四个月前，谷歌DeepMind重磅推出Veo 3，首次实现「音画同步」，让AI视频彻底告别无声时代！
一段提示，可以直吐4K高清视频，还自带逼真音效，唇同步准到毫秒级别。
在云栖大会上，通义万相2.5（Wan2.5-preview）系列模型正式亮相，全模态生成一网打尽。
它包含了四大模型——文生视频、图生视频、文生图、图像编辑。
尤为瞩目的是，通义万相2.5视频生成模型，也首次取得了音画同步的突破。
无论是人声，还是音效、BGM，皆可与画面精准对齐。
单一模型基本覆盖了全模态的生成，这在AI视觉生成领域，都是领先一步的存在。
它的到来，再次大幅降低了电影级视频创作的门槛，让每个人都能成为「导演」。
万相2.5一亮相，就被不少玩家称为「Veo 3的真正对手」。
10秒1080P超清视频，在画面质感，还有音画同步上，效果直接对标国际顶尖水平，实力不容小觑。
一时间，全网创意再度被万相2.5点燃，各种令人拍案叫绝的AI视频正持续刷屏。
一手实测，DNA瞬间动了
这一次，在创作能力上，通义万相2.5实现了全方位的升级突破。
视频生成时长由5秒大幅提升至10秒，单次生成即可呈现结构完整、情节连贯的故事内容。
如前所述，它还支持24帧/秒 1080P高清视频，画面质感更加细腻流畅，完全达到了电影级视觉效果。
在指令理解与执行方面，万相2.5的能力也得到显著增强——
视频生成中，可精准理解运镜等，复杂连续变化的指令
图像生成中，支持通过指令一键实现人物换装、风格转化效果等。
输入一段提示，即可生成人声、环境音效和背景音乐，并且精准与画面内容、人物口型匹配，让视频演绎更加生动形象。
现在，所有人进入通义万相官网即可体验，开发者可通过阿里云百炼平台调用API。
传送门：https://wan.video/
一起来看看，万相2.5在实测中的真实表现。
一句话，拿捏单口喜剧、ASMR
首先，是最考验单一模型多模态融合能力的「试炼场」——文生音视频。
在这里，万相2.5需要从零开始，凭空构建一个声画俱佳的世界。
先上第一道考题——「魔性」切水果，此前Veo 3直出ASMR视频风靡全网，收割了一大波流量。
一刀切下去，Q弹果冻质感、玻璃质感水果伴随着逼真的特效声音，观感那叫一个爽到起飞。
这一次，我们不在砧板上切玻璃水果，而是蓬松的云朵状物体，还要发出「嘶」声和干冰升华的气流声。
不得不说，万相2.5自动配音超丝滑。
Prompt：一把黑色刀具从右向左推进，切入一团白色蓬松的云朵状物体，置于浅木色砧板上。刀具接触时云朵形变，表面裂开，部分结构被切离并移位。云朵边缘持续释放轻烟向上飘散。刀具完成切割后停止，云朵被分为两部分，一侧塌陷。过程伴随轻微“嘶”声和干冰升华的气流声。
再来一个让人一听，就颅内高潮的打字ASMR。
Prompt：asmr creator typing on a noisy keyboard and then looking up and blowing into the microphone as she talks
不仅如此，万相2.5还可以一句话生成一段「谐音梗」脱口秀：
为什么骷髅不打架？因为他们没有勇气（guts也指内脏）。
Prompt：a man doing stand up comedy in a small venue tells a joke (include the joke in the dialogue）
更厉害的是，对于那些包含动作、视觉、光影等复杂提示的指令，万相2.5可以做到精准解析和遵循。
比如在下面这段滑滑板的视频中，不管是整个画面的构图，还是指令中的元素，全都被一一呈现了出来。
人声、滑板音效与背景音乐，更是高度同步，动感十足。
Prompt：仰视角度拍摄，全景，日光，晴天光，侧光，暖色调，中心构图。一名外国男子在城市公园的水泥广场上玩滑板，他约二十多岁，身材健硕，深色短发藏在黑色棒球帽下，身穿深灰色连帽上衣和黑色工装裤，脚踩一双黑白拼色运动鞋。镜头从低角度仰拍，突出其腾空动作的张力。他站在滑板上加速前行，身体前倾，双臂自然张开以维持平衡；随后猛然跃起，右脚轻踢板尾，滑板在空中完成180度翻转，他迅速下压接住滑板，双脚精准落回板面，稳稳着地后继续向前滑行。背景中，三两名滑板者在远处滑行穿梭，梧桐树叶在微风中轻轻摇曳，阳光穿过树叶间隙洒下斑驳光影，投射在地面和滑板轮迹上。伴随着节奏鲜明的都市电子音乐，背景传来轮子摩擦地面的沙沙声与远处隐约的交谈声。男子落地瞬间轻哼一声“Yeah”
再来看一组，万相2.5生成的1080P电影级质感的画面，每一帧都仿佛置身于专业片场。
