【TechWeb】8 月 27 日消息，通义万相又迎来重磅开源，全新发布的音频驱动的视频模型 Wan2.2-S2V 仅需一张图片和一段音频，即可生成面部表情自然、口型一致、肢体动作丝滑电影级数字人视频。模型生成视频时长可达分钟级，可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、数字人等多种类型图片，并支持肖像、半身以及全身等任意画幅，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。
通义团队基于通义万相的通用视频生成能力，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；引入 AdaIN 和 CrossAttention 两种控制机制，实现了更准确更动态的音频控制效果。
生成时长上，Wan2.2-S2V 单次生成的视频时长可达分钟级。
Wan2.2-S2V 通过层次化帧压缩技术，大幅降低了历史帧的 Token 数量，通过该方式将 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。
Wan2.2-S2V 还支持文本控制，输入 Prompt 后还可对视频画面进行控制，实现镜头运动、角色轨迹和实体间互动，让视频主体的运动和背景的变化更丰富。
同时通过多分辨率训练、支持模型多分辨率的推理，Wan2.2-S2V 可支持不同分辨率场景的视频生成需求, 如竖屏短视频、横屏影视剧。
目前，用户可在 Github、HuggingFace 和魔搭社区下载模型，通过阿里云百炼调用 API，或在通义万相官网直接体验。
