阿里雲通義萬相 Wan 是什麼？ AI 視覺生成引擎，加速企業內容創新

在前文中，我們已經介紹了阿里雲通義家族的整體架構，以及作為核心語言模型的通義千問，說明其如何在文字理解、推理與企業應用場景中發揮關鍵角色。然而，生成式 AI 的應用並不僅止於文字。隨著企業對影像、影片與多媒體內容的需求日益增加，AI 能否有效理解並生成視覺內容，也逐漸成為下一個重要關鍵。

家族中的創意感官：從文字走向視覺

如果說通義千問扮演的是家族中的理性大腦，負責文字理解、邏輯推理與決策支援，那麼通義萬相(Wan)，則更像是家族中的「創意感官」，讓 AI 開始具備理解並生成視覺內容的能力。

面對影像與影片這類高度視覺化、情境化的內容，AI 不僅需要辨識畫面中的物件與元素，更必須理解其背後的語意、關係與創作意圖。通義萬相正是以此為核心設計，將生成式 AI 的能力，從語言延伸至影像與影片，讓 AI 不只停留在看得懂，而是真正能做得出來。

這樣的能力轉變，使得 AI 得以從輔助分析工具，進一步參與企業的內容產製與創作流程，成為推動影像、影音與多媒體應用的重要基礎，也讓通義家族的整體 AI 能力，從理解與推理，走向更完整的多模態生成。

三大視覺化作業核心能力

而對企業來說，視覺生成的核心價值，在於精準解決從素材產出到優化繁瑣內容作業流程。例如，如何快速產出多版素材、如何把既有圖片改成符合活動主視覺的版本、如何替換商品或文案但保持整體風格一致，以及如何把靜態畫面延伸成更具表現力的動態內容。

通義萬相正是圍繞這些需求打造，並可歸納為三大核心方向：
1. 圖片生成——用更低門檻的方式快速產出可用的視覺化素材
2. 圖片編輯——讓素材能依修改進行反覆修改及優化
3. 影片生成——讓內容從靜態走向動態，支援更豐富的內容呈現與應用場景
以下將依此順序展開介紹。

圖片生成：突破想像，精準設計

通義萬相的圖片生成能力，可依照文字描述或視覺需求，快速產出具備實際應用價值的專業級圖片，協助企業在內容製作初期，就建立出可直接使用的視覺素材。例如：廣告公司針對品牌廣告提案時，可使用 AI 快速生成具備創意概念的圖片，快速讓品牌方理解創意概念，而非受限於傳統設計流程的冗長等待與高額成本。

重點特色

1. 指令理解力高，生成結果更貼近實際需求
   能準確理解指令中的情境、構圖與風格設定，將抽象描述轉化為具體畫面，減少反覆調整提示詞所需的時間與成本。
2. 專業級視覺品質，兼顧寫實與多元風格表現
   在光影、材質與畫面層次上具備良好表現，可產出接近實拍質感的圖片，同時支援多樣化藝術風格與品牌視覺需求。
3. 高效率多樣產出，支援各式內容製作情境
   能快速生成多種版本的視覺素材，包含圖文整合設計與專業圖表等內容，協助企業提升素材製作效率，加速內容更新。

運用文字生成的具現代感的人物圖像

可調整圖片大小(size)、圖片生成數量 (n)、隨機數(seed) 生成更多樣的圖片

圖片編輯：多樣風格，精準切換

通義萬相的圖片編輯能力，讓企業不必每次都重新生成素材，而是能在既有畫面的基礎上，依實際需求進行精準調整與優化，讓 AI 成為能與團隊協作的內容製作輔助工具。在電商業者中，若遇到節慶，需大量產製相關的行銷廣告素材，此時通義萬相，可依照風格化與情境切換，避免重新拍攝，例如：端午節慶家家要買烤肉醬，那電商團隊僅需提供一高品質的產品原圖，以對話式指令編輯圖片：「請將烤肉醬放在一群朋友在河堤烤肉的熱鬧情境中」，即可得到一行銷廣告素材，無須進行拍攝。

重點特色

1. 對話式指令編輯，支援精準修改與多次調整
   可透過自然語言下指令調整畫面內容，支援多次修改與細節微調，減少反覆重做素材所耗費的時間與成本。
2. 精準編輯，滿足專業修圖需求
   能針對畫面中特定區域進行細節調整與內容修改，確保編輯結果符合專業級視覺品質，適用於產品圖片、行銷素材與設計應用。
3. 多圖參考與高度一致性呈現
   可上傳最多4張圖片作為參考，維持角色、風格與視覺元素的一致性，讓不同素材與版本之間，仍能維持穩定的視覺表現。

以下示範，使用通義萬相將兩張圖片的生成新圖片，並編輯照片細節。

• Step1：下精準的 prompt –「請將兩張圖片結合，背景放第二張有花及陽光的照片，將撐傘藍色小精靈融入於第二張圖片中，並將藍色小精靈的表情改為微笑。圖片色調請以第二張為主」 

