刚刚，千问App把谷歌和OpenAI的「付费绝活」塞进了手机，还免费

机器之心报道

编辑：Panda、冷猫

千问 App，大家都用上了吧？

这个被阿里委以重任的 AI 应用，今天迎来了一波史诗级更新：正式接入了阿里最强的两大视觉模型 ——Qwen-ImageWan 2.5

在 Hugging Face 等开源社区，Qwen-Image 系列模型长期霸榜，被全球开发者玩出了花；而 Wan 2.5 则是业内少有、具备「原生音画同步」能力的视频生成新贵。

但过去，想用上这些 SOTA 模型，你得会跑代码、部署 ComfyUI，或者苦等海外大厂的内测资格。

今天，门槛消失了。

千问 App 将这两大顶流模型深度整合，让普通用户在手机上也能拥有一座「掌上影像工作室」。

我们第一时间实测了这项更新，结果发现：它不仅「能打」，甚至在某些体验上，比那些收费的「天花板」选手还要香。

Qwen-Image

一句话无痕修图

如果说文生图已经卷到了「红海」，那么精准的图像编辑则是 2025 年各家大模型争夺的真正高地。

在这一领域，谷歌 DeepMind 最近发布的 Nano Banana Pro 凭借强大的逻辑推理能力到处刷屏：它能理解复杂的空间关系，甚至能像设计师一样思考构图。

如果你以为这种「带脑子画画」的能力只存在于谷歌的实验室里，那可就错了。在千问 App 实测 Qwen-Image 后，我们发现国产模型在「视觉逻辑」上的理解力同样毫不逊色。

强大的视觉逻辑理解

过去大部分 AI 绘图模型都是「右脑发达，左脑简单」：画风唯美，但一遇到「在左边的桌子上放立方体」这种逻辑指令，往往就会翻车。

而 Qwen-Image 的核心突破在于，它不仅是在生成像素，更是在理解几何与空间。它能像 Nano Banana Pro 一样，识别画面中的线条、透视和物体关系，并在原有基础上进行符合物理规律的修改。

比如说，图像编辑模型的老大难问题：家居摆放。

根据我们以前的经验，很多模型在房间这类三维空间的场景下表现都不尽如人意，不是搞错物体尺寸，就是搞错透视关系。

我们用 Qwen-Image 试一试：

提示词：在客厅桌上添加一个空气净化器，并在净化器上直接标注其尺寸（多长、多宽、多高）

从结果中已经能清晰看出 Qwen-Image 在几何与空间理解上的实力：它不仅把空气净化器准确摆到了正确的位置，透视关系也处理得相当自然，连辅助线都能精准对齐到应标注的区域，整体效果十分可靠。

SOTA 的一致性保持能力

对于普通用户来说，比视觉逻辑理解更痛的痛点是：修图太难了。

通常情况下，你让 AI 给照片里的人换个发型，往往连脸都换了；或者你想把两个不同光线照片里的人 P 到一起，结果违和感极强。我们不得不通过不停地「抽卡」，才能偶然碰运气获得一张能用的图像。

反观 Qwen-Image 则在这方面展现出了极强的能力。它在图像编辑中极大地提升了主体一致性（Identity Consistency）。

让我们找一个高难度场景挑战一下，将现实中实拍的宠物图片替换到动画电影的海报上：

提示词：将参考图 1 中的主体角色替换为参考图 2 的宠物，保持参考图 1 的其他元素不变，俏皮可爱，宠物特征不变

在这个场景中，Qwen-Image 的表现可以说相当惊艳。它不仅精准保留了小边牧的外貌特征，还巧妙融入了动画风的元素，与海报整体的光影质感融合得十分自然，生成效果令人眼前一亮、非常满意。

相较而言，Nano Banana Pro 在这个极具挑战性的场景下就没有那么优秀的表现了，尽管它很细节地将原海报夏奇羊的手替换成了毛茸茸的边牧爪，但整体观感却不那么和谐。

Nano Banana Pro 结果，提示词同上。

接下来，我们继续脑洞大开，让刘亦菲版的真人木兰与迪斯尼动画版木兰同框。

上传两张不同版本的木兰图像，利用 Qwen-Image 强大的多图融合能力，生成一张「跨次元合影」。

提示词：将以上两个人物组合成一张在长安城的合影

效果非常好，模型完美保留了真人的质感和动画的线条，同时统一了环境光影。

下面则是 Nano Banana Pro 在同样提示词下的结果。

Nano Banana Pro 在人物跨时空融合上仍然非常强大，稳居图像生成头把交椅。

整体体验下来，我们认为 Qwen-Image 相比于头部模型 Nano Banana Pro 仍有一定差距，但 Qwen-Image 也有自己的显著优势，比如其在场景一致性保持方面就远胜 Nano Banana Pro。更何况，它还是一个免费开源的模型。用户可以根据自己的独特需求对其进行魔改，从而专注增强其某些特定方向的能力，比如光影调节、角度调整、事物替换等。普通用户也可以通过千问 App 直接使用。

