硬刚Sora2，万相2.6轻松定制角色、控制分镜，普通人也能当导演

编辑｜+0

2025 年即将画上句号，回望这一年的视频生成领域，用「突飞猛进」来形容毫不为过，甚至可以说，视频内容创作的范式正在悄然发生改变。

9 月，OpenAI 发布的 Sora 2 凭借「客串（Cameo）」功能，打破了困扰行业已久的「角色一致性」瓶颈，首创的「角色扮演功能」玩法让 AI 视频从充满不确定性的「盲盒抽卡」进化为可控的「导演游戏」。

与此同时，商业落地的速度快得惊人：在 B 端，大量 AI 短剧、漫剧上线，制作成本大幅降低；在 C 端，社交平台上不仅有「粘土滤镜」这样的爆款特效，更有大量博主开始常态化使用 AI 制作剧情短片。

然而，面对这些顶尖技术，普通用户的心情往往是「又爱又恨」。爱的是，各家 SOTA 模型生成的画面在光影质感与物理规律上已臻化境，甚至让人恍惚感叹「现实与虚拟的界限已然消失」；恨的是，体验的门槛依旧存在，要么是高不可攀的内测资格，要么是每月不菲的订阅账单。

前段时间，惊喜降临。阿里千问 APP 接入了 Wan 2.5（万相 2.5），让我们感受到了移动端创作的自由与畅快，这种在手机上免费生成「有声视频」的体验，确实很香。在权威大模型评测集 LMArena 上，万相 2.5 的图生视频能力曾位居国内第一。

而这份惊喜在年底迎来了重磅加码。12 月 16 日，阿里趁热打铁，正式发布了新一代万相 2.6 系列模型。如果说 2.5 版本是帮大家推开了视频创作的门，那么此次面向专业影视制作和图像创作场景全面升级的 2.6 版本，则是把专业影棚搬到了每个人面前，人人都能当电影主角或是导演。

1. 体验入口：https://tongyi.aliyun.com/wan/generate/video/starring-roles?model=wan2.6

先看一段官方提供的视频，电影质感爆棚。

此次发布的万相 2.6 系列涵盖文生视频、图生视频和参考生视频，图像生成和文生图共 5 款模型，是目前全球功能覆盖最全面的视频生成模型家族之一。它是国内首个具备声画一致性角色定制能力的模型，这意味着你不仅能通过「角色参考」固定住视频中人或物的 IP 形象，还能参考输入视频中的音色，实现从画面到声音的完美复刻，无论是单人独白还是双人对手戏都能轻松拿捏。

更重要的是，此次发布的版本进一步提升了画质、音效和指令遵循能力，单次视频生成时长实现了国内最高的 15 秒（参考生视频为 10 秒），还带来了「分镜控制」功能，能自动拆解并实现多镜头切换等专业任务，让 AI 不再只是生成零碎的片段，而是开始懂得构建完整的故事线。目前，万相 2.6 已同步上线阿里云百炼和万相官网，企业用户可直接调用 API，千问 APP 也将于近期上线该模型。

简单来说，阿里这次不仅把画质拉满了，更是把摄影师、灯光师、动作指导和录音师打包塞进了你的手机和云端。

为了验证万相 2.6 是否真的这么厉害，我们决定不玩虚的，直接上手实测。

多角色声画同步的极限挑战

AI 视频最难的是什么？不是生成绚丽的画面，而是在动态变化中保持「保真」与「一致」。

大家应该都还记得 Sora 2 发布时被疯传的「百变奥特曼」：山姆·奥特曼（Sam Altman）在各种场景下做炸鸡、吃炒饭，虽然动作离谱，但那张脸和神态却始终如一。现在，万相 2.6 成了全球唯二，国内首个具备这种「参考生视频」能力的模型。

这是面向专业影视创作的一次全面升级。全新的视频参考生成功能，允许将任意人或物设定为主角，不仅能一键完成单人、多人、人与物合拍的视频，还能在多镜头丝滑切换的过程中保持核心主体、场景布局和环境氛围的统一。

从技术层面解析，通义万相在模型结构上集成了多项创新技术，可对输入参考视频进行多模态联合建模与学习。它不仅能参考具有时序信息的主体情绪、姿态和多角度全面视觉特征，更能同时提取音色、语速等声学特征，在生成阶段作为参考条件控制，实现从视觉到听觉的全感官、全维度一致性迁移。

而「分镜控制」则面向专业叙事场景，模型通过高层语义理解，将用户简单的提示词转换为多分镜脚本，生成包含多个镜头的连贯叙事视频，确保全片在内容、节奏和氛围上的高一致性。

