更多實測：

嗨大家好！我是阿真！

搶到首發了！

阿里發布了萬相2.6系列模型。

其他的來不及猛猛測了，先上官方Demo

先說重點，主要更新點在下列幾個方面：

1. 國內首個支持“角色扮演”功能，可以參考形象和人物音色，參考形象可以是人物、動物或者物體；
2. 單人表現雙人合框都可以嘗試，人物音色也可以匹配；
3. 可以多個鏡頭智能調度了，可以在一致性統一的基礎上智能分鏡；
4. 視頻時長擴展，最長可以15秒了，分辨率最高1080P，敘事更完整，畫面也更豐富了。

現在可以將人物、動物、物體設定為角色，然后基于參考素材生成表演視頻了。在此前的AI視頻生成技術框架中，我們只能通過文本描述或單張圖片引導模型生成視頻內容，無法精確控制視頻中的角色形象。萬相2.6現在也引入了「角色扮演」能力，從根本上改變了這一創作邏輯。

設定元素為視頻主角后，輕松調用，模型會基于參考素材生成連續的表演內容。鏡頭也是有智能調度的分鏡，這個后面會提到。

此外，還有一個亮點，萬相2.6不僅能夠提取參考視頻和素材中的視覺特征，還能同步捕捉聲音特征，確保了角色生成視頻后在形象與聲音兩個維度上的一致性。現在處理多人同框對話的復雜場景的時候，角色的口型動作與各自的語音內容都能精確地對應了。

使用起來很簡單，在這里直接錄制或上傳自己錄制的視頻，然后通過@ 就可以調用了。

比如下面的女聲就是我上傳的視頻中我自己的聲音，然后參考自己的角色+音色的，后期配音就不用費老大勁了。

另外，視頻中合成的聲音也擺脫了明顯的機械感，現在的節奏和情感表達都比較趨近于真實的人聲了。

提示詞：
@Luminous_3524 站在黑板前，小聲發問：我14歲了，還沒學會微積分，以后還能當數學家嗎
@AlbertEinstein 盯著黑板看了兩秒，又看了看你，認真點頭：當然可以
@AlbertEinstein 指了指自己的頭發，補一句：你看，我到現在也沒學會梳頭

場景：老教室，黑板，粉筆灰，愛因斯坦的頭發在燈光下格外搶戲，整體輕松、荒誕、像一條冷笑話結尾

合拍包括了單人獨立表演與雙人同框合拍兩種模式，并且可以基于參考視頻中的IP形象進行視頻生成，保持角色外觀一致性，還可以同步參考輸入視頻中的聲音特征，實現聲畫匹配，也同時支持通過提示詞對視頻內容、動作、場景進行精細化控制。

AI視頻生成中的音頻處理一直是技術難點。早期模型生成的視頻都是默片，后續疊加了語音合成能力，也普遍存在口型與聲音不匹配、多人場景音色亂套、人聲質感機械麻木無感情純念稿等問題。

萬相2.6在聲畫同步方面基于之前也有針對性優化，上傳音頻，或者上傳音頻+圖片，都可以得到視頻情緒和口型音色都一致的視頻了。

比如這段，是基于我上傳《報菜名》驅動的音頻生成的視頻，只提供了圖片和音頻文件，沒有寫提示詞，它自己完成的口型匹配和音色情緒匹配，哪怕是很板正的正面圖，也加入了流暢的鏡頭切換

鏡頭智能調度是AI視頻領域的技術難題了，常規來說模型大都是擅長生成單一鏡頭的高質量畫面，一到了完成多個鏡頭的敘事角度就拉胯了。創作者制作多個鏡頭切換體現氛圍情緒的畫面的時候，往往都是一個一個鏡頭生成+剪輯。效率低、角色形象變化都是常有的事。

萬相2.6模型新的智能分鏡能力，允許我們可以通過簡潔的文本描述傳達敘事意圖，模型自動規劃鏡頭數量、景別切換及鏡頭時長分配。除了大全景或者太遠的景人物可能會糊掉以外，在從特寫到中全景的鏡頭方面的運鏡效果是較為穩定的。

另外，模型能夠在鏡頭切換過程中保持關鍵視覺信息的一致性。面部細節、服飾細節、背景環境等在鏡頭切換之間能相對比較好地維持一致性，人物變形甚至換臉的問題就大大減少了。同時，在聲畫同步上的匹配精度也是能聽出有優化了的，整體聽起來很和諧。

