智东西

作者 | 李水青

编辑 | 心缘

智东西 5 月 15 日报道，昨日晚间，阿里通义万相团队开源 Wan2.1-VACE（Video All-in-one Creation and Editing model，视频编辑与生成统一模型）。

这是目前业界功能最全的视频生成与编辑模型。单一模型可同时支持文生视频、图像参考视频生成、视频重绘、视频局部编辑、视频背景延展以及视频时长延展等多种生成和编辑能力，并支持多任务组合生成。

例如，Wan2.1-VACE 可将竖版《蒙娜丽莎》静态图扩展为横版动态视频，并为其 " 戴上 " 参考图中的眼镜，一次性完成画幅扩展、时长延展和图像参考三项任务。

该模型基于通义万相 V2.1 基座训练，本次共开源 1.3B 和 14B 两个版本。其中 1.3B 版（轻量级）支持 480P 视频输出，可在消费级显卡运行；14B 版（满血版）支持 480P/720P，效果更优。

开发者可在 GitHub、Huggingface 及魔搭社区下载体验，该模型还将逐步在通义万相官网和阿里云百炼上线。

开源地址：

GitHub：https://github.com/Wan-Video/Wan2.1

HuggingFace：https://huggingface.co/Wan-AI

魔搭社区：

https://www.modelscope.cn/organization/Wan-AI?tab=model

一、单一模型搞定视频生成和编辑

Wan2.1-VACE 定位为 " 视频领域的全能模型 "，支持全部主流输入形式，涵盖文本、图像、视频、Mask 和控制信号，可以实现角色一致性、布局、运动姿态和幅度等要素的控制。

主要能力覆盖了：

1. 视频重绘：支持通过景深、姿态、运动轨迹等多维度控制条件生成新视频。

2. 局部编辑：实现视频对象的增删改，例如擦除人物、替换物体（如熊猫变狮子）。

3. 图像参考生成：支持单图 / 多图作为主体或背景参考，例如将卡通形象与实景结合。

4. 背景延展：自动扩展视频画幅（如横屏变超宽屏），或生成新背景替换绿幕。

5. 时长延展：支持在时域上的生成变化，如帧延续、片段延续、相接等。

6. 基础生成：基础的文生视频、图生视频、首尾帧等。

二、多任务组合，一次性完成视频增删改扩

Wan2.1-VACE 的核心突破在于单模型支持多任务灵活组合处理，无需传统多模型串联的复杂工作流。

其支持任意基础能力的自由组合，用户无需针对特定功能训练一个新的专家模型，即可完成更复杂的任务，极大地扩展了 AI 视频生成的想象空间。

例如：在视频中框选区域替换为猫，同时参考原视频动作序列和新猫图片，实现局部编辑 + 动作迁移。

这种灵活的组合机制，不仅大幅简化创作流程，也极大拓展了 AI 视频生成的创意边界，例如：

组合图片参考 + 主体重塑功能 → 视频中物体替换

组合运动控制 + 首帧参考功能 → 静态图片的姿态控制

组合图片参考 + 首帧参考 + 背景扩展 + 时长延展 → 将竖版图拓展为横屏视频，并且在其中加入参考图片中的元素。

三、模型亮点解读：统一四大输入，破解多模态难题

Wan2.1-VACE 基于通义万相文生视频模型研发，同时创新性提出了全新的视频条件单元 VCU，它在输入形态上统一了文生视频、参考图生视频、视频生视频、局部视频生视频 4 大类视频生成和编辑任务。

视频条件单元 VCU 将多模态的各类上下文输入，总结成了文本、帧序列、Mask 序列三大形态，在输入形式上统一了 4 类视频生成与编辑任务的统一。VCU 的帧序列和 Mask 序列在数学上可以相互叠加，为多任务的自由组合创造条件。

同时，Wan2.1-VACE 还进一步解决了多模态输入的 token 序列化难题，将 VCU 输入的帧序列进行概念解耦，分开重构成可变序列和不可变序列后进行编码。

结语：视频生成技术进化，从单任务向多任务组合迈进

通义万相 Wan2.1-VACE 的推出，体现了视频生成技术从单任务向多任务组合迈进的趋势。其开源策略或有望降低 AI 视频创作门槛，从而进一步推动生成式 AI 在影视、广告等领域的应用。

自今年 2 月以来，通义万相已先后开源文生视频模型、图生视频模型和首尾帧生视频模型，目前在开源社区的下载量已超 330 万，在 GitHub 上斩获超 1.1w star，是同期最受欢迎的视频生成模型。