Alibaba Wan 2.6 AI動画生成 | Veemo AI

キャラクターの外見と声を含む参照動画を提供し、テキストで各新しいシーンを説明します。Wan 2.6はキャラクターの顔・服装・体のプロポーション・声のティンバーを保ちながら、まったく異なる環境に配置した後続のショットを生成します。これにより、手動でつなぎ合わせた単一ショットモデルに見られるアイデンティティのズレなく、複数のクリップにわたるナラティブアークを構築できます。

Wan 2.6は自然なリップシンクによる対話・周囲の環境音・フォーリー効果音を単一の生成パスで制作します。各話者が独自の声を維持する複数人の会話もサポートしています。オーディオは動画生成後に重ねられるのではなく、両モダリティが共同制作されるため、アフターダブワークフローでよくある時間的なミスマッチが解消されます。

3つの主要なアップグレードがあります：最適化された拡散スケジューラーによる30%の生成速度向上、Wan 2.5には全くなかったネイティブな音声・映像の共同生成、そして参照動画サポートを含むマルチショットシーンの連続性です。また、複数の被写体と空間関係を含む複雑な構図指示に対するプロンプト理解力も向上しています。

個々のクリップは1080p解像度で最大15秒まで生成できます。より長いナラティブには、マルチショットシステムを使用して複数の15秒ショットをつなぎ合わせます。各新しいクリップは参照からビジュアルとオーディオの連続性を引き継ぎます。このアプローチにより、各生成を高速かつ制御可能に保ちながら、数分間の一貫したコンテンツへとスケールアップできます。

はい、これはWan 2.6の際立った機能の一つです。2人以上のキャラクター間の会話を記述すると、モデルは各人物が異なるリップムーブメント・声のトーン・タイミングで話す映像を生成します。ターンテイキングはロボット的ではなく自然に感じられ、プロンプトで指示した場合はアクティブな話者を追うようにカメラフレームが調整されます。

明確な照明とほぼ正面からのアングルでキャラクターの顔を映した3〜5秒のクリップと、少なくとも数語の発話が必要です。モデルはこの参照から顔の形状・肌の色調・髪型・服のディテール・声の特徴を抽出します。参照動画では強いフィルターや極端なアングルを避けてください。これらは生成シーンにアーティファクトを引き起こす可能性があります。

Wan 2.6は、オープンソースのWan 2.5ラインを継ぐAlibabaの現在のフラッグシップ動画生成モデルです。Wan 2.5はよりシンプルなタスクに対して引き続き利用可能でコスト効率が高いですが、Wan 2.6はAlibabaのオーディオ付きナラティブグレード動画AIへの取り組みを代表しています。マルチショットと対話機能により、ストーリーテリングアプリケーションでGoogleのVeoラインの直接的な競合モデルとして位置付けられています。