. 国内首个支持“角色扮演”功能，可以参考形象和人物音色，参考形象可以是人物、动物或者物体；
2. 单人表现双人合框都可以尝试，人物音色也可以匹配；
3. 可以多个镜头智能调度了，可以在一致性统一的基础上智能分镜；
4. 视频时长扩展，最长可以15秒了，分辨率最高1080P，叙事更完整，画面也更丰富了。

现在可以将人物、动物、物体设定为角色，然后基于参考素材生成表演视频了。在此前的AI视频生成技术框架中，我们只能通过文本描述或单张图片引导模型生成视频内容，无法精确控制视频中的角色形象。万相2.6现在也引入了「角色扮演」能力，从根本上改变了这一创作逻辑。

设定元素为视频主角后，轻松调用，模型会基于参考素材生成连续的表演内容。镜头也是有智能调度的分镜，这个后面会提到。

此外，还有一个亮点，万相2.6不仅能够提取参考视频和素材中的视觉特征，还能同步捕捉声音特征，确保了角色生成视频后在形象与声音两个维度上的一致性。现在处理多人同框对话的复杂场景的时候，角色的口型动作与各自的语音内容都能精确地对应了。

使用起来很简单，在这里直接录制或上传自己录制的视频，然后通过@ 就可以调用了。

比如下面的女声就是我上传的视频中我自己的声音，然后参考自己的角色+音色的，后期配音就不用费老大劲了。

另外，视频中合成的声音也摆脱了明显的机械感，现在的节奏和情感表达都比较趋近于真实的人声了。

提示词：
@Luminous_3524 站在黑板前，小声发问：我14岁了，还没学会微积分，以后还能当数学家吗
@AlbertEinstein 盯着黑板看了两秒，又看了看你，认真点头：当然可以
@AlbertEinstein 指了指自己的头发，补一句：你看，我到现在也没学会梳头

场景：老教室，黑板，粉笔灰，爱因斯坦的头发在灯光下格外抢戏，整体轻松、荒诞、像一条冷笑话结尾

合拍包括了单人独立表演与双人同框合拍两种模式，并且可以基于参考视频中的IP形象进行视频生成，保持角色外观一致性，还可以同步参考输入视频中的声音特征，实现声画匹配，也同时支持通过提示词对视频内容、动作、场景进行精细化控制。

AI视频生成中的音频处理一直是技术难点。早期模型生成的视频都是默片，后续叠加了语音合成能力，也普遍存在口型与声音不匹配、多人场景音色乱套、人声质感机械麻木无感情纯念稿等问题。

万相2.6在声画同步方面基于之前也有针对性优化，上传音频，或者上传音频+图片，都可以得到视频情绪和口型音色都一致的视频了。

比如这段，是基于我上传《报菜名》驱动的音频生成的视频，只提供了图片和音频文件，没有写提示词，它自己完成的口型匹配和音色情绪匹配，哪怕是很板正的正面图，也加入了流畅的镜头切换

镜头智能调度是AI视频领域的技术难题了，常规来说模型大都是擅长生成单一镜头的高质量画面，一到了完成多个镜头的叙事角度就拉胯了。创作者制作多个镜头切换体现氛围情绪的画面的时候，往往都是一个一个镜头生成+剪辑。效率低、角色形象变化都是常有的事。

万相2.6模型新的智能分镜能力，允许我们可以通过简洁的文本描述传达叙事意图，模型自动规划镜头数量、景别切换及镜头时长分配。除了大全景或者太远的景人物可能会糊掉以外，在从特写到中全景的镜头方面的运镜效果是较为稳定的。

另外，模型能够在镜头切换过程中保持关键视觉信息的一致性。面部细节、服饰细节、背景环境等在镜头切换之间能相对比较好地维持一致性，人物变形甚至换脸的问题就大大减少了。同时，在声画同步上的匹配精度也是能听出有优化了的，整体听起来很和谐。

