作者｜Cynthia

编辑｜ 郑玄

还记得国庆期间朋友圈被 Sora 2 APP 支配的恐惧吗？

那时候，一定没人想到，这个出场即炸场的产品，同样出道即巅峰。

向来以天为单位不断刷新 sota 表现的大模型市场，唯独在视频生成上，此后足足两个多月，无论是谷歌 veo3.1 还是 Runway 推出的模型，都没能再现 Sora 2 在多人物不崩脸这个小细节上的稳定表现。

直到 12 月 16 日阿里万相 2.6 正式发布。在追齐 Sora 2 体验，并且推出独有的音频驱动生视频能力之外；万相 2.6 的这次升级更是将视角对准了多模态内容创作中多镜头切换、内容一致性的各种真实痛点，做到了让专业创作的乙方少加几次班，普通的 C 端内容创作爱好者 0 成本上手。

那么万相 2.6 体验究竟如何？它能否和 Sora2 一战？一定程度上，回答了这些问题，也就回答了未来多模态大模型究竟去往何方的核心命题。

01

万相 2.6 究竟做对了什么？

12 月 16 日，阿里旗下万相 2.6 正式发布，我们第一时间拿到了内测资格。

我们发现，这个涵盖文生视频、图生视频和角色扮演功能，图像生成和文生图共 5 款模型的组合拳产品，从功能亮点和功能丰富度角度来看，万相 2.6 已经是当之无愧国内的佼佼者 ， 根据权 威大模型评测集 LMArena 的测试数据显示，万相图生视频位居国内第一 。

因为相比老对手 Sora 通过写实生成效果引发全球轰动的野心；万相这次 2.6 版本的能力升级其实主打就一个词，实用，并且把所有升级点砸向了影视制作、广告设计、短视频创作的真实痛点。

内容创作圈最头疼的，莫过于一致性崩塌。在传统动画行业，吉卜力工作室为了保证角色形象不跑偏、风格一致，会为了一部电影，几百位画师耗时两年画十几万张画稿，4 秒镜头能磨 1 年。而 AI 生成的噩梦，恰恰是前一秒主角还是圆脸，下一秒变成锥子脸，说话时嘴型和台词完全脱节。

针对这个痛点，万相 2.6 这次升级直接把声画一致性拉满，成为国内首个支持角色定制 + 音色同步的模型 ：用户输入一段视频，AI 就能精准复刻角色的五官、动作甚至说话语气，就算是双人合拍，也不会出现脸飘到别人头上、镜头切换主角直接变脸的乌龙。

解决了一致性，下一个拦路虎是复杂场景的多角色呈现。

目前 Sora 2 与万相 2.6，是全球唯二实现该功能的模型。并且，万相 2.6 还能结合刚才提到的角色、声音一致性能力，让 AI 真正具备了一定的复杂画面生成能力。

而建立在一致性、多角色的基础之上，镜头调度和灯光审美往往是人类高质量视频内容的灵魂。

被奉为经典的宫廷剧《金枝欲孽》片头，导演通过一段不到 5 秒的镜头切换里，以及演员站位的变化，就说明了五个主要人物之间的关系与感情纠葛，二十多年过去，至今仍被奉为神级镜头调度。

王家卫电影的氛围感与幽微的人物情绪流动，也有一半功劳要归给灯光师的精准控光。

但以前 AI 生成视频，要么镜头衔接生硬，要么角色突然瞬移，上一镜在左边，下一镜直接出现在右边，更不用提各种精美的打光，以及氛围的塑造。

万相 2.6 的「智能分镜调度」很好地解决了以上问题，通过支持「总体描述 + 镜头序号 + 时间戳 + 分镜内容」的公式化输入，比如「第 1 镜 [ 0-3 秒 ] 远景推近，第 2 镜 [ 3-5 秒 ] 特写」，AI 不仅能严格执行，还能保证跨镜的场景、角色、氛围统一，再也不会出现「上一镜穿红衣，下一镜变蓝裙」的低级错误。

其实，万相早从 2.2 版本起，就已经能通过精细的灯光控制、环境细节呈现，支持日光、月光、硬光、柔光等精细调节，让 AI 生成的内容从「能看」升级到有「审美」，具备专业级内容生成能力。

光说不练假把式，我们带着挑刺的心态实测了整整三天，从角色定制到多镜叙事，从视频生成到图片创作，摸清了它「让人人皆可做导演」的真实水平，以及 技术 demo 与生产级工具之间的差距。