• Step2：完成

影片生成：影音同步，質感升級

通義萬相的影片生成能力，支援文字、圖片與聲音等多種輸入形式，讓企業能以更直覺的方式產出具備一致風格與流暢動態的影片內容，並可實際應用於行銷、展示與多媒體溝通的情境。企業在製作單一產品的短影音，需經過腳本撰寫、配音錄製、素材拍攝/設計、影片剪輯等環節，流程複雜且耗時。要同步應對多達十幾種語言和不同的地區文化風格，製作成本與時間壓力極高。然而，通義萬相的影片生成能力正是為了解決這些挑戰，讓企業能以更直覺、高效率的方式，突破內容產製的瓶頸，實現影音內容的規模化與在地化。

重點特色

1. 多模態輸入，影片生成更有彈性
   可根據文字描述生成影片，也能以圖片作為基礎，進一步製作成動畫效果，並可輸入音軌同步進行影片產出，讓影片製作不再受限於單一素材形式。
2. 影音同步生成，強化內容表現力
   支援將旁白或聲音內容與影片同步製作，呈現出自然的畫面節奏與聲音表現，適合用於產品介紹、教學說明與宣傳影片等場景。
3. 電影級品質，確保穩定呈現
   在動態表現與畫面結構上具備良好穩定度，可產出高解析度的影片內容，確保角色、風格與畫面氛圍的一致性，滿足企業對專業影片品質的基本需求。

以下將展示通義萬相，利用文字指令，生成一隻高品質的動畫廣告片。

• Step1：運用文字生成的可愛動畫，Prompt：「一隻可愛的動畫河馬在現代辦公室裡泡咖啡。河馬有圓潤柔軟的身體、大眼睛和溫暖的微笑，穿著休閒但帶有職場感的服裝（例如格紋襯衫或針織背心）。場景為明亮溫暖的辦公環境中」
• Step2：可依照文字產出高品質的影片，藉由側邊欄位進行解析度、畫面大小、影片時長、隨機數、鏡頭角度、音訊生成等調整，增加影片完整性

*智慧擴寫：開啟後，大模型會評估目前的Prompt進行改寫，可彌補Prompt過短而生成效果不佳的問題

• Step3：成品展現

通義萬相的能力演進：Wan 2.6的核心強化

於 2025 年底，阿里雲正式推出最新的 Wan 2.6 版本，其視覺生成能力已從早期著重生成效果，進一步演進為更強調穩定性、一致性與實際可用性的成熟階段。隨著企業對圖片、編輯與影片等視覺應用需求日益提高，通義萬相也持續針對內容製作流程中的實務痛點進行優化，使 AI 生成結果能更順利地被納入實際工作流程中使用。

Wan 2.6 的關鍵特色

基於最新一代模型架構，Wan 2.6 在影片生成能力上，聚焦於參考一致性、音畫整合與敘事表現等關鍵面向，以下為其核心強化重點：

• 多模態參考影片生成
  支援文字、圖片與音訊等多種輸入形式，並可透過短影片或角色參考，準確複製人物、動物或物件的外觀與聲音特徵，確保影片在生成過程中維持高度一致的視覺與聲音表現。
• 原生影音同步產出
  強化聲音與畫面的同步能力，支援多角色對話、旁白與音樂表現，使影片在敘事節奏、聲音質感與畫面動態上更加自然一致，提升整體觀賞體驗。
• 智慧多鏡頭敘事能力
  能理解自然語言或鏡頭導向的指令，自動規劃多個鏡頭與畫面段落，在無需手動剪輯的情況下，維持角色、風格與故事脈絡的一致性。
• 高品質長時影片輸出
  支援長達 15 秒鐘的 1080P 影片生成，在畫面細節、動態流暢度與整體美術表現上皆有提升，適用於行銷、品牌內容與專業影音應用。

阿里雲 Wan 2.6官方宣傳影片

Wan 2.5 與 Wan2.6 的主要差別

 

通義萬相，為企業拓展AI視覺新饗宴

整體來看，通義萬相並非單一模型或單點功能，而是一套包含圖片生成、圖片編輯與影片生成的完整視覺生成能力體系。透過持續的模型演進與能力整合，通義萬相正逐步將生成式 AI 從輔助創作工具，推進為能實際支撐企業內容製作流程的核心技術。隨著最新版本 Wan 2.6 的推出，通義萬相在穩定性、一致性與影音品質等關鍵面向已達到更成熟的水準，進一步驗證其在企業視覺應用場景中的可行性與實用性。這也使企業能更安心地將 AI 視覺生成導入行銷、品牌、多媒體內容與內部溝通等實際應用中。

身為阿里雲專業合作夥伴，宏庭科技擁有豐富的阿里雲服務經驗，結合阿里雲強大的產品能力及技術支援，從需求評估、技術規劃到環境建置皆可提供完整支援，確保您的專案能獲得最高品質的支援與維護，從而專注於業務創新。

立即聯繫宏庭科技，獲取通義萬相專業諮詢