比如下面这个，只需要一张图+提示词，一次性完成宠物电台搞笑视频。在图生视频的基础上，两个角色的音色各有特色，细节到猫子离镜头远的时候声音会变小，镜头也会在发言对象说话的时候推进，整体还是比较丝滑的。

提示词：
电影感视频： 一只猫和一只狗一本正经地主持播客，但对话彻底跑偏，形成强烈反差喜剧。
场景1 — 开场 中远景镜头，温馨书房播客空间，书架背景，台灯暖光，气氛严肃。
场景2 — 细节 特写镜头，话筒与防喷罩居中，环境安静。
场景3 — 展开 猫咪坐得笔直，眼镜微歪，直视前方；狗狗靠近麦克风，神情庄重。
场景4 — 强调 中景双人镜头，桌面文件整齐。 狗狗说：“欢迎回来，今天我们讨论责任。”
场景5 — 动态 镜头缓慢推进，猫咪微微转向麦克风。 猫咪说：“我需要先声明，这件事和我无关。”
场景6 — 变奏 狗狗缓慢点头，语气冷静。 他说：“没错，没有人看到他动手。”
场景7 — 变奏 猫咪调整坐姿，停顿一下。 他说：“而且，是那盆植物先挑衅我的。”
场景8 — 高潮 更近的双人镜头，短暂安静。 狗狗总结：“本节目不接受任何追问。”
场景9 — 收尾 两只动物同时看向镜头，保持专业沉默，麦克风立在中间。

视频生成时长是衡量AI视频模型能力边界的重要指标之一。时长越长，模型就越需要在更大的时间跨度内维持画面质量、运动连贯性及语义一致性，技术难度直接指数级上去了。

万相2.6现在已将文生视频与图生视频的生成时长提升至15秒，参考生视频模式下的生成时长为10秒。15秒的连续视频时长，可以输出一个具备起承转合的微型故事。对于短视频平台的内容创作者而言，这意味着几乎可以直接生成一条完整的成品内容了。

提示词：总体描述：这是一个硬科幻风格的短片，讲述一名老年宇航员在荒芜星球上完成最后使命的片段，主题是时间、孤独与文明的余晖。
第1个镜头 [0–2秒]固定中近景，老年宇航员站在废弃飞船前，面部细节清晰，风沙缓慢掠过他的肩部，他直视远方，没有说话，眼神沉静而坚定。
第2个镜头 [2–4秒]硬切到特写镜头，聚焦他的眼睛与脸部伤痕，细小尘埃在光线中漂浮，他缓缓眨眼，仿佛在回忆过去。
第3个镜头 [4–6秒]切至侧面半身镜头，老年宇航员微微低头，抬手触碰胸前的宇航服接口装置，金属表面布满磨损痕迹。
第4个镜头 [6–8秒]拉远镜头，展示完整场景：孤独的宇航员站在荒凉星球地表，破旧飞船作为背景，天空空旷冷清，他的身影显得渺小却坚定。

万相2.6新模型这次从多个维度上进行了更新，每个功能也是在对应着专业影视创作流程中的核心的需求。甚至部分能力是有明显的差异化优势的，比如角色参考中的声画同步完成度，和多人合拍的配音也不串味不混淆等等。

相信未来在多个领域会有很多非常刚需的场景可以靠万相2.6实现，比如用在短视频、广告、影视前期和虚拟 IP 等多种场景中，创作者或品牌只需使用固定的人物或形象素材，就能快速生成多条风格统一的视频内容，减少反复制作的时间和成本。自动画面顺序和节奏，会相对降低剪辑和配音的工作量，让团队把更多精力放在内容想法和整体效果上，也更方便在早期就理清视频呈现是否合适。

万相2.6系列模型现已开放使用，已经在以下渠道上线：

阿里云百炼：https://bailian.console.aliyun.com/?tab=model#/model-market/all?providers=wan

万相官网： https://tongyi.aliyun.com/wan/

好了，今天的最新快速资讯就到这里，感兴趣的朋友们可以前往体验，有更多玩法和经验，欢迎一起交流讨论。

期待大家的猛猛三连鼓励，下期见～