全球功能最全的视频生成模型来了

坏了，阿里这波是冲着Sora 2去的！

刚刚，阿里发布了新一代通义万相2.6系列模型，一次性覆盖文生视频、图生视频、参考生视频，以及图像生成和文生图，是目前全球功能最全的视频生成模型。

在视频创作上，万相2.6不仅推出了Sora2目前还没有的多音频驱动生视频能力，还同步引入了音画同步、多镜头叙事等能力。

像下面这个超火的一刀切ASMR，就是通过文本+音频直接驱动出来的：

再看这个由文本+图像+音频驱动的小猫沉浸式吃播，咀嚼声和嘴部动作基本能卡在点上，吃得那叫一个香：

文生图这条线也同步补强了，万相2.6在艺术风格控制、真实感人像、中英文长文本生图以及历史文化IP语义理解等方面的创作能力也都有明显提升，效果be like：

本着啥都测测的原则，我也专门用不同Prompt和参考素材实测了一轮，总的来说：

万相2.6在音视频参考、声画同步、风格理解方面表现确实不错，但在个别场景下仍会出现画面逻辑偏差的小问题，不过对日常短视频和二创来讲，已经是可用且好用的水平了。

模型到底表现如何，咱们边唠边测～

视频生成能力一手实测

实测之前，我先帮大家快速捋一下这次万相2.6在视频生成上的几个核心升级点：

• 视频参考生成：支持视频参考，模型能提取其中主体的外观与音色，并结合提示词生成新视频内容，可用于单人表演或双人合拍等场景。

• 多镜头叙事：支持多镜头生成，保持镜头间关键信息一致，可通过简单提示词完成分镜。

• 自然声画同步：在多人对话等复杂场景中，语音与动作匹配更稳定。

• 15s长视频生成：单条视频最长15秒（参考生视频最长10秒）。

• 基础能力提升：在指令理解与执行、画面真实度及整体美学表现等方面均有加强。

啧啧啧，说实话这次更新的能力维度确实蛮多，模型到底能不能打，咱们一一测测看！！！

先来测这次升级中我自认为最大的看头——视频参考生成功能。

这不最近快到年底了，各路短视频主播都在摩拳擦掌准备冲一波年终销量，我索性脑洞一开，直接把一段梵高的视频喂给了万相2.6，让梵高也趁年底一起冲一波KPI！

咱从主体一致性和声音一致性两个点来看效果。

整体表现是值得肯定的，万相2.6在视频主体一致性和提示词理解上确实做得比较扎实，梵高形象基本实现了1:1还原，口型匹配也较为准确，人物的动作、表情与台词语义能够对应得上，整体观感比较完整～

唯一的小瑕疵在声音上，生成结果中的声线并没有完全沿用原视频，有点AI自由发挥的意思。

咱们再来试试声画同步能力，最近二创兵马俑的AI玩法视频超级火，咱这次直接给万相2.6上点难度，让它roll一段双人剧情演绎的兵马俑对话小视频，看看效果咋样！

从下面生成的效果看，确实喜感满满，两尊兵马俑在相互推搡的同时进行对话，动作与语言形成了较为完整的互动。

颇有趣味的是，两尊兵马俑一边推搡一边对话，动作和语言形成了完整互动，更关键的是，模型不仅补全了台词，还加了和动作匹配的拟声细节，并能区分不同角色的情感变化，“愤怒感”的情绪还是立得住的～

再来玩点有意思的，这回我给了万相2.6一段小猫小狗对话的台词，让它帮我生成一段相声表演，效果be like：

整体来讲，声画同步效果确实做到位了，但也暴露了一些小bug：比如小猫说了本该是小狗的台词，最后一个镜头字幕和语音没完全对齐，模型在多角色绑定上还有提升空间。

除了音视频参考和声画同步能力外，万相2.6在画面质感和美学呈现方面也有了不少提升，比如下面这段我生成的第一人称赛博城市飞行视角的视频：

第一人称视角，无人机高速飞行视角，夜晚赛博朋克城市，密集高楼林立，霓虹灯与全息广告在两侧快速掠过。镜头低空穿行于城市街道与高架之间，连续急转弯、俯冲与拉升动作，掠过悬浮屏幕、楼宇天桥与空中管线。城市灯光在镜头边缘产生运动模糊，玻璃幕墙反射出飞行轨迹，雨后路面泛起冷色反光。整体节奏紧凑、速度感强，画面稳定但具有真实飞行惯性，科幻感强烈，偏冷色调，高对比度，电影级画面质感。

