阿里云栖大会7款大模型亮相，通义万相2.5重塑AI视觉标准

杭州云栖大会成为科技焦点，阿里巴巴集团在这场行业盛会上重磅推出七款人工智能大模型。其中通义万相Wan2.5-preview凭借"音画同步"的视频生成技术成为全场焦点，展现了阿里在多模态AI领域的领先实力。

这款创新型大模型突破了传统视觉生成的局限，首次实现了声音与画面的智能联动。阿里云智能集团CTO周靖人揭秘称，该模型采用创新的原生多模态架构，能够同时处理文本、图像、音频等多维数据，就像一个全能艺术家般完成视频创作的全过程。

在实际演示环节，Wan2.5-preview的表现令人惊艳。只需输入"一位金发女士欣喜地拆开生日礼物"这样的文字描述，系统就能自动生成包含人物表情、环境光影、背景音乐以及人物的对话配音的完整视频场景，连细微的口型变化都与语音完美对应。

值得注意的是，该模型在技术实现上有多项突破性升级：

• 视频生成时长翻倍提升至10秒
• 输出品质达到24fps的1080P高清标准
• 支持复杂的拍摄语言指令控制
• 跨模态生成能力显著增强

作为国内首个基于原生多模态架构打造的视觉模型，Wan2.5-preview从根本上改变了传统AI模型处理不同数据类型的方式。它就像一位精通多国语言的翻译家，能直接理解并转换不同形式的信息，而非简单地拼接各种模态的输出结果，这在技术上实现了质的飞跃。

从具体应用场景来看： 在诗意场景生成中，模型能够准确捕捉诗词意境；在商业图表制作上，文字信息呈现稳定精准；而在创意编辑方面，用户可以随心所欲地调整画面元素而保持整体协调。

有个生动的案例值得一提：当输入"浪漫求婚现场"的描述后，系统不仅生成了求婚者单膝跪地的感人画面，还同步配上了悠扬的婚礼进行曲和新郎深情的告白。甚至连现场观众的掌声反应都表现得恰到好处，营造出完整的沉浸式体验。

针对快节奏内容创作，模型同样表现出色。无论是说唱歌手的即兴表演，还是体育赛事的精彩瞬间，人物口型始终与语音保持精准同步。在骑士策马奔驰和网球比赛等动态场景中，马蹄声、击球声等环境音效的加入更是为画面注入了生命力。

目前这款强大的人工智能创作助手已通过两个渠道对外开放：

1. 阿里云百炼平台的API调用服务
2. 通义万相官方体验入口

据统计数据显示，截至目前通义万相关系列模型已经成为中国视觉创作领域的重要基础设施，支持超过10种创作形态，累计产出近4亿张图片和7000万条视频内容。在全球范围内，该系列开源模型的下放量已突破3000万次大关，在开源社区收获热烈反响。