アリババが「Wan2.6」発表：15秒のマルチカット生成やネイティブ音声同期に対応

Alibaba は、動画および画像生成のためのネイティブマルチモーダルモデル「Wan2.6」を発表しました。AI 動画制作における長年の悩みだった、カットごとのキャラクターのブレや音声とのズレの解消を目指しています。

Wan2.6 は、15 秒間の 1080p フル HD 動画を生成でき、物理的な動きの自然さやプロンプトへの追従性が向上しています。

単一クリップから自動絵コンテへ

最大の特徴は「Starring」機能です。参照動画から人間や擬人化キャラクターの特徴を抽出し、外見と声の一貫性を保ったまま新しいシーンへ配置できます。複数人による対話や物体との複雑な相互作用にも対応します。

さらに、シンプルなプロンプトから自動で絵コンテを構成し、視覚的な一貫性を保った複数カットの動画を生成するインテリジェント・マルチショット機能を搭載しています。

加えて、スタジオ品質の音声と自然なリップシンクを同時に実現するネイティブ音動画同期機能も備えています。画像生成においても、緻密なカメラアングルやライティング制御、現実世界の知識を活用した図文混排のストーリー生成に対応します。

なぜ重要か

クリエイターにとって、Wan2.6 は断片的な素材出しの段階から、一貫した短編作品を仕上げる段階への前進に見えます。キャラクターの固定、マルチカットの構成、口パクの同期が単一モデルで完結すれば、制作の手間は大幅に削減されます。

私たちは、音声や絵コンテ機能をネイティブに統合した点こそが極めて実用的だと考えます。動画生成モデルの競争軸は、単なる1カットの画質競合から、ストーリー制作ワークフロー全体の効率化へと確実にシフトしています。