Wan 2.5

一键直出有声歌舞片

在很长一段时间里，我们看到的 AI 视频都是「默片」，配音还得手动进行。2025 年，AI 视频生成进入了有声纪元。当大洋彼岸的 Sora 2 和 Veo 3 还在用「原生音画同步」定义行业新标准时，大部分普通用户往往只能看着无声的开源项目望洋兴叹。

但今天，这一切的门槛被打破了。

刚刚接入千问 App 的 Wan 2.5 是目前国内少有的、能让普通用户直接尝试原生音画同步的模型。

你有多久没有在 AI 生成的视频里又唱又跳了？（梗）

让我们回到喜人奇妙夜的舞台：

提示词：图中三个人一起跳舞，动作夸张，并唱 “技能五子棋，飞沙走石，技能五子棋，力拔山兮”

这个结果甚至能和原版《技能五子棋》拼一拼抽象程度了。

我们还能让几位练习生与某个著名的虚拟形象一起互动。

提示词：帮我生成视频：让图中的三个人物都边唱rap边跳poping舞蹈，图片上方拿篮球的卡通形象边用指尖转球边跟人物们一起唱rap，画面生动有趣。

值得一提的是，这个视频的音乐，不是直接套模板拼凑出来的，也不是音频驱动的，而是 AI 基于画面场景自己推理生成的音乐！据我们所知，目前国内也就千问能做到这一点。

它甚至还能驾驭语言类的表演：

提示词：一个脱口秀演员在台上说了一个笑话，内容是「别整天说自己是单身狗，狗在你这个年纪，早 die 了」，观众爆笑。

千问 App 的多模态工作流

从图到视频一气呵成

当今的 AI 视觉生成领域，一个值得关注的问题是「工具孤岛」现象：你用 Midjourney 生成了一张绝美的图，想让它动起来，得保存下来上传到 Runway；想让它说话，还得再去买一个 HeyGen 的会员。这一套折腾下来，不仅费钱，画质和一致性也会在不同模型的转手中严重损耗。

而千问 App 的一大杀手锏在于实现了一站式工作流

在这里，创作是流动的：你刚用 Qwen-Image 生成了一张角色图，下一秒就能直接在同一个对话框里调用 Wan 2.5，让它「活」过来。文生图、图像编辑、图生视频、视频生音，所有顶尖模型在一个对话框里无缝串联。

比如这里，我们让当前大热《疯狂动物城》的主角出镜，为我们示范一下。

提示词：生成一张尼克狐尼克和朱迪兔朱迪在爱乐之城星光下，对视微笑的图像

可以看到，在没有提供任何参考图像的情况下，Qwen-Image 准确地理解了角色需求，并生成了非常让人满意的图像。接下来换 Wan 2.5 出场，将上图视频化。

提示词：图中两个角色手牵手一起跳交谊舞，兔子唱歌 “city of stars，are you shining just for me”

接下来，我们试试将前面生成的动画木兰与真人木兰合影变成视频。

提示词：画外音男声 “cut”，随后左边的人物对着镜头说：“导演，这段怎么样？”

可以看到，声音与人物口型甚至肢体动作都做到了相当好的同步。有趣的是，Wan 2.5 甚至还给视频加上了字幕。不过我们也能看到一个明显缺点：视频没有按照指示生成画外音 cut，而是让真人木兰自己喊出来的。

最后，《疯狂动物城 2》的彩蛋暗示了鸟类的加入，我们决定提前「剧透」。

首先，用 Qwen-Image 合成一张愤怒的小鸟在疯狂动物城旅行的图片。

然后，用 Wan 2.5 将其变成一段视频。

提示词：鸟挥动自拍杆并说：好了，这里还有什么好玩的？

经过这一系列实测，我们不仅惊叹于生成效果的精良 —— 无论是光影的一致性还是音画的同步率，都达到了准商业级的水准；更感慨于操作的极致丝滑。

在千问 App 里，你不再需要像在 ComfyUI 里那样连接复杂的节点，也不需要像在 Photoshop 里那样精细地抠图层。所有的创意实现，都浓缩在了一次次的自然对话之中。这种「所说即所得」或许才是 AI 创作工具进化的终极方向。

技术揭秘

好莱坞级体验是如何炼成的？

为什么千问 App 能在手机上跑出「好莱坞级」的效果？这背后其实是阿里巴巴在视觉生成领域技术厚积薄发。

图像编辑新高度：Qwen-Image-Edit 尤善一致性

在开源图像生成领域，长期存在一个困境：

• Flux.1：画质佳且一致性强，但在文字渲染上稍显吃力；
• Ideogram v2：文字渲染的王者，但在编辑的灵活性上略有不足；
• 其它 Edit 模型：能修图，但往往「修了芝麻丢了西瓜」，导致人物 ID 崩坏（即主体偏移）。

