阿里发布通义万相2.6：国内首个角色扮演视频模型来了！人人能当导演

2025年12月16日，阿里巴巴正式推出新一代通义万相2.6系列模型，这是国内首个支持"角色扮演"功能的视频生成模型。该模型同时支持音画同步、多镜头生成及声音驱动等功能，被官方称为"全球功能最全的视频生成模型"。万相2.6已同步上线阿里云百炼和万相官网，普通用户可直接体验，企业用户则可通过API调用集成到业务系统中。

核心定位

让人人都能当电影导演

作为阿里"通义大模型家族"的重要成员，通义万相2.6面向专业影视制作和图像创作场景进行了全面升级。与9月发布的万相2.5相比，新版本在画质、音效、指令遵循等方面进一步提升，单次视频生成时长达国内最高的15秒，并新增角色扮演和分镜控制两大核心功能。

阿里云官方表示，万相2.6的目标是"让专业影棚搬到每个人面前"，通过AI技术降低视频创作门槛，实现从"专业独占"到"全民共享"的内容生产革命。目前，通义万相家族已覆盖文生图、图像编辑、文生视频等10余种视觉AIGC能力。

四大技术突破

从随机生成到精准控制

1.国内首创角色扮演功能

通义万相2.6最引人注目的创新是国内首个"角色扮演"功能。用户上传一段含人脸的参考视频后，模型可学习其外观、表情、姿态及音色特征，生成该"数字角色"出演的新剧情视频，支持单人、多人、人与物合拍等多种形式。

例如，用户上传一段自拍视频，输入"在火星基地遭遇外星生物突袭"的提示，万相2.6可在几分钟内生成一段电影级运镜、角色演技自然、配音匹配的科幻短片。

2.智能分镜控制

针对专业影视叙事需求，万相2.6新增"分镜控制"功能，可将用户简单提示词自动转化为多镜头脚本，在特写、中景、全景间丝滑切换，同时保持主体、场景、光影风格高度一致。

测试显示，当输入"校园操场，男生真诚跪地表白"的提示词并指定三个镜头切换时，万相2.6生成的视频在人物情绪、场景一致性和运镜流畅度上已接近专业水准。

3.15秒视频生成

万相2.6将单次视频生成时长提升至15秒，为当前国产模型中最长。配合"尾帧拓展"功能，用户可基于生成视频的结尾帧继续创作，实现更长时长内容的拼接生成。

在音画同步方面，新版本对多人对话场景和歌曲生成的稳定性进行了优化。实测显示，生成的对话视频中人物嘴型与语音匹配度达90%以上。

4.多模态联合建模

技术架构上，万相2.6创新采用多模态联合建模，能够对输入参考视频进行视觉与声学特征的联合学习。通过提取主体情绪、姿态、多角度视觉特征及音色、语速等声学特征，模型实现了从画面到声音的全维度一致性保持与迁移，解决了传统视频生成中"画面与声音两张皮"的问题。

行业影响

视频创作三大变革

通义万相2.6的发布，标志着AI视频生成正式进入"可控性创作"阶段。这一技术突破将对内容创作行业产生深远影响：

创作门槛大幅降低：传统视频制作中需要专业团队协作完成的分镜设计、拍摄、剪辑等环节，现在可通过AI一键完成，使个人创作者也能产出专业级内容。

生产效率指数级提升：从几天到几小时，再到现在的几分钟，AI持续压缩视频创作周期。某MCN机构负责人表示："万相2.6让我们的短视频产能提升了3倍，同时人力成本降低40%。"

内容形态创新加速：角色扮演功能催生了"数字分身"新玩法，用户可与虚拟偶像、历史人物甚至宠物"合拍"视频；分镜控制则使互动叙事、个性化剧情等新型内容成为可能。

不过，技术进步也带来新的挑战。业内专家指出，AI生成视频的版权归属、深度伪造防范、内容审核等问题亟待解决。目前，万相2.6已内置内容安全检测机制，对政治敏感、色情暴力等内容进行过滤，但长期来看还需行业共同建立规范体系。

未来展望

从工具到生态的进化

阿里巴巴表示，通义万相2.6只是开始。下一步，团队将重点提升模型的长视频生成能力（目标30-60秒），优化多人互动场景的自然度，并拓展虚拟偶像、游戏动画等垂直领域的解决方案。

同时，通义千问APP也将于近期集成万相2.6，提供更丰富的移动端创作玩法。普通用户通过手机即可快速生成包含自己"数字分身"的创意视频，进一步推动内容创作的民主化。

目前，用户可通过访问万相官网（https://tongyi.aliyun.com/wan/）了解更多相关信息。

参考资料：

[1] 阿里云开发者社区：全新万相2.6系列模型，正式发布！

[2] 太平洋科技：阿里发布电影级视频模型万相2.6 首次支持角色扮演功能

[3] 腾讯新闻：阿里发布通义万相2.6系列模型，上线国内首个角色扮演功能

[4] 智东西：阿里视频生成模型登场！号称全球功能最全，附一手体验

[5] 阿里云开发者社区：万相 Wan2.6 全新升级发布!人人都能当导演的时代来了