02

视频能力实测：

人人都能生成神级镜头

过去很多行业测试，为了保证效果，经常会让 AI 生成一些无声视频，或者画面简单的动画风素材，再或者干脆就是一个几乎静止的背景中，只有一个小幅度动作的简单运动主体（甚至都不敢把主体设置为人或者动物这样有复杂肌理和动作的形象）。

这次对万相 2.6 的测试，我们不搞虚的，把一致性、多镜头、音画同步、长视频、审美，这些真实行业痛点、难点全都测一遍。

测试一：多镜头叙事

一直以来，多镜头叙事都是电影高级感的核心来源之一。这里我参考《哪吒》的画风，给了一段复杂场景、多主体的多镜头切换的提示词：

镜头一：低角度远景，镜头快速推进 3s

画面内容：仙境般的云端建筑群在云雾中若隐若现，一群白鹤自左向右舒展翅膀，掠过层层楼阁的屋檐

视觉效果：叠加中强度动态模糊，伴随轻微追焦微颤，焦点锁定鹤群与建筑轮廓

镜头二：中近景中速推进 + 追焦微颤 3s

画面内容：近距离捕捉白鹤羽翼贴近檐角的流畅轨迹，镜头紧跟鹤群运动方向。视觉效果的动态模糊逐渐减弱，追焦微颤幅度保持轻微，强化画面衔接感

镜头三：无缝转场，特写，镜头恒定不动 0.3s

画面内容：白鹤羽翼擦过最外侧屋檐翘角的瞬间，以檐角硬轮廓完全遮挡画面。无额外特效，保留自然光影，确保转场干净利落

镜头四：主体聚焦，从近景→特写，镜头缓慢推近 3s

画面内容：转场后聚焦檐角顶端，橘猫端坐舔爪（近景），随后推至特写，呈现舔爪细腻动作与毛发质感。画面清晰，焦点全程锁定橘猫

镜头五：特写变中近景中速推进 + 追焦微颤 4s

画面内容：橘猫被打扰，停止舔毛，看了一眼镜头后，跳下屋檐，动作轻巧，追焦微颤幅度保持轻微，强化画面衔接感。

这里的难点在于：首先是画面足够复杂，画面中主体来回切换，从飞翔的白鹤到舔毛的橘猫，再到跳下屋檐的橘猫，而伴随主体的动作变化，镜头也在同步于远景 - 中景 - 特写 - 中景中来回切换。

可以看到，生成的视频里，生成的视频里，《哪吒》式的东方写意美学被精准落地：云雾是渐变的水墨质感，云端建筑的飞檐翘角带着古风的韵味。白鹤运动的镜头即使高速推进没有丝毫卡顿，动态模糊恰好放大了闯入仙境的沉浸感；后续橘猫舔爪的毛发细节栩栩如生，镜头也会随着橘猫的眼神变化而出现画面的移动。

最难能可贵的是，三次大的镜头切换（白鹤→舔爪橘猫→跳檐橘猫）没有出现任何突兀感：鹤群的飞行轨迹是天然的视觉引导线，檐角转场是承上启下的视觉桥梁，橘猫的动作变化则成为镜头运动的点睛之笔。整体完全复刻电影级无缝衔接，没有任何卡顿或脱节。

测试二：长视频 + 审美

一直以来，AI 生成视频都不难，但生成稳定、漂亮、可用的长视频却一直是困扰依旧的痛点。

万相 2.6 支持最长 15 秒生成（角色扮演功能 10 秒），这个时长看似不长，但刚好戳中核心场景：短视频场景，15 秒是黄金时长、广告片场景，30 秒广告可拆成 2 个 15 秒片段、而在短剧片段，10-15 秒就能完成男主歪嘴一笑、龙王归位，一众吃瓜群众从白眼鄙视瞬间切换惊恐讨好的爽剧经典套路。

这里我们测试一个专业服装拍摄的商用级场景，提示词如下：

镜头一：0-3 秒，中景→近景。林间光斑透过树叶洒落，美女身着米白色棉麻长裙，缓步走在铺满落叶的小径，裙摆随步伐轻晃 暖调柔光，画面静谧，聚焦棉麻面料的垂坠感，轻柔风声、树叶沙沙声

镜头二：3-7 秒，特写→中近景。风拂过，特写衣角翻飞的弧度，棉麻纹理清晰可见；镜头拉回，松鼠蹲在她脚边啄食。自然光影，无多余特效，突出面料透气飘逸。风声渐柔，加入轻微呼吸声