为了验证这一能力，我们直接上传了奥特曼、哈萨比斯和黄仁勋的过往视频片段作为参考素材。万相 2.6 能够精准提取视频中主体的形象特征、声音声线乃至惯用神态，并允许我们通过提示词将他们「传送」进全新的剧情中。

这一次，我们让这三位科技圈顶流在一个极具电影质感的平行宇宙里，来了一场关于 GPT-5.2 和 Gemini 3 的「现场互怼」。我们在对话框中输入设定台词和画面，分多次生成最后拼接画面。话不多说，直接来看正片：

英文版完美复刻了他们原本的声线与语调，效果令人咋舌。

为了让大家更直观地感受音频生成的实力，我们再看一个中文配音版，虽然语种跨越增加了难度，音频效果略逊色于英文版，但依然不仅形似，更是神似。

仔细观察三位主角的眉眼微表情、肢体语言乃至习惯性动作，还原度极高，几位「AI 演员」可以说是演技满满。Sam 从首日身体后仰的「跑分王」傲慢，到次日疯狂刷屏时的眼神闪烁、战术喝水，情绪转折丝滑流畅；Demis 那股从紧张防御到端着咖啡「贴脸开大」的戏谑笑意，简直灵魂附体。当然，最绝的还得是「皮衣教主」黄仁勋，那仰天大笑的一摊手，仿佛直接穿透屏幕在说：「争什么争？最后不都得靠我？」

为了方便大家复刻同款大片，官方贴心提供了两套核心提示词模板：

针对「参考生视频」，模型支持人物、萌宠或道具等任意类型主角（最多 3 个），并能完美复刻其外观、动态及音色。只需套用公式「@主角 + 动作 + 台词 + 场景」：通过 @ 符号精准引用参考素材，描述动作情绪、台词内容及所处环境即可。例如：在一个童话场景中，@A（参考视频为兔子）在草地玩耍，@B（参考视频为狗）在树下弹琴被苹果砸中，@A 开心地说：「你要变成科学家了！」

而在「多镜头叙事」方面，万相 2.6 能将原始输入构建为具备叙事张力的专业级多镜头段落。无论是启用智能多镜还是手动精控，推荐使用公式「总体描述 + 镜头序号 + 时间戳 + 分镜内容」。先概括故事主题与基调，再通过时间戳（如 [0-3 秒]）划分结构，详细描述每个分镜的运镜与表演。例如：讲述一个重拾希望的短剧。第 1 镜头 [0-3 秒] 男孩看着信纸叹气；第 2 镜头 [3-5 秒] 特写眼角泪光；第 3 镜头 [5-10 秒] 场景切换，女孩微笑着走近安慰他。

当 AI 拥有了长叙事能力与「演技」

短视频时代，能不能火全看「梗」和「戏」，面向广告设计、短剧制作等专业场景，万相 2.6 展现出了惊人的潜力。通过输入连续提示词，它能生成一段完整叙事的短片，让人人都能当导演。下面我们测试一下它在细节把控和情绪表达上的「演技」。

为了验证模型在极端条件下的细节把控能力，我们尝试了一组高难度的特写镜头测试。

提示词：日式电影感，中近景：26 岁亚洲女性，黑色齐肩短发，清淡妆容，戴银边细框眼镜，穿着米白色宽松针织毛衣。她站在温馨昏黄的厨房里，手里端着一碗刚煮好的米线。特写镜头：碗中升腾起浓郁的白色蒸汽，热气瞬间扑在她的脸上，熏白了她的眼镜片，形成一层白雾。她微微一愣，透过模糊的镜片眨了眨眼，表情呆萌而治愈，背景是虚化的充满生活气息的冰箱和橱柜。

画面聚焦于一位刚下班的都市女性，她端着一碗热气腾腾的面条准备享用。令人惊叹的是，当热气上涌，水雾瞬间在她的眼镜镜片上凝结成一层细密而真实的白霜，视野的模糊与清晰交界处处理得极其自然，光影在水雾上的折射显得通透而生动。

在如此近距离的微距镜头审视下，人物皮肤细节展现出了电影级的高保真度：鼻翼两侧因热气熏蒸而泛起的微红、眼角极其细微的疲惫干纹，甚至是皮肤未施粉黛的细腻颗粒感和毛孔的「呼吸感」，都被完美捕捉和呈现，完全打破了以往 AI 生成人物常见的「塑料感」。

