阿里通義萬相宣布 “首尾幀生視頻模型” 開源。該模型參數(shù)量達(dá)140億，是業(yè)界首個百億參數(shù)規(guī)模的開源首尾幀視頻模型。用戶只需指定開始和結(jié)束圖片，它就能生成一段能銜接首尾畫面的720p高清視頻，滿足用戶更可控、更定制化的視頻生成需求。?

相較于文生視頻、單圖生視頻，首尾幀生視頻的可控性更高，是AI視頻創(chuàng)作者最青睞的功能之一。但這類模型的訓(xùn)練難度較大，要同時滿足指令遵循、視頻內(nèi)容與首尾幀一致性、視頻過渡自然流暢性等多項高要求。?

基于現(xiàn)有的Wan2.1文生視頻基礎(chǔ)模型架構(gòu)，通義萬相首尾幀生視頻模型引入了額外的條件控制機(jī)制，實現(xiàn)流暢且精準(zhǔn)的首尾幀變換。在訓(xùn)練階段，團(tuán)隊構(gòu)建了專門用于首尾幀模式的訓(xùn)練數(shù)據(jù)，同時針對文本與視頻編碼模塊、擴(kuò)散變換模型模塊采用并行策略，提升了模型訓(xùn)練和生成效率，保障了高分辨率視頻生成效果。在推理階段，為在有限內(nèi)存資源下支持高清視頻推理，模型分別采用模型切分策略以及序列并行策略，在確保推理效果無損的前提下，顯著縮短推理時間。?

基于該模型，用戶能完成更復(fù)雜、更個性化的視頻生成任務(wù)。例如，上傳相同位置不同時間段的兩張外景圖片，輸入一段提示詞，就能生成一段四季交替變化或者晝夜變化的延時攝影效果視頻；上傳兩張不同畫面的場景，通過旋轉(zhuǎn)、搖鏡、推進(jìn)等運鏡控制銜接畫面，既能保證視頻和預(yù)設(shè)圖片一致性，又能讓視頻擁有更豐富的鏡頭。?

用戶可在通義萬相官網(wǎng)直接免費體驗該模型，也可在Github、Hugging Face、魔搭社區(qū)下載模型進(jìn)行本地部署和二次開發(fā)。此次開源，有望進(jìn)一步推動AI視頻生成技術(shù)的發(fā)展與應(yīng)用，為創(chuàng)作者提供更強(qiáng)大的創(chuàng)作工具。

阿里云宣布，已將旗下人工智能視頻生成模型免費開放，這是阿里云為開源社區(qū)貢獻(xiàn)力量的又一重要舉措。作為云計算領(lǐng)域的重要企業(yè)，阿里云此次開源的是其Wan2.1系列中140B參數(shù)版本和13B參數(shù)版本的四個模型，這四個模型均為視頻基礎(chǔ)模型通義萬相的最新版本。

這四款模型分別為T2V-14B、T2V-1.3B、I2V-14B-720P和I2V-14B-480P，主要功能是基于文本和圖像輸入，生成高質(zhì)量的圖像與視頻。全球范圍內(nèi)的學(xué)術(shù)界、研究人員以及商業(yè)機(jī)構(gòu)，均可在阿里云AI模型社區(qū)Model Scope和協(xié)作AI平臺Hugging Face上進(jìn)行下載使用。

Wan2.1系列模型在今年年初發(fā)布，它是業(yè)界首個支持中英文文本效果的視頻生成模型。

該模型通過對復(fù)雜動作的精準(zhǔn)處理、像素質(zhì)量的提升、物理原理的遵循以及指令執(zhí)行精度的優(yōu)化，能夠生成極為逼真的視覺效果。憑借對指令的精確遵循，Wan2.1在視頻生成模型綜合基準(zhǔn)測試套件VBench排行榜上榮登榜首，并且是Hugging Face VBench排行榜前五名中唯一的開源視頻生成模型。

根據(jù)VBench的測試結(jié)果顯示，Wan2.1系列整體得分達(dá)到86.22%，在動態(tài)度、空間關(guān)系、色彩、多物體交互等關(guān)鍵維度上均處于領(lǐng)先地位。

訓(xùn)練視頻基礎(chǔ)模型不僅需要龐大的計算資源，還依賴大量高質(zhì)量的訓(xùn)練數(shù)據(jù)。阿里云開放這些模型的訪問權(quán)限，有助于降低更多企業(yè)運用人工智能的門檻，讓企業(yè)能夠以經(jīng)濟(jì)高效的方式，創(chuàng)建出符合自身需求的高質(zhì)量視覺內(nèi)容。

具體來看，T2V-14B模型在創(chuàng)建具有大量運動動態(tài)的高質(zhì)量視覺效果方面表現(xiàn)更為出色；而 T2V-1.3B模型則在生成質(zhì)量和計算能力之間實現(xiàn)了良好平衡，對于進(jìn)行二次開發(fā)和學(xué)術(shù)研究的廣大開發(fā)人員來說，是較為理想的選擇。舉例來說，使用標(biāo)準(zhǔn)個人筆記本電腦的用戶，借助T2V-1.3B模型，僅需4分鐘就能生成一段分辨率為480p、時長5秒的視頻。