Wan 2.6 视频生成模型

Wan 2.6 是阿里巴巴通义万相最先进的视频生成模型。它可以从文字、图像、参考视频或音频生成 1080p、24 fps 的视频，具备原生音画同步与精准口型同步。核心功能包括参考生视频（将角色的外观与声音植入新场景）、从简单提示词出发的多镜头叙事，以及最长 15 秒的片段。

三大关键差异。其一，参考生视频（角色扮演）：Wan 2.6 是中国首个仅凭一段参考视频，就能在生成的场景中同时保留角色外观与声音的模型。其二，智能多镜头叙事：模型把单条提示词拆解为多个连贯镜头——远景、中景、特写——衔接流畅，并在每次剪切之间保持光线、色彩与角色身份的一致。其三，15 秒 1080p 输出且自带原生音频：时长超过多数竞品的标准档，对白、环境音与口型同步在一次推理中一并生成。

可以。Elser AI 为新用户提供试用积分。升级到付费计划即可获得完整的商用权利。

Wan 2.6 支持 5、10 或 15 秒、24 fps。分辨率为 720p 和 1080p。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。

支持。Wan 2.6 在一次推理中生成同步的视频与音频——对白、环境音、音效与背景音乐——并具备音素级口型同步。

支持。Wan 2.6 图生视频可将静态图片动画成最长 15 秒的高保真视频片段，并可选音频，配合文字引导实现精确的运动控制。提供 720p 和 1080p。

参考生视频（R2V）是 Wan 2.6 的招牌功能。你上传一段同时捕捉外观与声音的角色参考视频，再用文字提示词生成以同一角色为主角的新场景——画面与音频均保持一致。R2V 支持 1–3 段参考视频，在提示词中用 @Video1、@Video2、@Video3 语法引用。适用于人物、动物或物体。

使用结构化的多镜头语法：先写整体描述，再逐镜头写明时间与内容。示例：「镜头 1 [0–4s] 黄昏时分未来都市的远景。镜头 2 [4–8s] 跟随主角穿过霓虹街道的中景跟拍。镜头 3 [8–12s] 主角面部特写，眼中映出霓虹反光。」开启「提示词扩写」和「多镜头」可获得最佳的叙事分段。

价格因提供方而异。通过 Elser AI，我们提供简化的按量计费方案——请在平台上查看当前价格与免费试用积分。

通过 Elser AI 使用最为简单——注册、选择 Wan 2.6、输入提示词并生成，无需 API 密钥或基础设施管理。Wan 2.6 也可通过阿里云百炼（Model Studio）平台及其他第三方提供方使用。

1080p、24 fps，具备出色的角色一致性、流畅的多镜头转场、原生音画同步与电影级光影。Wan 2.6 在运动质量与指令遵循方面持续位列中国一流模型之中。写实人像更自然，「AI 感」大幅降低，构图具备专业级美学。