Wan2.2-S2V

Wan2.2-S2V是阿里巴巴集團於2025年8月開源的多模態視頻生成模型，可通過輸入靜態圖片和音頻生成面部表情自然、口型同步且肢體動作流暢的電影級數字人視頻，單次生成時長可達分鐘級，支持真人、卡通、動物及數字人等多種類型圖片，適用於肖像、半身及全身畫幅場景。

該模型基於通義萬相視頻生成基礎框架，採用業界首個視頻生成領域的MoE（Mixture-of-Experts）架構，融合文本引導的全局運動控制與音頻驅動的細粒度局部運動，通過AdaIN和CrossAttention控制機制提升音頻同步效果。運用層次化幀壓縮技術將歷史參考幀拓展至73幀，實現穩定長視頻生成，支持豎屏短視頻與橫屏影視劇等多解析度格式。訓練採用超60萬個音視頻片段數據集，在FID、EFID、CSIM等指標上達到同類模型最優水平。模型代碼及權重已在GitHub、魔搭社區和HuggingFace平台開源，累計下載量超2000萬。

基本介紹

• 中文名：Wan2.2-S2V
• 類型：模型

簡介

Wan2.2-S2V僅需一張靜態圖片和一段音頻，即可生成面部表情自然、口型一致的電影級數字人視頻，單次生成的視頻時長可達分鐘級。