镜头三：7-12 秒，近景→特写。美女抬手轻拂额前碎发，笑容舒展，小鹿从林间探出头，与她对视；镜头聚焦面料贴肤的舒适状态画面柔和，焦点在面料与人物神态之间切换 , 背景音渐弱，预留口号空间

镜头四：12-15 秒，中景定格。美女站在林间转身，裙摆随风轻扬，小动物环绕身旁，画面定格在面料飘动的瞬间 暖光渐变柔和，画面干净治愈。背景音清晰女声：「好面料，会呼吸」。

这里的难点在于，除了美之外，棉麻质感难还原纤维肌理，还要考虑自然垂坠与光影通透感，否则容易显塑料感，此外，画面中的小动物互动增加了整体画面复杂度，而森林光影也需要在光斑、光线折射等细节做到真实且有美感。

行业人都懂，过去这种级别的画面，以前要找外景、模特、灯光师，拍摄 + 后期至少 3 天，现在用万相 2.6，输入提示词几分钟生成，直接能当成片交付。

此外，值得一提的是，万相 2.6 除了生成的视频质感高，操作门槛还极低。写出以上专业级分镜脚本，其实只要按照官方给出的【总体描述 + 镜头序号 + 时间戳 + 分镜内容提示词】指令指引，就能实现智能分镜调度功能。而这种能精准控制每个角色的动作顺序和画面镜头调配的能力，在短视频剧情创作、IP 衍生内容生产中简直是降维打击。

测试三：基于参考视频的人物，搞定人物一致性 + 音画同步。

这里我选用的输入素材是一段林黛玉的特写，以及模版中已有的关羽形象，来一段名著大乱炖。

提示词如下： 暮春清晨，隆中茅庐外竹林青翠，薄雾如纱，屋内隐约传来抚琴之声。镜头先以全景定格——诸葛亮身着月白道袍，临窗而坐，指尖拨弄琴弦，琴声悠扬；

镜头突然切换为快速跟拍，@ 关羽走进柴门，镜头推进至中近景，大步流星到诸葛亮面前，，说「我回来了了」

镜头随着诸葛亮的眼光移动横切，@ 林黛玉 中近景缓缓入画。特写中眼眸流转着几分嗔怨与疏离：「早知他来，我便不来了。」

最终镜头切回诸葛亮收尾。

这里的难点在于：我给出了两个需要参考的主角，以及一个没有任何参考只有文字描述构建的诸葛亮形象，并且每个主角都多次引用在提示词不同位置，需要 AI 保持一致的情况下，精准控制主角行为。

可以看到，借助模态联合建模能力，万相 2.6 生成的视频里，时序动态（比如关羽的走路姿势）、情绪变化（比如林黛玉嗔怪的神情）全都和参考视频几乎一致，最惊艳的是：人物的嘴型和台词严丝合缝，声音质感没有半点 AI 塑料感。

另外，相同的人物角色，我又尝试直接给 AI 一段参考的黛玉的声音，让它自主生成视频，可以看到，我把背景音乐以及黛玉的语气改变之后，她整个人的神态也会随之变得生动活泼，并且口型与声音完全匹配。

而这段视频里，对比 Sora2，万相 2.6 的差异化优势也很明显：前者虽然支持长视频，但缺乏音频驱动生视频的功能，你没法让 Sora2 参考一段人声，生成对应角色的说话视频。而万相 2.6 直接把声音 + 画面绑定的能力，对于广告片、短剧、虚拟人直播等商用场景来说，实用性直接拉满。

03

图像能力实测：

设计圈的效率革命来了

如果说万相 2.6 的视频功能已经有了初步踏足专业影视圈的能力，那其图像能力可以说已经足以精准拿捏设计圈。

图像层面，万相 2.6 的核心升级，都围绕商用级展开：解决企业用户最关心的图文一体化排版、多图创意融合、商用级一致性、美学要素迁移与镜头光影精确控制等细节。

我们用两个真实商业场景做了实测，结果发现：以前需要设计师、插画师、排版师协作一周的活儿，现在一个人用万相 2.6 输入指令，几小时甚至几分钟就能搞定，而且细节精准到可以直接商业交付。