比如下面這個，只需要一張圖+提示詞，一次性完成寵物電臺搞笑視頻。在圖生視頻的基礎上，兩個角色的音色各有特色，細節到貓子離鏡頭遠的時候聲音會變小，鏡頭也會在發言對象說話的時候推進，整體還是比較絲滑的。

提示詞：
電影感視頻： 一只貓和一只狗一本正經地主持播客，但對話徹底跑偏，形成強烈反差喜劇。
場景1 — 開場 中遠景鏡頭，溫馨書房播客空間，書架背景，臺燈暖光，氣氛嚴肅。
場景2 — 細節 特寫鏡頭，話筒與防噴罩居中，環境安靜。
場景3 — 展開 貓咪坐得筆直，眼鏡微歪，直視前方；狗狗靠近麥克風，神情莊重。
場景4 — 強調 中景雙人鏡頭，桌面文件整齊。 狗狗說：“歡迎回來，今天我們討論責任。”
場景5 — 動態 鏡頭緩慢推進，貓咪微微轉向麥克風。 貓咪說：“我需要先聲明，這件事和我無關?！?
場景6 — 變奏 狗狗緩慢點頭，語氣冷靜。 他說：“沒錯，沒有人看到他動手?！?
場景7 — 變奏 貓咪調整坐姿，停頓一下。 他說：“而且，是那盆植物先挑釁我的?！?
場景8 — 高潮 更近的雙人鏡頭，短暫安靜。 狗狗總結：“本節目不接受任何追問。”
場景9 — 收尾 兩只動物同時看向鏡頭，保持專業沉默，麥克風立在中間。

視頻生成時長是衡量AI視頻模型能力邊界的重要指標之一。時長越長，模型就越需要在更大的時間跨度內維持畫面質量、運動連貫性及語義一致性，技術難度直接指數級上去了。

萬相2.6現在已將文生視頻與圖生視頻的生成時長提升至15秒，參考生視頻模式下的生成時長為10秒。15秒的連續視頻時長，可以輸出一個具備起承轉合的微型故事。對于短視頻平臺的內容創作者而言，這意味著幾乎可以直接生成一條完整的成品內容了。

提示詞：總體描述：這是一個硬科幻風格的短片，講述一名老年宇航員在荒蕪星球上完成最后使命的片段，主題是時間、孤獨與文明的余暉。
第1個鏡頭 [0–2秒]固定中近景，老年宇航員站在廢棄飛船前，面部細節清晰，風沙緩慢掠過他的肩部，他直視遠方，沒有說話，眼神沉靜而堅定。
第2個鏡頭 [2–4秒]硬切到特寫鏡頭，聚焦他的眼睛與臉部傷痕，細小塵埃在光線中漂浮，他緩緩眨眼，仿佛在回憶過去。
第3個鏡頭 [4–6秒]切至側面半身鏡頭，老年宇航員微微低頭，抬手觸碰胸前的宇航服接口裝置，金屬表面布滿磨損痕跡。
第4個鏡頭 [6–8秒]拉遠鏡頭，展示完整場景：孤獨的宇航員站在荒涼星球地表，破舊飛船作為背景，天空空曠冷清，他的身影顯得渺小卻堅定。

萬相2.6新模型這次從多個維度上進行了更新，每個功能也是在對應著專業影視創作流程中的核心的需求。甚至部分能力是有明顯的差異化優勢的，比如角色參考中的聲畫同步完成度，和多人合拍的配音也不串味不混淆等等。

相信未來在多個領域會有很多非常剛需的場景可以靠萬相2.6實現，比如用在短視頻、廣告、影視前期和虛擬 IP 等多種場景中，創作者或品牌只需使用固定的人物或形象素材，就能快速生成多條風格統一的視頻內容，減少反復制作的時間和成本。自動畫面順序和節奏，會相對降低剪輯和配音的工作量，讓團隊把更多精力放在內容想法和整體效果上，也更方便在早期就理清視頻呈現是否合適。

萬相2.6系列模型現已開放使用，已經在以下渠道上線：

阿里云百煉：https://bailian.console.aliyun.com/?tab=model#/model-market/all?providers=wan

萬相官網： https://tongyi.aliyun.com/wan/

好了，今天的最新快速資訊就到這里，感興趣的朋友們可以前往體驗，有更多玩法和經驗，歡迎一起交流討論。

期待大家的猛猛三連鼓勵，下期見～