“漢字”這個難關，今天終于被AI視頻生成給拿下了！

話不多說，我們直接先來看效果：

這個“福”字，就這樣被AI水靈靈地一筆一劃滴了出來。

再如下面這個例子，我們的Prompt是：

有漢字“量子位”，古風。

但這樣還是略顯單調，我們上一下難度：

賽博朋克風格城市夜景，鏡頭視角是車輛在馬路上行駛，對面大樓樓體有巨大的LED廣告牌，上面寫著“量子位”三個字。

好的，我們也算是打了一波賽博廣告了。

那么讓字數再多一點，AI是否能hold住呢？

我們直接來挑戰(zhàn)一下：

水彩透疊插畫風格，三只不同顏色的可愛小貓咪手舉著一條超大的魚，從右邊走到左邊。它們分別穿著粉色、藍色和黃色的小背心，眼睛圓圓的，表情呆萌。充滿童趣，筆觸淡雅溫馨，簡筆畫風格。純白背景上逐漸顯示出來幾個字體，寫著：“摸魚一天 快樂無邊”。

可以看到，這段視頻中雖然有一個小瑕疵（“摸”字多了一筆），但整體是把Prompt中的內容給還原了出來。

當然，復雜的漢字都能搞定，這個AI自然也可以生成英文單詞，并且還是帶“花活兒”的那種（下面還有中文版）：

那么，這到底是何許AI是也？

不賣關子，它就是阿里通義萬相剛剛升級的2個新版本視頻生成模型：

• 通義萬相2.1極速版：能夠讓AI高效、快速地生成視頻；
• 通義萬相2.1專業(yè)版：更注重AI視頻生成的質量。

在整體體驗過后，我們能夠明顯感受到模型整體性能有了大幅的提升。

尤其是在處理復雜運動、還原真實物理規(guī)律、提升影視質感以及優(yōu)化指令遵循方面。

據了解，新版通義萬相已經以84.70%的成績登上權威評測集VBench榜首的位置，一路超越Gen3、Pika、CausVid等國內外視頻生成模型。

不過有一說一，能生成漢字，也還只是通義萬相能力升級的一隅。

接下來，我們就繼續(xù)來看下它在視頻生成中的更多能力。

《滕王閣序》都能理解

值得一提的是，這個新升級的模型并不是PPT哦，是已經上線了的那種~

現在人人都可以在線免費體驗了，入口和模型選擇如下圖所示：

如果你是開發(fā)者或者企業(yè)，還可以在阿里云百煉上調用API，打造自己的專屬應用。

鑒于此前大部分AI視頻生成，在處理復雜人物動作時，往往會出現轉個身就鬼畜的現象。

我們就直接來上個難度，超復雜動作——Breaking。

請聽Prompt：

在室內，鏡頭平拍一個外國男子跳霹靂舞的全景，男子身穿灰色的上衣和綠色的褲子，鏡頭隨著男子的動作而移動，男子在舞臺上進行一系列的翻滾和旋轉動作，背景中可以看到觀眾席上的觀眾和一些模糊的舞臺燈光，但焦點始終保持在舞者的動作上。

