情综合婷婷色五月蜜桃

智东西8月27日消息，昨夜，阿里通义万相正式开源全新多模态视频生成模型通义万相Wan2.2-S2V，用户仅需一张静态图片和一段音频，即可通过该模型生成面部表情自然、口型一致、肢体动作丝滑的电影级数字人视频。 Wan2.2-S2V单次生成的视频时长可达分钟级，有望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。目前，模型已在通义万相官网、Hugging Face和魔搭社区上线。 7月28日，阿里开源视频生成模型通义万相Wan2.2，包括文生视频Wan2.2-T2V-A14B、图生视频Wan2.2-I2V-A14B和统一视频生成Wan2.2-IT2V-5B三款模型。其中，文生视频模型和图生视频模型为业界首个使用MoE架构的视频生成模型。 智东西第一时间对Wan2.2-S2V进行了体验，发现其针对真人角色的视频生成，口型对的很精准，手部或身体其他部分的晃动也十分自然，但在动画角色的五官识别还不太精准，并且该模型免费版本排队时间较长且只有一个排队名额。 Wan2.2-S2V可驱动真人、卡通、动物、数字人等类型图片，并支持肖像、半身以及全身等任意画幅，用户上传一段音频后，模型就能让图片中的主体形象完成说话、唱歌和表演等动作。 用户如想要生成人物对嘴型的视频，则需选择数字人选项，上传角色图像。音频可以选择自己上传，也可以用AI生成，AI生成的音频需要用户输入想要的台词并选择喜欢的声线，目前还仅支持中文和英文。 Wan2.2-S2V生成的视频不仅能保证人物形象和原图一致，其面部表情和嘴部动作都能与音频基本对齐，视频人物脸上的光线甚至还可以随着嘴形的变化而变化。 画面中的人物不仅可以对上口型，连手部动作和身体摇晃都在音乐的节拍上，车窗外的画面也可以移动，模拟火车行进的真实场景。 基于通义万相视频生成基础模型能力，Wan2.2-S2V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，实现了复杂场景的音频驱动视频生成。 为保障长视频生成效果，Wan2.2-S2V通过层次化帧压缩技术，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。 就拿通义万相来说，自今年2月以来，通义万相已连续开源文生视频、图生视频、首尾帧生视频、全能编辑、音频驱动生视频等多款模型。