更绝妙的是人物的神态动作，当眼镜被蒙住的瞬间，她下意识地眯起眼睛，鼻头轻微皱缩，嘴角却又不自觉地挂着即将被美食治愈的满足笑意。

我们进一步尝试让「大宋第一狠人」苏轼穿越回来，录制「敬自己一杯」的 Vlog。

我们只需给模型设定一个首帧，输入提示词，模型就能快速完成分镜设计、角色演绎和画面配音。

提示词： (苏东坡举着酒杯，满脸通红，微醺状态) 第三杯！敬我的「大宋穷游指南」！皇帝把我贬到黄州，我发明了东坡肉；把我贬到惠州，我日啖荔枝三百颗；最后把我扔到海南岛（当时那是未开化之地），以为我会哭死？不好意思，我发现那边的生蚝真的太好吃了，还写信让儿子别告诉别人，怕朝廷那帮人跑来跟我抢。把流放活成《舌尖上的中国》，就问你服不服！喝！

来看看效果如何：

可以看到，视频不仅高度还原了我们设定的视觉风格，更在细节上经得起推敲：声画同步率极高，面部微表情随着台词层层递进。模型展现出了类似专业导演的运镜意识，通过推拉摇移和景深变化有效掌控了叙事节奏。视频中的苏轼全程以一种举重若轻的姿态讲述跌宕人生，既重现了「一蓑烟雨任平生」的豪迈豁达，又精准拿捏了「微醺吐槽」时的诙谐与松弛，感染力十足。

不容忽视的平面「基本功」

在大家的目光都被视频生成的「演技」吸引时，万相 2.6 在静态图像生成领域也悄然完成了版本迭代。对于一个多模态大模型而言，高质量的平面图像生成能力依然是其重要的「基本功」。

此次 2.6 版本的图像生成能力升级，主要体现在对画面细节的控制力和实用场景的覆盖，可以说是在「高美学」与「强可控」上同时迈出了一大步。

在基础的文生图方面，新模型实现了对艺术风格的「灵魂捕捉」。从提供的测试案例来看，模型对「肌理、色彩、笔触」等细节的刻画更为到位。无论是需要特定笔触感的东方水墨、拉斐尔艺术风格，还是偏向现代设计的数字插图、毛毡卡通风格，模型都能精准还原。更有趣的是它的「风格融合」能力，比如将「印象派」与「涂鸦」结合，模型能处理得过渡平滑且自然，创作出独具一格的视觉作品。

针对容易「翻车」的人物写实照片，2.6 版本综合优化了构图与光影，在一定程度上削弱了以往常见的「AI 塑料感」。实测中，人物神态更加自然，肤质真实感大幅提升，即便是复杂的环境情绪摄影，也能呈现出极具表现力的光影细节。

更具实用价值的是其在复杂排版和精准控制方面的提升。新版本改善了在图片中生成中英文文本的能力，这意味着制作带文字的海报、带有数据信息的图表变得更加直接。同时，模型不仅涵盖了广泛的历史文化 IP 元素，还新增了诸如「图文混排输出」和「多图融合生成」等功能，能够依据逻辑创作出具有叙事性的绘本或复杂的商品组合场景。

对于有特定需求的设计或商业场景，万相 2.6 提供了更细致的控制选项。例如，在需要保持商品或角色形象统一时，它提供了商用级的一致性保持能力；在调整画面氛围时，用户可以更精确地控制镜头的远近视角和光影效果。

提示词：给这个男生和狗拍一张写真，男生搂着这只狗，人和狗都很开心，摄影棚柔和灯光，蓝色纹理背景。

如果说视频生成是在探索 AI 动态表达的上限，那么图像生成板块的更新，则是在夯实 AI 平面创作的地基，提供了一套更为稳健、多样的工具集。目前，万相模型家族已支持文生图、图像编辑、文生视频、图生视频、人声生视频、动作生成、角色扮演及通用视频编辑等 10 多种视觉创作能力，已广泛应用于 AI 漫剧、广告设计和短视频创作等领域。

结语

万相 2.6 的发布，某种程度上标志着 AI 视频生成正式告别了单纯的「抽卡」时代，迈向了精准可控的电影级创作新阶段。

过去，我们惊叹于 AI 的画质，却苦恼于它的不可控。而现在，万相 2.6 用国内首创的角色扮演功能让「演员」听话懂戏，不仅能锁住容貌，更能演绎情绪；用智能分镜控制让叙事有了逻辑，从单点画面进化为连贯的故事篇章。它将曾经昂贵的影视工业特权，折叠进了手机和云端，彻底消除了技术对创意的阻隔。

当灯光、摄影、演员和剪辑都听命于你的指尖，技术不再是门槛。无论是想做一部「赛博大片」，还是只想发一条朋友圈恶搞 Vlog，都能找到顺手的工具。

门槛已经塌陷，工具就在手边。从此刻起，你的想象力，就是你的生产力。

体验链接：

1. 万相官网：https://tongyi.aliyun.com/wan/
2. 阿里云百炼 API：https://bailian.console.aliyun.com/?tab=model#/model-market/all?providers=wan

文中视频链接：https://mp.weixin.qq.com/s/tgVN9ByxXn5NKDX8bArcgw