从视频生成效果看，飞行视角、快速掠过、急转弯、俯冲拉升这些关键词都呈现到位了，而且确实赛博感满满，有点末日大片的感觉，看来这AI还是有点美学天赋的。

最后我们来测一把万相2.6的多镜头叙事能力，这次我交代给AI的任务是让它生成一个包含3个镜头的多动作剧情视频：

从生成效果来看，万相2.6对多镜头叙事的理解较为到位，三个镜头中的主要动作和转场均得到了完整呈现，镜头之间的衔接也相对自然，并未出现明显生硬的跳切。

但由于提示词中对具体场景描述不够充分，像「探头观察」这类较为抽象的动作，对模型来说仍存在一定理解难度，以至于大家会发现视频中的男子是对着墙面观察的，还是有点不太符合正常人的动作逻辑，大家在写多镜提示词时可以多给AI一些补充信息～

图片美学也上了一个level

除了视频能力外，这次万相2.6在图片生成功能在美学理解、人像生成、文字处理、历史文化&知识ip语义理解上也带来了一些新升级。

咱们先来说说风格化能力，其实风格化生成对于AI来说不是难事，但难就难在AI能不能及时掌握一些新的美学风格。

最近我在社交软件上刷到星露谷风格插画很火，我们也让万相2.6做个同款风格的插画看看效果～

星露谷风格，地铁上坐满站满了各种打工人，有的人忙着用电脑打字，有的人忙着打电话，有的忙着听音乐等等，展现出不同的车厢人物状态。

高饱和的色块拼接、稍许像素风的处理确实有星露谷内味儿了，而且还有点像最近短视频特火的蒸汽波风插画vlog～

再来试试「人像生成」能力，官方介绍说这次万相2.6在人像光影方面的处理也更好了，我们来roll一把！

年轻男性半身人像，室内窗边场景。侧前方自然光照亮面部，明暗过渡柔和，轮廓立体；背景压暗，肤质真实，电影级摄影光影质感。

整体生成效果不错，光影表现是亮点。侧窗光形成了清晰的明暗分区，面部结构被很好地勾勒出来，肤质细节自然，没有明显过度磨皮，画面还是有较强的电影感和空间层次的～

最后再来浅浅测一下中英文处理能力，咱们直接让万相2.6生成一个中英文对照排版的美食宣传海报！

中式餐厅宣传海报，纵向构图，中英文排版,海报主体为一碗热气腾腾的招牌菜，背景干净。海报文字内容如下：中文主标题：“招牌牛肉面”，英文副标题：“Signature Beef Noodles”，中文副文案：“每日现熬汤底 · 新鲜食材”，英文副文案：“Fresh ingredients, slow-cooked broth”文字排版清晰，中文在上，英文在下，层级分明，整体风格温暖、有食欲感，适合餐厅宣传海报。

其实对于这张图而言，最难的不是中英文生成，而是构图排版，对于美食海报来说，主体占比最大的一定是食物本身，从输出效果看，模型在美学判断上是靠谱的，这一张已经完全达到成品水准。

这波整体测下来，万相2.6给我的最直观的感受就是：有小瑕疵，但是整体表现还不错的。

毕竟，有些地方它确实还会犯迷糊，比如多角色台词偶尔对不上、复杂动作理解有时不到位，但声画同步、视频参考这些核心能力已经挺稳了。

至少对我这种平时做点视频、二创、测试玩法的人来说，这一代已经是敢多跑几次、不用每次都碰运气的状态了。

除了刚才测到的一些能力外，万相2.6在多图融合、美学要素迁移、历史知识语义理解上也做了提升，感兴趣的朋友可以直接去官网试试～

文章来自于“量子位”，作者 “梦瑶”。