9月19日，在杭州云栖大会的主屏幕上，随着“穿着滑冰鞋的小兔子在冰面上灵活移动的可爱场景”文字的输入，通义万相仅用数分钟就能生成一段高清、逼真的视频。这是阿里云CTO周靖人首次对外演示通义万相视频生成模型强大的运动生成和概念组合能力。
据介绍，通义万相全新视频生成模型，可生成影视级高清视频，可应用于影视创作、动画设计、广告设计等领域。即日起，所有用户可通过通义APP及通义万相官网免费体验。
当前，通义万相已经首批上线文生视频、图生视频功能，在文生视频功能中，用户输入任意文字提示词，即可生成一段高清视频，支持中英文多语言输入，并可以通过灵感扩写功能智能丰富视频内容表现力，支持16:9、9:16等多种比例生成；在图生视频功能中，支持用户将任意图片转化为动态视频，按照上传的图像比例或预设比例进行生成，同时可以通过提示词来控制视频运动。
据介绍，通义万相视频生成大模型集成了多项创新技术，能有效解决画面表现力和大幅度运动等视频生成技术难题。针对运动生成和物理模拟等难点优化算法，实现了大幅度主体运动和运镜控制，并有效模拟真实世界物理特性；设计了高压缩比、高质量视频VAE框架，有效降低视频信息冗余，并保持高质量视频重构能力。同时，基于轻量微调框架和精选数据集优化训练，通义万相视频生成大模型更懂“中国话、中国风”，尤其在中式传统元素、风格化视频生成上表现更好。
自去年7月，通义万相图像生成大模型首次亮相，目前已累计生成7500万张图片。云栖大会现场，通义万相宣布视觉生成大模型全面升级为Diffusion Transformer框架，同时结合通义千问复杂提示词解释能力，有效提升画面表现力、语义理解能力、可控生成能力。随着通义万相视频生成模型的发布，通义大模型已覆盖文本生成、图像理解、视频理解、音频理解、图像生成、视频生成等全模态场景。