一位风尘仆仆粗犷牛仔，从腰侧枪套中拿出一把枪，指节紧绷，目光横扫西部鬼城的荒凉街道，呢喃着，「这地界活人可待不住」。
再看如下这个demo中，海盗在暮色时分，伫立在船桅瞭望台，海水猛烈拍打，船身摇晃发出吱嘎声响，堪比电影版《加勒比海盗》。
万相2.5更多文生视频惊艳Demo合集：
看一眼图，就能「听见」声音
除了从无到有，万相2.5还拥有一项「点石成金」的能力：图生视频。
它能一键让静态图片「活」过来，并智能地配上最契合的音效。
比如，上传一张倒牛奶的图。
它可以精准模拟物理细节，比如倾倒牛奶时，音效会随液体渐满而由强变弱，细腻地还原真实听感。
Prompt：俯拍视角下，温牛奶从画面上方持续注入白色陶瓷杯中，液流稳定，撞击杯内液面引发涟漪向外扩散，液面随之缓慢上升。杯口处的蒸汽持续向上飘散。镜头跟随液面逐渐上升，记录液体填充全过程。伴随牛奶注入，可听见清晰的潺潺流动声及杯口蒸汽的细微“嘶嘶”声。后期添加微弱的液体流动视觉波纹。
上传一张快乐水图片，万相2.5同样可以将其变为一段动态短片。
它能瞬间激活听觉，精准还原了那活灵活现、滋滋作响的气泡音效。
Prompt：两杯透明玻璃杯中的气泡饮品放置在木质桌面上，杯中液体清澈，内含大量细小气泡，杯中可见橙色柠檬片、绿色薄荷叶和冰块。气泡从液体底部持续向上移动，在杯壁聚集后破裂，发出“滋滋”“噼啪”声。柠檬片在液体中因气泡推动而轻微晃动，薄荷叶与冰块随之缓慢漂移。整个过程持续进行，气泡不断生成、上升、破裂，形成稳定而连贯的动态效果，伴随持续的气泡声。
冰雪消融，化作涓涓细流，背景里那空旷治愈的自然之声，竟然是万相2.5仅仅「看图」，便能生成出强代入感的意境。
Prompt：固定镜头记录冰雪融化的场景。冰层边缘持续融化，水珠从冰块顶部断续滴落，落入下方水流中，激起微小水花。水流在冰层间缓慢流动，水面泛起轻微涟漪。冰层内部出现细微裂痕，伴随脆响。滴水声与冰裂声交替出现，背景为寂静清冷的清晨环境音，包括远处微弱的风声与自然空旷感的回响。
图/文+音生视频，组合拳精准控场
值得一提的是，万相2.5还支持多种模态的组合输入，比如「图片+音频」和「文字+音频」，让创作者秒变大片「导演」。
比起一段文字、一张图片直出视频，从内容创作的优势来看，多种模态输入可以更好控制最终的生成效果。
上传一张红毛猩猩图片，再搭配一段中文语音，看看万相2.5能不能来一个跨物种的「灵魂配音」。
全网都在更通义万相最新模型，你这个年龄段的创作者，你怎么睡得着的？
这段音频，配上大猩猩那一脸认真而又严肃的表情，效果实在太有趣了！
Prompt：红毛猩猩坐姿，双臂交叉抱胸，头部轻微左右转动，眼神随之偏移，嘴唇开合，说出中文台词：“全网都在更通义万相最新模型，你这个年龄段的创作者，你怎么睡得着的？” 雨水持续落下，打在毛发和地面上。头部和嘴部动作配合语音节奏。
再比如，我们还可以让一个歪果仁小哥，亲自为万相AI打Call。
经过万相2.5加工之后，小哥的口型和面部表情都实现了精准匹配，表现力十足，堪称是一波生动有趣且毫无违和感的精彩宣传。
Prompt：一位卷发外国男性站在中国复古街头，身穿格子衬衫和破洞牛仔裤，面向镜头。他开始说话，嘴唇开合，面部表情随之变化，依次说出：“大家好，我是小王。AI我用过很多，但视频生成我只用通义万相。是兄弟就一起来生视频。”背景中一名骑自行车的人从画面左侧快速驶入，向右侧移动并消失在画面外。镜头固定，聚焦人物主体。
再上传一张WAN模特AI海报，以及一份音频，万相2.5可以很好地遵循指令。
包括人物左右摆动身体、背景霓虹灯光线、「WAN AIGC」闪烁等效果， 每一个细节都被精准呈现。
Prompt：一位女性模特头部轻微左右摆动，身体随节奏轻微晃动，嘴唇开合演唱，视线在镜头间移动，头发轻微飘动。背景中紫色霓虹光线以波浪形态从左至右持续流动，文字“WAN AIGC”周期性闪烁。模特持续演唱，面部表情随歌词变化。
接下来，我们将文字、音频输入，看看万相2.5实际表现。
上传一张涂鸦图和一段rap音频，没想到，模型不仅让涂鸦小人「活」了起来，而且口型也与Rap节奏完全同步，视觉冲击力极强。
