阿里通义万相AI生视频震撼上线！更懂中国风的大模型来了

新智元报道

编辑：编辑部

【新智元导读】阿里放大招了，就在刚刚，通义万相AI视频功能正式开放。5秒的视频，在手机端APP不限次数免费用！连今晚音乐节的MV都是AI直出。试用后我们惊喜地发现，更懂中国风的AI视频，它真的来了。

AI视频国内战场，阿里也下场了。

刚刚，通义万相AI生视频功能上线！

今天下午的阿里云栖大会上，CTO周靖人宣布，官网和App上都可以立刻试用了。

比起国外爆火的Sora、Gen-3 Alpha，通义万相是更能听懂中国话，更懂中国风的AI视频模型。

今晚飞天音乐节上的视频「江雪」，就是由通义万相生成的

它能够支持最长5秒视频生成，每秒30帧，分辨率为720P。更惊艳的是，它还能生成与画面匹配的音效。

这背后得到了阿里全自研的视觉大模型加持，并采用了业界领先的核心架构——Diffusion+Transformer。

划重点：手机端App不限次数，完全免费用！PC端，每天登陆送50个灵感值，可生成10次。

要知道，画饼的Sora还不能用，上线的Gen-3 Alpha等都得充值，还有一些仍然处于内测当中。

相比之下，通义万相是免费的，次数无限用，还不是期货，不需要排队！

更懂中国风、中国话

既然已经上线，我们就迫不及待地展开试用了。

在通义万相页面上输入提示「黑发古风女孩，快速转身微笑，国风发髻，纯色高清」，一条5s的视频就火热出炉了。

人物还原，眼神灵动，甚至还配有古香古色的背景音。

无论是缓缓抬起的眼神，还是头发在空中飘动的样子，都美得摄人心魄。

转向镜头的瞬间，就被她的样貌惊呆了。

就连中国传统的建筑风格——楼阁式塔，它也能很好地还原出来。

在白雪皑皑的山间，一座雄伟的中国古典建筑巍然屹立，精致的木雕，仿佛置入仙境一般。

再来看看，通义万相生成的古风男子，非常优秀地描绘了温文尔雅的气质。

古风装扮的男子身着月牙白锦袍，站立在雅致的古典园林中，他的一举一动都透露出温文尔雅的气质。镜头从他的侧脸缓缓推近，展现出他眸光温柔，仿佛能洞察人心，给人以温暖和安慰。周围的景致与他的装束相得益彰，共同构建了一幅如诗如画的古典美男图卷。

