通义万相：从图像到视频，解锁AI视觉创作全场景-马育民老师

## 介绍

在AI视觉生成赛道飞速迭代的今天，越来越多的工具打破了创意与技术的壁垒，让普通人也能实现影视级创作。阿里云通义大模型旗下的通义万相，便是其中的佼佼者——从最初的AI绘画工具，迭代至如今覆盖多模态生成的全能创作平台，它用持续的技术突破，重新定义了视觉内容的生产方式。无论是内容创作者、企业营销人员，还是开发者，都能借助它的能力，让创意快速落地，其视频生成能力更是跻身行业顶尖水平，成为国产AI视觉模型的标杆之作[1]。

官网网址：
https://tongyi.aliyun.com/wan

## 发展历程与核心定位

通义万相于2023年7月正式上线并开启定向邀测，初期以AI绘画为核心能力，标志着阿里云在大模型多模态处理领域迈出重要一步。此后，它进入快速迭代通道，逐步拓展至视频生成、图像编辑等全场景，形成了覆盖文生图、图生图、文生视频、图生视频、人声生视频等10多种视觉创作能力的模型家族，累计生成3.9亿张图片、7000万个视频。

作为原生多模态视觉生成大模型，通义万相依托原生多模态统一框架训练，在画面质量、语义理解、运动幅度、物理规律遵循、艺术质感等方面均达到领先水平[2]，核心定位是“降低创作门槛，释放创意价值”。它无需用户具备专业的设计或剪辑技能，仅通过文字提示、图像参考或音频输入，就能生成高质量视觉内容，同时支持API接入与模型开源，兼顾普通用户的便捷性与开发者的扩展性，适配影视创作、跨境办公、企业营销等多类人群需求[1]。

## 核心能力：从图像到视频的全栈创作

#### （一）图像生成与编辑：精准可控，质感拉满

通义万相在图像创作领域的能力早已成熟，依托阿里自研的组合式生成模型Composer，可对配色、布局、风格等元素进行精准拆解与组合，实现高度可控的生成效果。其2.6版本的文生图能力进一步升级，能生成写实质感细腻的画面，支持复杂结构化图文表达，可直接生成科学图表、流程图、数据图、架构图等，大幅降低生成图片的AI感，提升图像真实性与人物质感[3]。无论是电影级人像、国风插画、3D卡通，还是商业海报、数据图表，它都能精准还原，光影细节把控入微，艺术风格还原度极高。

在图像编辑方面，它支持局部编辑、全局优化与多图创意融合，同时具备图文一体化混排生成能力，结合逻辑推理能力实现有层次的视觉化叙事，满足从细节修改到整体创作的多样化需求。此外，用户可借助“咒语书”快速调用风格、光影、材质等分类提示词，搭配多比例适配功能，适配不同终端与场景的使用需求。

#### （二）视频生成：突破边界，实现影视级创作

视频生成是通义万相迭代的核心方向，也是其核心竞争力所在，从2024年推出视频生成模型，到2025年Wan2.5实现音画同步，再到Wan2.6将单次生成时长拓展至15秒、成为国内首个支持“角色扮演”的视频模型，每一次升级都在打破技术局限[5]。目前，它已实现全场景视频生成能力，面向专业级影视创作场景全面升级，核心亮点尤为突出：

- 音画同步无缝衔接：Wan2.5及后续版本采用原生多模态架构，可自动生成与人声、画面匹配的音效和背景音乐，精准贴合人物口型与动作，无需额外后期剪辑，首次实现“输入即成片”的影视级体验，其声画同步功能实测达到专业剪辑水准[1]。同时支持音频驱动视频生成，一张图片搭配一段音频就能产出动态表演视频。

- 时长与画质双突破：支持24帧每秒的1080P高清视频生成，输出无卡顿，单次生成最长可达15秒，创国内同类模型新高[5]，足以支撑完整的短视频叙事、产品展示或剧情片段。相比传统视频制作，效率提升数百倍，成本降低99.7%——生成1分钟科普视频仅需0.3美元，其文生视频、图生视频均实现动态表现力与结构稳定性的大幅提升，支持电影美学控制与运镜理解[3]。

- 多镜头与角色扮演：具备智能分镜能力，可将简单提示词自动生成多镜头脚本，完成专业级镜头切换与叙事[5]，生成多镜头连贯叙事视频。同时支持写实级角色扮演，能参考输入视频中的角色外观与音色，实现单人或多人合拍，还可完成影视级动作复刻与视频换人，让创意表达更灵活。

#### （三）开源与生态：赋能开发者，共建创作生态

通义万相秉持开源理念，自2025年2月以来，已连续开源20多款模型，涵盖文生视频、图生视频等多个品类，在Hugging Face、魔搭社区等平台的总下载量超3000万，开源6天便登顶Hugging Face模型热榜与空间榜双榜首，GitHub星标数超6000。开源模型不仅支持消费级硬件运行，还能节省50%的计算资源消耗，为开发者提供低成本的视觉生成解决方案。

同时，它支持API接入，开发者可通过阿里云百炼平台调用接口，将视觉生成能力集成至自有产品，覆盖更多业务场景，实现从个人创作到企业级应用的全链路赋能[3]。目前，钉钉、夸克等平台已接入通义万相，博世等企业也与阿里云达成深度合作，依托通义万相打造AI智能座舱3D全息数字人交互方案，实现座舱环境主动感知与多模态汽车控制[4]，通义大模型已服务全球超过30万家企业级客户，涵盖互联网、消费电子、汽车等多个行业[2]。此外，用户可在文档、群聊、创作平台等场景中快速唤起通义万相的创作功能，让AI创作融入日常。

## 技术内核：支撑全能创作的底层逻辑

通义万相的强大能力，源于其底层技术的持续创新。它采用Diffusion Transformer（DiT）架构，替代传统U-Net成为扩散模型主干网络，凭借Transformer的全局建模能力，更好地处理视频的时间连贯性与空间复杂性，同时通过token化处理，可适配不同分辨率、不同时长的视频生成需求，无需重复训练模型。

针对长视频生成的数据量难题，它自研时空变分自编码器（Spatial-Temporal VAE），采用分块缓存编解码方案，将长视频分割为多个小块逐一处理，既压缩了数据量，又能保留关键语义与纹理细节。在训练过程中，通过平衡重构损失、KL散度项与感知损失，兼顾生成内容的清晰度与多样性。此外，其多模态Agent能力获SOTA认证，搭配通义百聆的语音处理能力，可实现119种语言的音频转写，播客转写准确率达95%以上[1]，进一步完善多模态创作闭环。

## 总结：不止于创作，重构视觉生产新范式

从AI绘画到影视级视频生成，从个人创作到企业级赋能，通义万相的迭代之路，是国产AI多模态视觉模型突破的缩影。它不仅打破了专业创作的门槛，让普通人也能成为创意生产者，更通过开源生态与企业合作，将视觉生成能力渗透到千行百业，推动影视、广告、短剧、智能座舱等领域的效率革新[5]。

随着技术的持续迭代，通义万相或许将在更长时长视频生成、更精准的语义匹配、更丰富的场景适配等方面实现新突破，持续降低创作成本、提升创作效率，让AI视觉创作真正走进日常、赋能产业，解锁更多创意可能。

原文出处：http://malaoshi.top/show_1GW2i2QB3KZM.html