ИИ-генератор видео Alibaba Wan 2.6 | Clivio AI

Вы предоставляете референсное видео с внешностью и голосом вашего персонажа, а затем описываете каждую новую сцену текстом. Wan 2.6 генерирует последующие кадры, сохраняя лицо, одежду, пропорции тела и тембр голоса персонажа, помещая его в совершенно другие окружения. Это позволяет вам выстраивать нарративную дугу в нескольких клипах без дрейфа идентичности, который характерен для склеенных вручную одиночных кадров.

Wan 2.6 создаёт диалог с естественной синхронизацией губ, фоновые звуки окружения и эффекты фоли за один проход генерации. Поддерживаются разговоры нескольких персонажей, где у каждого говорящего сохраняется отличительный голос. Аудио не накладывается после генерации видео — обе модальности создаются совместно, что устраняет временны́е рассогласования, характерные для дублированных рабочих процессов.

Три ключевых улучшения: скорость генерации возросла на 30% благодаря оптимизированному диффузионному планировщику; добавлена нативная аудиовизуальная со-генерация, полностью отсутствовавшая в Wan 2.5; реализована многокадровая непрерывность сцен с поддержкой референсного видео. Понимание запросов также стало точнее, особенно для сложных композиционных инструкций с несколькими объектами и пространственными взаимосвязями.

Отдельные клипы воспроизводятся до 15 секунд при разрешении 1080p. Для более длинных повествований вы объединяете несколько 15-секундных кадров с помощью системы многокадрового повествования, где каждый новый клип наследует визуальную и аудиальную непрерывность из референса. Такой подход масштабируется до нескольких минут связного контента, сохраняя быструю и управляемую генерацию каждого кадра.

Да, и это одна из его выдающихся возможностей. Вы можете описать разговор двух и более персонажей, и модель генерирует каждого говорящего с отличительными движениями губ, тоном голоса и тайминговой организацией. Смена реплик ощущается естественно, а не роботизированно; при соответствующем запросе кадрирование камеры адаптируется для следования за активным говорящим.

Клип длительностью 3–5 секунд, показывающий лицо персонажа примерно с фронтального ракурса при хорошем освещении и с хотя бы несколькими произнесёнными словами. Модель извлекает геометрию лица, тон кожи, причёску, детали одежды и голосовые характеристики из этого референса. Избегайте сильных фильтров или экстремальных ракурсов в референсе, так как они могут привносить артефакты в генерируемые сцены.

Wan 2.6 — нынешняя флагманская модель генерации видео Alibaba, пришедшая на смену серии с открытым исходным кодом Wan 2.5. Хотя Wan 2.5 по-прежнему доступна и экономична для более простых задач, Wan 2.6 представляет стремление Alibaba к нарративному видео-ИИ с аудио. Возможности многокадрового повествования и диалога позиционируют её как прямого конкурента линейки Google Veo в приложениях для сторителлинга.