从某种意义上讲，通义万相是AI视频模型中，更懂国风的那个。

文生视频

在多次试用通义万相的文生视频能力后，不得不感慨：这款AI产品，实在是太有想象力了！而且，每一个视频，AI都会自动配上BGM。

通过提示词，我们就可以用文字控制画面内容和变化的过程。

晨雾，日出，镜头光晕，清冷风，一个五官精致的年轻中国女子，长长的头发被风吹乱，头发丝飘，散在脸上，穿着夏装，背景海边沙滩

蛛网上挂着透明的水滴，形成了美丽的光斑和折射，通义万相在这个视频中，体现出了对物理光学规律的规律，画面的美感也很动人。

更多无厘头想象的画面，现在都可以变成现实了。无论是在南极大陆上工作的企鹅邮差，还是在米山中间行驶的玉米列车。

而切实地使用过之后，通义万相对概念组合的语义理解、画面的视觉动态、风格泛化能力、国风理元素的呈现，无不给人留下了深刻印象。

听话，想象蝶变现实

可以看出，通义万相的指令遵循能力，着实令人深刻。

一句话总结——它就是「最听话」的AI生视频模型。

无论是画面内容、空间构图、运动过程、运镜方式，它均有良好的支持。

而这个模型还是原生支持中文的长文本提示词，因此相比起国外的模型，更能理解中文的复杂语义理解和概念组合生成能力，能将文字创意精准呈现。

何为一个视频模型的想象力？

如果用公式拆解的话，可以理解为：模型的「想象力」=复杂语义理解+概念组合生成。

无论提示词中的元素多么复杂，通义万相都能准确呈现。

而涉及到多个不同元素时，它也能准确、有机地结合在一起，表现出超强的概念组合能力。

任何不可思议的画面，比如「猫变成少年」、「月球上建基地，遭遇洪水」，我们都可以充分放飞自己的想象力，要什么就有什么。

比如下面这只小兔子，穿着溜冰鞋在冰面上灵巧地滑行。

兔子生日宴上，小伙伴们一起为她庆生。

两位正在月球上搭建基地的宇航员，背后是浩瀚无垠的太空。

要说最惊艳的，便是下面这只黑猫幻化成冷峻少年的视频，一眼动漫成真。

运动，重现物理世界

在所有AI视频中，对运动的体现无疑都是最考验模型功力的一道题。

而通义万相，恰恰有着强大的运动生成能力。

它不仅支持复杂与大幅度的运动生成，还能非常写实地还原真实世界的物理规律。

比如在这个视频中，猎豹在狭窄的峡谷中奔跑，眼睛紧盯着前方的猎物。

猎豹四肢的动作、起伏的背脊、尾巴的甩动方向，都很符合自然规律。峡谷场景的一步步推进也很自然。

而这个滑雪爱好者从雪山上快速下滑的视频，无论是滑雪者四肢的动作、变换的重心，还是飞扬的雪粒、光影的变换，都十分自然，破绽极少。

风格泛化

通义万相的风格泛化能力极强，可以根据风格提示词生成响应的视频画面，带来影视级的画面质感和细节表现。

比如这段3D动画风格视频中，帅气的侠客兔子在森林中身披斗篷前进，质感细腻，达到了大片画质。

而这段勾线动画的视频，将法庭上穿着笔挺律师袍的狐狸律师呈现得活灵活现。

国漫3D风格的视频中，古装少女端坐在烛光中，夜色氤氲，巧笑倩兮。

下面这个视频是CG厚涂风格，描绘了女机械师在未来实验室中调试设备的场景。

音频生成

此外就如上文所言，通义万相还会同时生成声音特效，后者是和视觉内容高度匹配的，这样就实现了音画同步，增强了视听一体的沉浸感。

上传一张在街道上空任意穿梭的飞碟的图片。

生成的视频中，还为飞碟配上了非常赛博的背景音，而且由近及远，给人一种真实的感觉。

这里，再用「一双似喜非喜含情目，态生两靥之愁，娇袭一身之病」复刻一下林黛玉多愁善感的神情。

视频中的女子很好还原了气郁体质，再加上配乐，又多了一分伤感。

灵感扩写

要说通义万相的独特卖点，就是它的灵感扩写能力了。

在文生视频界面上点击「灵感扩写」，就能把简单的提示词扩写成忠于愿意的长提示词，从而大幅提升了生成效果。

比如使用这个prompt「白色狼群在冰川峡谷中穿行，夜晚月圆」，生成的视频是这样的。

仔细听，配音也颇有亮点：悠远、神秘，甚至带着一点凄婉。

点击「灵感扩写」，更 长更丰富的prompt就生成了。

根据扩写后的prompt生成的视频，别具一番风味。

图生视频

通义万相的图生视频功能，也令人惊喜。

要知道，虽然图生视频没有文生视频那么难，但对一致性、想象力，要求也是很高的。

我们都会有这样的冲动：看到一张美图之后，忍不住会去想象，它动起来是什么样子？现在，通义万相的图生视频功能，完全能满足我们的愿望了。

先由通义万相生成一张在有年代感的欧美餐厅中，几位顾客就餐的图片。

然后，将其上传，还可以补充一些创意描述。

通义万相生成的视频中，整个画面与原图高度一致，而且想象出一位男子迎面走向女子，和她交谈。

再上传一张梵高大师经典之作「星夜」，并输入创意性描述。

接下来，就能看到这幅画作活灵活现起来了。

小白兔坐在月饼上，周围的花瓣轻轻飘落。

图生视频一下，如梦似幻的场景立刻动了起来。

鲸鱼在空中漂浮的科幻场景，超现实主义的渔夫岛屿，荷塘锦鲤的水墨画，这些场景变成视频后，又达到另一番意境。

全自研视频生成LLM

通义万相AI视频能有如此惊奇的表现，深扒技术背后，竟是阿里团队全自研视觉生成大模型立功。

它在模型框架、训练数据、标注方式和产品设计上，具备了业界领先的生产能力。

值得一提的是，这款全新模型采用了Diffusion+Transformer架构。

Diffusion能够在图像、视频生成任务中，通过逐步图像降噪，让画面显现出来。

另外，Transformer的优势就在于，出色地处理序列数据，并有效地捕捉文本中上下文信息。

与其他模型不同的是，通义万相视觉模型采用了中英文双语标注，能够强化中文长文本理解，而且对中文内容和元素原生支持更好。

也就是说，DiT架构不仅能够处理静态图像，还能处理动态视频，为视觉内容创作带来革命性变革。

这种独特的生成方式，在计算效率上具有很强的优势。

通过逐步降噪来生成最终动画，不仅减少计算量，还提高了生成速度，使得通义万相在短时间内生成高质量视频。

而且，它能够精准构图和布局，从抽象艺术，到精细现实主义的各种风格，完全可以拿捏。

也正是这一架构的灵活性，能够让通义万相应用于多种场景。

不论是电商、广告创意，还是自媒体、影视/动画制作等领域，通义万相能够为创作者提供更多灵感来源。

比如，一辆跑车的宣传视频，在AI笔下，能够瞬间炫酷起来。

影视动画制作中的一些创意场景，AI的想象力更是无限的。

还等什么，无限次数免费续的通义万相，赶快去试用吧。

参考资料：

https://tongyi.aliyun.com/wanxiang/videoCreation