可以看到，這段AI視頻生成一改以往的鬼畜，在如此多且復雜的動作情況下，人物效果依舊是穩(wěn)穩(wěn)的。

再來看下跳水運動：

圖片

細節(jié)如腳背，也是拿捏的很到位了。

除了在連續(xù)復雜動作發(fā)揮穩(wěn)定效果之外，還原真實物理規(guī)律，也是評判AI視頻生成效果的關鍵指標之一。

我們不妨讓《滕王閣序》來考驗一番：

落霞與孤鶩齊飛，秋水共長天一色。

圖片

不難看出，通義萬相新版本是非常好地理解了這句詩的意境。

而在面對像切肉這樣的動作時，還原物理規(guī)律的體現會更加明顯：

圖片

切肉時肉塊的自然分離、刀面上的鏡像、肉底部的油……細節(jié)如斯，細節(jié)如斯。

在真實性的基礎之上，若想用AI來打造質量更高的視頻效果，那么運鏡就是不可或缺的技巧之一。

這一點，通義萬相也是可以完全hold住。

例如狐大仙蹦迪，我們可以來個給氛圍狠狠加分的運鏡：

圖片

像電影場景里跑車在山谷里疾馳的畫面，跟著汽車的軌跡加復雜運鏡也是可以有的：

圖片

除此之外，通義萬相還有個特點就是可以拿捏各種風格的類型，頗有種影視級的感覺。

例如中世紀真人寫實風：

圖片

再如卡通動畫：

圖片

而且生成的視頻尺寸也是選擇的哦：

那么接下來的一個問題就是：

怎么做到的？

整體來看，這次通義萬相在技術方面采取了三步走的創(chuàng)新路線。

首先，是VAE與DiT架構協(xié)同發(fā)力。

視頻VAE可以看做一位“壓縮大師”，擅長將視頻中的海量信息進行高效壓縮，提取出最為關鍵的特征。

它通過將視頻拆分為若干塊（Chunk），并緩存中間特征，取代了傳統(tǒng)長視頻的端到端編解碼方式。

這一設計的關鍵在于，使顯存的使用僅與Chunk大小相關，而與原始視頻長度無關，從而實現了對無限長1080P視頻的高效編解碼。

這種機制為任意時長視頻的訓練提供了可行性。實驗表明，在較小模型參數下，通義萬相VAE實現了業(yè)內領先的視頻壓縮與重構質量。

而DiT則像是一位“時空捕手”，能夠敏銳地捕捉視頻中的時空動態(tài)，精準地建模視頻中不同元素在時間和空間上的變化關系。

通義萬相團隊采取了以下優(yōu)化措施：

• 時空全注意力機制：增強模型對復雜動態(tài)場景的建模能力。
• 參數共享機制：提升模型性能的同時，降低訓練成本。
• 文本嵌入優(yōu)化：提升文本控制能力，并顯著降低計算需求。

△通義萬相2.1視頻生成架構圖

其次，是超長序列訓練上的突破。

在面對超長序列訓練這一極具挑戰(zhàn)性的任務時，通義萬相團隊巧妙地運用了4D并行策略，猶如為模型訓練打造了一臺超強動力的“引擎”。

這一策略將DP（數據并行）、FSDP（ Fully Sharded Data Parallel，全量分片數據并行）、RingAttention（環(huán)形注意力機制）、Ulysses（一種優(yōu)化技術）等多種先進技術有機融合。

例如在顯存優(yōu)化方面，團隊根據序列長度帶來的計算和通信需求，采用分層顯存優(yōu)化策略，解決顯存碎片問題，同時使用FlashAttention3提升時空注意力的計算效率。

此外，通過去冗余計算和高效Kernel實現，進一步降低訪存開銷。

在文件系統(tǒng)優(yōu)化方面，針對阿里云高性能文件系統(tǒng)的特性，團隊采用分片Save/Load方式優(yōu)化數據讀寫性能，并通過錯峰內存使用方案，解決Dataloader Prefetch、CPU Offloading與Checkpoint存儲引起的內存OOM問題。

在穩(wěn)定性提升方面，依托阿里云的智能調度、慢機檢測與自愈能力，模型訓練能夠實現自動故障檢測與任務重啟，大幅提升訓練過程的穩(wěn)定性。

△通義萬相4D并行分布式訓練策略

最后，是數據與評估雙輪驅動。

通義萬相團隊打造了一套自動化數據構建管線，通過優(yōu)化視覺質量和運動質量，篩選整合與人類偏好分布高度一致的數據集。這些數據具有多樣性高、分布均衡等特點，極大提升了訓練效率。

團隊還為此設計了一套覆蓋美學評分、運動分析、指令遵循等多個維度的評估體系，并訓練了專業(yè)的打分器。通過這些自動化指標的反饋，顯著加速了模型的迭代與優(yōu)化。

以上便是煉成新版通義萬相的核心技術要義了。

至此，不僅是從技術創(chuàng)新方面，更是從真真切切的體驗角度來看，國產Sora再次走到了AI視頻領域的前沿。

單就能夠生成漢字這一點，便是全球獨一份的那種。

而從視頻生成范圍之廣，也是應了“通義萬相”的名字——AI已經到了可以生成“萬相”的時刻。

那么你是否也有腦洞大開的想法，并想讓它們以視頻的形式呈現出來呢？

快來體驗一下最新、最Fashion的模型吧~

直接體驗入口：https://tongyi.aliyun.com/wanxiang/videoCreation

API調用：https://bailian.console.aliyun.com/?spm=5176.29619931.J__Z58Z6CX7MY__Ll8p1ZOR.1.74cd59fckLhf3c#/model-market