阿里宣布开源全新多模态视频生成模型通义万相Wan2.2-S2V，通过一张静态图片和一段音频，可生成电影级数字人视频，该模型单次生成的视频时长可达分钟级，提升数字人直播、影视制作、AI教育等行业的视频创作效率。

根据介绍，Wan2.2-S2V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，上传一段音频后，模型就能让图片中的主体形象完成说话、唱歌和表演等动作。

通义团队基于通义万相的通用视频生成能力，融合了文本引导的全局运动控制和音频驱动的细粒度局部运动，实现了复杂场景的音频驱动视频生成；引入AdaIN和CrossAttention两种控制机制，实现了更准确更动态的音频控制效果。

生成时长上，Wan2.2-S2V单次生成的视频时长可达业界领先的分钟级。

Wan2.2-S2V通过层次化帧压缩技术，大幅降低了历史帧的Token数量，通过该方式将motion frames(历史参考帧)的长度从数帧拓展到73帧， 从而实现了稳定的长视频生成效果。

Wan2.2-S2V还支持文本控制，输入Prompt后还可对视频画面进行控制，实现镜头运动、角色轨迹和实体间互动，让视频主体的运动和背景的变化更丰富。

在模型训练上，通义团队构建了超60万个片段的音视频数据集，通过混合并行训练进行全参数化训练，充分挖掘了Wan2.2-S2V模型的性能。

同时通过多分辨率训练、支持模型多分辨率的推理，Wan2.2-S2V可支持不同分辨率场景的视频生成需求, 如竖屏短视频、横屏影视剧。