重磅开源！通义万相最新模型来了

主要观点总结

通义万相最新开源了音频驱动的视频模型Wan2.2-S2V，该模型结合文本引导的全局运动控制和音频驱动的细粒度局部运动，可以实现复杂场景的音频驱动视频生成。使用一张图片和一段音频，即可生成电影级的数字人视频。该模型具有以下关键点：生成视频时长可达分钟级，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；支持多种类型图片，包括真人、卡通、动物、数字人等；引入AdaIN和CrossAttention两种控制机制，实现更准确更动态的音频控制效果；通过层次化帧压缩技术，实现了稳定的长视频生成效果；还支持文本控制，可精准调整视频画面，实现更丰富的视频内容。

关键观点总结

关键观点1: 模型功能强大，生成视频自然度高

使用一张图片和一段音频就能生成面部表情自然、口型一致、肢体动作丝滑的电影级数字人视频，可见模型的功能强大和自然度高。

关键观点2: 模型生成视频时长可达分钟级

模型能够生成分钟级的视频，这将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。

关键观点3: 模型支持多种类型图片和场景

模型可驱动真人、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，适应性广泛。

关键观点4: 模型采用先进控制机制

引入AdaIN和CrossAttention两种控制机制，实现更准确更动态的音频控制效果，使生成的视频更加生动真实。

关键观点5: 模型支持文本控制

模型还支持文本控制，用户可以通过输入Prompt来精准调整视频画面，实现更丰富的视频内容。