而接入千问 App 的最新版 Qwen-Image-Edit，正是为了打破困境而生。它是目前 Hugging Face 上最热门的图像模型之一，各种变体总下载量已突破 300 万次。

回首看，Qwen-Image 的进化路径非常清晰：

• Qwen-Image 基础模型：Qwen-Image 基础模型：首发时便以「懂中文、会写字」惊艳开源界，解决了 AI 画不好汉字的顽疾。

Qwen-Image 在多个图像基准上都有 SOTA 的性能表现，包括用于通用图像生成的 GenEval、DPG 和 OneIG-Bench，以及用于图像编辑的 GEdit、ImgEdit 和 GSO。此外，在用于文本渲染的 LongText-Bench、ChineseWord 和 TextCraft 上的结果表明，Qwen-Image 在文本渲染方面表现尤为出色。

• Qwen-Image-Edit：引入了语义与外观双重编辑机制。它创新性地将输入图像同时输入到 Qwen2.5-VL（实现视觉语义控制）和 VAE Encoder（实现视觉外观控制）。这意味着它既能做 Low-level 的像素级修补（如去水印、换背景），也能做 High-level 的语义重构（如把猫变成狗，但姿态不变）。参阅报道《刚刚，阿里图像编辑大杀器 Qwen-Image-Edit 上线，横扫像素与语义编辑，网友：再见 PS》。
• Qwen-Image-Edit-2509：相比之前，支持多图像输入（person+person、person+product、person+scene 等组合），并且单图编辑的一致性（人物 ID 保持、商品或文字编辑的保真性）有显著改善。

Qwen-Image 架构示意图

在最新的更新中，Qwen-Image 模型重点解决了主体偏移问题。简单来说，它给人物或物体加上了「ID 锁」，无论你怎么换背景、换光影，脸还是那张脸，产品还是那个产品。这种工业级的一致性，是它能实现多图融合和精准修图的底气。

此外，新模型还展现出了比肩 Nano Banana Pro 的几何推理能力。它不再只是单纯的像素生成，而是开始理解画面中的透视、空间和结构，这让它在处理室内设计、建筑草图等专业任务时，能像人类设计师一样遵循物理逻辑。

视频生成新范式：Wan 2.5 强在原生多模态

如果说 Qwen-Image 赢在「全能」，那么 Wan 2.5 则胜在「原生」。

目前的视频生成模型大多是拼凑出来的：首先生成无声视频，再用音频模型配乐，最后强制对齐。这种散装流程导致画面和声音经常失配，很难做到精准卡点。

Wan 2.5 的核心突破在于采用了原生多模态架构

在同一个模型框架下，它能同时接收和处理文本、图像、视频和音频信号。对模型来说，「猫猫张嘴」和「一声喵呜」不是两件事，而是同一件事的两个面。

正是基于这种统一的理解，Wan 2.5 才能实现那些高难度的「通感」操作：

• 对口型（Lip-sync）：因为模型知道发音与口型的对应关系，所以能让静态照片开口唱歌。
• 音画卡点：因为模型理解动作节奏与音乐节拍的内在联系，所以能生成「边唱边跳」的复杂视频。

这种原生能力让千问 App 的视频生成告别了默片时代，真正进入了视听一体的新阶段。

将工业级视觉编辑和生成能力

放入普通用户手掌

这次更新看似只是 App 里的几个新功能，实则是阿里在多模态领域长期技术积累的一次集中释放。

众所周知，阿里近年已经构建起一个非常庞大、系统化的多模态生成模型生态。从懂语言、懂视觉的 Qwen 系列，到懂视频、懂声音的 Wan 系列，这个家族几乎覆盖了文生图、图像编辑、文生视频、音画同步等所有核心赛道。

更难得的是，无论在哪个细分领域，这些模型都稳居全球第一梯队：Qwen-Image 长期霸榜 Hugging Face；Wan 2.5 更是不仅追平甚至在音画同步等体验上超越了海外闭源顶流。

过去，这些强大的能力往往分散在 GitHub 的代码仓库里，是极客们的专属玩具。而今天，千问 App 将阿里最强的多模态模型深度整合在了一起。

它真正成为了多模态生成的聚合入口，一键为普通用户打开了通往全能创作的「任意门」。

在这个门里，你不需要懂代码，不需要买显卡，只需要一点点创意，就能把脑海中的画面变成现实，而且是有声有色、活灵活现的现实。

文中视频链接：https://mp.weixin.qq.com/s/0H_01R8UwZbJVfxWG9zNSg