第 1 步：注册并选择模型
创建免费的 Elser AI 账号。在视频模型选择器中选择你的万相模型——Wan 2.7、Wan 2.6 或 Wan 2.6 Flash。用自然语言描述你的视频构想；万相能理解专业的电影制作术语与复杂的运动描述。
阿里云通义万相 AI 视频生成套件
阿里云通义万相（Aliyun Wan）是阿里云通义万相实验室打造的旗舰视觉生成模型家族。现已集成进 Elser AI，万相让创作者能够生成电影级视频、为静态图片注入动态、创建会说话的数字人，并产出音画同步的内容——全程无需昂贵 GPU 或复杂配置。
探索 Elser AI 上的通义万相模型家族
为什么用 Elser AI 上的通义万相创作
原生音视频联合生成与数字人口型同步
不同于先生成无声视频再后期配音的传统模型，通义万相 2.5+ 在一次前向推理中就输出包含对白、音效、环境音与背景音乐的同步视频。它支持英语、中文、日语、西班牙语等 8 种以上语言的音素级同步。
立即体验通义万相
原生多模态扩散 Transformer 架构（MD-DiT）
通义万相 2.5 及以上版本采用原生多模态扩散 Transformer 架构，在同一次推理过程中并行执行视觉、音频与文本的生成。它是业界首个实现原生音视频同步生成的模型。
立即体验通义万相导演级运镜与多镜头叙事
阿里云万相能轻松驾驭其他视频模型力不从心的复杂运镜——推拉镜头、对焦切换、跟拍、视角切换与升降镜头——彼此衔接流畅自然。Wan 2.7 支持多镜头合成，确保角色形象在场景切换中保持一致。
立即体验通义万相
如何在 Elser AI 上使用通义万相
第 2 步：输入提示词并上传参考素材
写一段有画面感的提示词——包含运镜、光线、动作和氛围。图生视频可上传一张静态图；参考生视频可上传参考图和参考视频，以在多个镜头间锁定角色的外观与声音。
第 3 步：自定义并生成
调整视频时长（最长 15 秒，视模型而定）、分辨率（720p 或 1080p）和宽高比（16:9、9:16、1:1、4:3 或 3:4）。生成视频并导出为带同步音轨的 MP4——可直接用于社媒、广告或分镜。
用通义万相你能做什么？
用文字或图像生成电影级 AI 视频
从文字提示词、图像或多媒体参考生成多镜头电影级视频。描述场景、上传角色参考或提供动作示例——万相交付带流畅运镜、精准口型与沉浸式原生音频的动态画面。
适合用于：
- 短片与叙事短视频
- 品牌故事与广告
- 社媒短片与 B-roll 素材
跨场景保持角色一致（参考生视频）
万相的参考生视频在多个镜头之间保持角色身份、服装与面部特征一致——彻底消除老视频模型常见的换脸漂移问题。它还支持以人物或物体为主角的多角色互动视频。
你可以：
- 用同一个主角讲完多场景故事
- 让品牌吉祥物与角色设计保持统一
- 为系列短剧与系列化内容做量产
创建会说话的数字人
用任意一段音频驱动一张人像图，生成带自然口型与表情的会说话数字人。直接用声音驱动主持人、虚拟形象与代言人——无需真人演员、摄影棚或动作捕捉。
非常适合：
- 代言、讲解与培训视频
- 把人像变成会说话的虚拟形象
- 多语言口型同步对白
你可能也感兴趣
大家都在讨论通义万相
万相的原生音频同步帮我省下了好几个小时的后期。再也不用手动把配音对到画面上了。
终于有一个能理解滑动变焦、对焦切换等复杂运镜的模型了。
我用不到两分钟就生成了一段 15 秒、带配音和背景音乐的产品视频。万相对电商是颠覆性的。
跨多个镜头的角色一致性简直不真实。再也没有换脸漂移——我真的能用同一个主角讲完一个短故事。
我们用万相的数字人做了一支提案视频。客户以为是真人演员。原生口型同步起了决定性作用。
作为一名 YouTuber，我现在仅凭文字提示词就能做出电影级的 B-roll 插入镜头。这帮我省下了好几天的拍摄和找素材时间。
常见问题
阿里云通义万相是阿里云的次世代 AI 视觉生成模型家族，由通义万相实验室打造——也是中国领先开源视频生成模型背后的团队。万相能从文字、图像与音频生成高质量、逼真的视频。
万相采用原生多模态扩散 Transformer 架构，将大语言模型的认知能力与高保真像素合成相结合。它分析多模态输入（文字、图像、音频、视频），并在统一框架中生成同步的视频与音频输出。
是的，Elser AI 为万相提供免费档，每月有限额积分（最多 10 次视频生成）。付费计划可解锁更高分辨率、更长时长、优先渲染，以及最新的 Wan 2.7 功能。万相的开源模型也可免费自托管。
通义万相有几大独特优势：(1) 原生音视频联合生成——一次推理产出同步的语音、音效和背景音乐。(2) 数字人音频驱动动画——用任意一段音频驱动一张人像图。(3) 开源 MoE 架构——在电影级输出的同时约节省 50% 算力。(4) 多模态输入支持——文字、图像、音频和视频都可作为输入。
Wan 2.7 支持 2 到 15 秒的片段，Wan 2.6 与 Wan 2.6 Flash 支持 5、10 或 15 秒。需要更长的叙事时，可用 Wan 2.7 的视频续写功能在保持画面连贯的前提下延长已有片段。
万相以 720p 或 1080p、24 fps 生成。宽高比包括 16:9、9:16、1:1、4:3 和 3:4——覆盖 YouTube 宽屏、TikTok/Reels 竖屏、Instagram 方形以及传统广播格式。
万相支持 8 种以上语言的音素级口型同步，包括英语、中文（普通话）、日语、西班牙语、法语、德语、韩语和俄语。未来更新会加入更多语言。
Wan 2.7 是最新套件，具备多模态输入（文字、图像、音频、视频）、在生成前先理解意图的「思考模式」、首尾帧生成、视频续写，以及最多 5 个主体的参考追踪。Wan 2.6 专注于参考生视频的角色扮演、智能多镜头叙事和最长 15 秒的 1080p 输出。Wan 2.6 Flash 则是为快速迭代优化的极速版本。
无需任何配置。你只需要一台能上网的设备——所有处理都在 Elser AI 的云端服务器上完成，无需 GPU、无需大内存、无需安装软件。若要自托管万相的开源模型，单张 24GB 显卡即可用于推理。
了解更多通义万相
用通义万相让你的故事鲜活起来
在 Elser AI 注册即可解锁通义万相的全部能力——从文生视频、图生视频，到会说话的数字人与原生音频同步。即刻生成专业电影级视频——无需任何技能，无需 GPU。
在 Elser AI 上体验通义万相