通义万相：把一句话变成大片的中国视觉生成模型
通义万相（Wan）是阿里通义实验室的视觉生成大模型，用原生多模态统一框架训练，具备图像、视频、声音等多模态生成能力。它最不可替代的一点，是「开源 + 影视级控制」双轮驱动——既在 VBench 登顶超越 Sora 等一众模型，又把权重完全开放给开发者，让创作从「调 API」走向「改模型」。
通义万相是通义实验室旗下的视觉生成大模型家族，通过原生多模态统一框架训练，在画面质量、语义理解、运动幅度、物理规律遵循与艺术质感上均达到领先水平[1]。2025 年 2 月开源的 Wan2.1 在权威评测集 VBench 中以总分 86.22% 登顶榜首，超越 Sora、HunyuanVideo、Minimax、Luma、Gen3、Pika 等国内外模型，并已在 GitHub、Hugging Face 与魔搭社区以 Apache 2.0 协议开源[2]。
一、它能「画」出什么：八类创作面
把通义万相的能力当成一组「作品类型」来看，会比背功能列表更直观。下面这座画廊网格，每一格都是一种可交付的产出。
用一句话生成逼真写实的画面，风格多样，并能稳定准确地理解复杂指令[3]。
最长 30 秒视频生成，自动分镜、更稳定的原生声画视频，把静帧讲成故事。
电影级镜头控制，真实还原复杂动作，确保指令执行到位，适合广告与短剧。
万物可主演，可将任意人或物作为主角，生成单人表演或多人合拍。
多维度指令编辑，对画面、剧情、环境二次创作，支持指令与参考编辑。
对话式交互，轻松实现图片的参考、修改与创作，像和设计师聊需求。
万相 2.6 是国内首个支持角色扮演的视频模型，一键完成单人/多人/人与物合拍[4]。
通过高层语义理解，把简单提示词转成多分镜脚本，保持主体与场景一致。
二、三个真实创作案例
能力落到具体任务上是什么样？下面三张案例卡，对应创作者最常遇到的情景。
案例一：用首尾帧做「变身」特效
用户上传开始与结束两张图片，万相 2.1 首尾帧模型就能生成一段丝滑衔接的 720p 视频。实测中，无论经典表情包转场还是「毒液变身」，主体一致性、光影正确性与前后连贯性都表现稳定，是业界首个百亿参数规模的开源首尾帧视频模型[5]。
案例二：普通人的「电影主角梦」
上传一段个人视频加一段科幻悬疑提示词，万相 2.6 的角色扮演功能能快速完成分镜设计、角色演绎与画面配音，生成镜头叙事完整、电影级运镜的短片，几分钟圆一个主角梦。
案例三：电商与短剧批量出片
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、广告设计与短视频创作等领域，把「拍摄—剪辑」压缩为「提示词—成片」。
三、为什么它能打：技术底座三件事
万相不是套壳应用，而是一整套自研架构。理解这三点，就知道它的画质与可控性从哪来。
DiT + Wan-VAE 架构
万相 2.1 基于 Diffusion Transformer，并集成创新的 Wan-VAE 架构。自研高效 3D 因果 VAE 实现 256 倍无损视频隐空间压缩，并通过特征缓存机制支持任意长度视频的高效编解码，单张 A800 上的视频重建速度比现有最先进方法快 2.5 倍[6]。
中文文字渲染
万相率先在视频中清晰生成中英文双语文字，支持多种字体与效果，突破了 AI 视频「写不出字」的老难题，对带标语、字幕、信息图的商业视频意义重大。
消费级可跑的开源
轻量 1.3B 模型仅需约 8GB 显存即可在主流消费级 GPU 上流畅运行；全系列遵循 Apache 2.0 协议，开放模型代码与权重，开发者可在 ComfyUI、Diffusers 等生态中二次开发。
四、和谁比、比什么：风格与定位对照
视频生成赛道玩家众多，通义万相的差异化不在「谁的模型更大」，而在开源与本土化。下表按创作者真实关心的维度对照。
| 维度 | 通义万相 Wan | 海外闭源模型 | 其他国产视频模型 |
|---|---|---|---|
| 开源性 | Apache 2.0 全开源（含 14B/1.3B） | 闭源、仅 API | 部分开源 |
| 中文能力 | 原生中文、双语文字渲染领先 | 中文较弱 | 各有侧重 |
| 可控性 | 首尾帧、参考生视频、多镜头、像素级一致 | 以提示词为主 | 能力参差 |
| 评测表现 | VBench 登顶（86.22%） | Sora 等各有千秋 | 多数未居榜首 |
| 本地部署 | 1.3B 可消费级 GPU 运行 | 不可本地 | 视版本而定 |
| 生态 | GitHub/HF/魔搭，接 ComfyUI/Diffusers | 官方平台 | 各自生态 |
关键认知：如果你要的是「开箱即用、点点鼠标出片」，万相官网与各大平台已提供现成入口；如果你要的是「把模型改造成自己的风格、嵌入生产流水线」，万相的开源权重才是它真正稀缺的价值。
五、版本脉络：从 2.1 到 3.0
六、局限与误区：别对它期待错位
不是拍摄替代
它生成的是「符合提示词的画面」，真实产品广告、人物肖像仍需实拍保真；万相擅长概念片、特效与批量变体，而非替代专业摄影。
长视频仍受限
即便 3.0 支持原生 30 秒，更长叙事仍需分镜拼接；一致性在极长片中可能漂移，需要参考图与后期约束。
提示词是门槛
同样的模型，提示词质量决定成片质量。想稳定出片，得学镜头语言、光影与分镜描述，而不是一句话敷衍。
本地部署有成本
14B 模型出高质量视频仍需较强的 GPU；消费级 8GB 能跑的是 1.3B 轻量版，画质与 14B 有差距。