阿里釋出 Wan2.6：支援 15 秒多鏡頭敘事，還能原生音畫同步

做 AI 影片的人最怕兩件事：鏡頭一切角色就變臉，人物一開口嘴型和聲音完全對不上。

阿里巴巴這次釋出的原生多模態模型 Wan2.6，就是衝著這兩個痛點來的。它支援生成 15 秒、1080p 的高畫質影片，在物理運動規律和提示詞遵循能力上都有全面升級。

從單鏡頭走向自動分鏡

Wan2.6 最引人關注的能力是角色固定。只要提供一段參考影片，模型就能把裡面的真人或類人形象提取出來，放進全新的場景中，同時保持面貌和聲音的一致性，甚至支援複雜的多人及人機互動。

配合這項能力的是智慧多鏡頭敘事。輸入一段簡單的提示詞，模型會自動完成分鏡並生成包含多個鏡頭的高連貫性影片，不再停留在單鏡頭隨機抽卡。

此外，它支援原生音影片同步，能生成具備自然唇形同步的多人對話與棚級音質。在影像方面，該模型還支援精準的鏡頭和光影控制，以及藉助常識推理能力生成圖文混排的結構化故事。

為什麼重要

對影片創作者和廣告從業者來說，Wan2.6 看起來正推動 AI 生成從做碎片化素材轉向交付成片。能定角色、能自動分鏡、還能自帶對口型的對白，意味著短劇和商業短片的製作門檻將被進一步拉低。

我們認為，阿里巴巴把聲音一致性和口型同步直接做進原生模型裡，是非常實用的一步。以往創作者必須在多個生圖、換臉、配音工具之間來回倒騰，多模態一體化正在成為剛需，這也會倒逼同類影片生成工具儘快補齊音訊和連續敘事的能力。