测试一：基于多张图片的图文混排

过去，内容创作圈的三重折磨在于：写文案的不懂设计，做设计的不懂文案，排版的夹在中间反复拉扯。比如出版社做绘本，要找作家写故事、插画师画配图、排版师调格式，三者风格要统一、内容要契合，光沟通修改就要耗半个月。

现在用万相 2.6，只要写这样一段提示词：

创作一本关于环保的儿童绘本，插画风格为治愈系水彩风，色彩以蓝白为主，每页插画要和文字内容精准对应，整体风格统一。故事内容：1、在遥远的北极，小北极熊乐乐发现冰面越来越小；2、乐乐遇见了迷路的鲸鱼，鲸鱼告诉它「人类在保护地球」；3、乐乐决定到处走走看；4、一年后，乐乐回到家乡，冰面变宽了，还多了很多小伙伴。

提示词背后的难点在于考验 AI 的逻辑理解 + 设计统筹能力：①要先拆解长文本的叙事结构，4 个段落之间剧情不能张冠李戴；②要保持插画风格、色彩、角色形象的高度统一，不能第一页是圆耳朵，第三页变成尖耳朵。

可以看到，生成的绘本不仅风格、色彩、角色完全一致，就连提示词中没有写到的文字意境也做了精准表达，比如第一页的小北极熊站在破碎的冰面上，眼神迷茫；第四页的冰面宽阔，小伙伴一起玩耍，氛围温暖。

而这也意味着，不管是绘本创作、公众号推文还是知识付费课件，后续都能实现文案输入→成品输出的一步到位，省去了找图 + 修图 + 排版的全流程，效率提升至少 10 倍。

测试二：商用级一致性 + 多图创意融合

过去，品牌方的物料噩梦在于，真人拍摄，经常因为各种情况耽误拍摄进度，需要场地加钱、模特加钱、各种设备重新报批申请；而用 AI 批量生成宣传图，AI 又像在开盲盒，只是想把产品图、背景图、参考风格图融合成一张海报，也会出现产品比例失调，背景和风格割裂，严重影响品牌识别度的问题。

针对这些，我们设计一段针对性测试。提示词： 生成美妆品牌宣传图，要求：①核心产品为上传的口红（参考图 1），保持产品外观、logo、包装细节完全一致；②融合上传的花的照片（参考图 2），背景为花瓣飘落的场景；③产品垂直摆放在画面中央，周围散落 3-5 朵花，花瓣纹理清晰；④色调光影有大片质感。

生成一张之后，我们再要求其搭配一个模特，试用产品。

提示词背后的难点在于，让 AI 同时实现精准控制 + 创意融合的双重考验：既要要确保产品的外观、logo、包装细节在两张图里分毫不差（这里我专门选择了 YSL 这样的复杂 logo，并且 YSL 的口红膏体为相对少见的方形，其他 AI 在生成时，很容易把膏体变成常见的圆形）；还要保证多图融合难在要把产品图、背景图、风格图有机结合，不能让产品像贴在背景上。

可以看到，生成的两张宣传图直接达到商用级标准。不仅所有要素之间也融合自然，并且做到了花朵背景和大片风格完美衔接完全不抢戏，主体产品突出，甚至金属包装会反射花瓣的光影这样的细节都做到了完美还原，毫无 AI 的痕迹。

这对品牌方来说，这意味着「一次设定，无限复用」，不仅可以做无限的创意搭配，还能保证品牌形象的统一性，效率革命近在眼前。

04

尾声

当然，万相 2.6 不是完美的。我们实测中发现几个小问题：比如视频最长只能 15 秒，对于需要长叙事的场景还是不够；非常复杂动作，比如翻跟头 + 复杂舞蹈动作，偶尔会出现肢体变形。但这几乎也是全行业目前亟需解决的问题。

但万相 2.6 乃至 Sora2 们微小的不足，掩盖不了一个行业真相：AI 视频生成正在从技术炫技进入落地加速阶段。AI 带来的，本质上是对内容创作生产关系的重构：不仅有大量专业影视制作平台在用 AI 制作漫剧、短剧，社交平台更是涌现了一批博主用 AI 制作的小猫打架、小说动画小短片在各种平台爆火。

基于万相 2.6 模型核心能力，千问 APP 上线「AI 小剧场」玩法，国内首次实现「角色合拍」能力，用户可与朋友或名人轻松同框出演 AI 短片。

而在这一过程中，人类只需保留想象力、审美以及创意，而剩余的执行细节，可以全部交给 AI。

这一次，有创意，就能人人当导演的时代真的来了。