Prompt：Night, overcast light, side lighting, cool tone, medium shot, right-heavy composition. The scene is set under a gritty, urban railway bridge. A lone streetlight casts a dim, cool glow, creating a cinematic atmosphere with high energy and striking details. A dynamic graffiti art character—a young figure composed of spray paint and bold marker lines—comes to life from a concrete wall. He stands in a classic, energetic rapper"s pose, his body animated and full of motion. The young graffiti character raps at an incredibly fast pace, his mouth movements perfectly synchronized with the lyrics. He sings: "Skyscrapers loom, shadows kiss the pavement. Dreams stack high, but the soul"s in the basement. Pocket full of lint, chasing gold like it"s sacred. Every breath a gamble, the odds never patient." His posture and gestures emphasize the intensity of his performance. The background features the rough, textured concrete of the bridge, with the distant silhouettes of skyscrapers adding to the urban setting. The video captures the raw, vibrant energy of the scene, with no camera movement, maintaining a steady, focused composition.
原生多模态架构，核心技术揭秘
如上经过一波全方位实测后，不难看出，通义万相2.5的效果彻底鲨疯。
为什么这一次迭代后，能够如此厉害？
这是因为，通义万相2.5在技术架构上实现了重大更新：首次采用原生多模态架构！
过去，生成一个带声音的视频，可能需要一个文本理解模型、一个视频生成模型、一个音频生成模型，再将它们强行拼凑在一起，效果自然生硬。
而「原生多模态」意味着，通义万相2.5是在一个统一的框架下，同时学习和理解文本、图像、视频、音频等多种模态的数据。
万相「家族」卷开源，下载破3000万
如今，通义万相「家族」已支持文生图、生视频、图生视频、人声生视频、动作生成等10多种视觉创作能力。
截至目前，其累计已生成3.9亿张图片、7000万个视频。
自2月以来，通义万相连续开源了20多款模型，下载量超3000万，稳坐开源社区「最受欢迎视频生成模型」的宝座。
回顾今年，通义万相模型多箭齐发，每一款模型都针对不同场景优化，让AI能力无限延伸。
在图像生成领域，有文生图、图像编辑两大类模型，比如Wan2.0-T2I、Wan2.1-T2I、Wan2.2-T2I，以及Wan2.1-ImageEdit。
在视频生成方向，又划分了五大类多样的生成能力，其中包括：首尾帧生视频、图生视频、文生视频、视频编辑。
Wan2.1-FLF2V
Wan2.1-I2V、Wan2.2-I2V
Wan2.1-T2V、Wan2.2-T2V
Wan2.1-VACE
再加上这一次的「多模态视频生成」Wan2.5-T2V-Preview、Wan2.5-I2V-Preview，一共凑齐了五大类。
在数字人领域，有「人声生视频」的Wan2.2-S2V模型，还有前段时间爆火全网的「动作生成」Wan2.2-Animate。
通义万相模型「家族」中，所有模型连接起文字、图像、音频、视频多模态世界的转化，最终无缝融合就能创造出「世界模型」。
在全网，通义万相「家族」收获了诸多好评，许多人晒出了自己的创作成果。
如今，首个原生多模态通义万相2.5出世，再次刷新了世界模型纪录，成为国内最能打的模型。
或许，我们离AI生成整部电影、互动故事的那一天，不远了。
而这一切的起点，可能就藏在你脑海中，那句尚未说出口的、充满奇思妙想的Prompt里。
文章来自于微信公众号 “新智元”，作者 “新智元”
