阿里发布 Wan2.6：支持 15 秒多镜头叙事，还能原生音画同步

做 AI 视频的人最怕两件事：镜头一切角色就变脸，人物一开口嘴型和声音完全对不上。

阿里巴巴这次发布的原生多模态模型 Wan2.6，就是冲着这两个痛点来的。它支持生成 15 秒、1080p 的高清视频，在物理运动规律和提示词遵循能力上都有全面升级。

从单镜头走向自动分镜

Wan2.6 最引人关注的能力是角色固定。只要提供一段参考视频，模型就能把里面的真人或类人形象提取出来，放进全新的场景中，同时保持面貌和声音的一致性，甚至支持复杂的多人及人机交互。

配合这项能力的是智能多镜头叙事。输入一段简单的提示词，模型会自动完成分镜并生成包含多个镜头的高连贯性视频，不再停留在单镜头随机抽卡。

此外，它支持原生音视频同步，能生成具备自然唇形同步的多人对话与棚级音质。在图像方面，该模型还支持精准的镜头和光影控制，以及借助常识推理能力生成图文混排的结构化故事。

为什么重要

对视频创作者和广告从业者来说，Wan2.6 看起来正推动 AI 生成从做碎片化素材转向交付成片。能定角色、能自动分镜、还能自带对口型的对白，意味着短剧和商业短片的制作门槛将被进一步拉低。

我们认为，阿里巴巴把声音一致性和口型同步直接做进原生模型里，是非常实用的一步。以往创作者必须在多个生图、换脸、配音工具之间来回倒腾，多模态一体化正在成为刚需，这也会倒逼同类视频生成工具尽快补齐音频和连续叙事的能力。