（来源：客公园） AI潮观察 12minread 人人都能当电影导演？万相2.6杀疯了：角扮演、分镜控制，硬刚Sora2 客老友2025/12/18 摘要 有创意，就能人人当导演的时代真的来了。 作者｜Cynthia 编辑｜郑玄 还记得国庆期间朋友圈被Sora2APP支配的恐惧吗？ 那时候，一定没人想到，这个出场即炸场的产品，同样出道即巅峰。 向来以天为单位不断刷新sota表现的大模型市场，唯在生成上，此后足足两个多月，无论是谷歌veo3.1还是Runway推出的模型，都没能再现Sora2在多人物不崩脸这个小细节上的稳定表现。 直到12月16日阿里万相2.6正式发布。在追齐Sora2体验，并且推出有的音频驱动生能力之外；万相2.6的这次升级更是将视角对准了多模态内容创作中多镜头切换、内容一致的各种真实痛点，做到了让业创作的乙方少加几次班，普通的C端内容创作爱好者0成本上手。 那么万相2.6体验究竟如何？它能否和Sora2一战？一定程度上，回答了这些问题，也就回答了未来多模态大模型究竟去往何方的核心命题。 01 万相2.6究竟做对了什么？ 12月16日，阿里旗下万相2.6正式发布，我们一时间拿到了内测资格。 我们发现，这个涵盖文生、图生和角扮演功能，图像生成和文生图共5款模型的组拳产品，从功能亮点和功能丰富度角度来看，万相2.6已经是当之无愧国内的佼佼者，根据大模型评测集LMArena的测试数据显示，万相图生位居国内一。 因为相比老对手Sora通过写实生成果引发全球轰动的野心；万相这次2.6版本的能力升级其实主打就一个词，实用，并且把所有升级点砸向了影视制作、广告设计、短创作的真实痛点。 内容创作圈头疼的，莫过于一致崩塌。在传统动画行业，吉卜力工作室为了保证角形象不跑偏、风格一致，会为了一部电影，几百位画师耗时两年画十几万张画稿，4秒镜头能磨1年。而AI生成的噩梦，恰恰是前一秒主角还是圆脸，下一秒变成锥子脸，说话时嘴型和台词完全脱节。 针对这个痛点，万相2.6这次升级直接把声画一致拉满，成为国内个支持角定制+音同步的模型：用户输入一段，AI就能复刻角的五官、动作甚至说话语气，就算是双人拍，也不会出现脸飘到别人头上、镜头切换主角直接变脸的乌龙。 解决了一致，下一个拦路虎是复杂场景的多角呈现。 目前Sora2与万相2.6，是全球唯二实现该功能的模型。并且，万相2.6还能结刚才提到的角、声音一致能力，让AI真正具备了一定的复杂画面生成能力。 而建立在一致、多角的基础之上，镜头调度和灯光审美往往是人类高质量内容的灵魂。 被奉为经典的宫廷剧《金枝欲孽》片头，导演通过一段不到5秒的镜头切换里，以及演员站位的变化，就说明了五个主要人物之间的关系与感情纠葛，二十多年过去，至今仍被奉为神级镜头调度。 王家卫电影的氛围感与幽微的人物情绪流动，也有一半功劳要归给灯光师的控光。 但以前AI生成，要么镜头衔接生硬，要么角突然瞬移，上一镜在左边，下一镜直接出现在右边，更不用提各种精美的打光，以及氛围的塑造。 万相2.6的「智能分镜调度」很好地解决了以上问题，通过支持「总体描述+镜头序号+时间戳+分镜内容」的公式化输入，比如「1镜[0-3秒]远景推近，2镜[3-5秒]特写」，AI不仅能严格执行，还能保证跨镜的场景、角、氛围统一，再也不会出现「上一镜穿红衣，下一镜变蓝裙」的低级错误。 其实，万相早从2.2版本起，就已经能通过精细的灯光控制、环境细节呈现，支持日光、月光、硬光、柔光等精细调节，让AI生成的内容从「能看」升级到有「审美」，具备业级内容生成能力。 光说不练假把式，我们带着挑刺的心态实测了整整三天，从角定制到多镜叙事，从生成到图片创作，摸清了它「让人人皆可做导演」的真实水平，以及技术demo与生产级工具之间的差距。 02 能力实测： 人人都能生成神级镜头 过去很多行业测试，为了保证果，经常会让AI生成一些无声，或者画面简单的动画风素材，再或者干脆就是一个几乎静止的背景中，只有一个小幅度动作的简单运动主体（甚至都不敢把主体设置为人或者动物这样有复杂肌理和动作的形象）。 这次对万相2.6的测试，我们不搞虚的，把一致、多镜头、音画同步、长、审美，这些真实行业痛点、难点全都测一遍。 测试一：多镜头叙事 一直以来，多镜头叙事都是电影高级感的核心来源之一。这里我参考《哪吒》的画风，给了一段复杂场景、多主体的多镜头切换的提示词： 镜头一：低角度远景，镜头快速推进3s 画面内容：仙境般的云端建筑群在云雾中若隐若现，一群白鹤自左向右舒展翅膀，掠过层层楼阁的屋檐 视觉果：叠加中强度动态模糊，伴随轻微追焦微颤，焦点锁定鹤群与建筑轮廓 镜头二：中近景中速推进+追焦微颤3s 画面内容：近距离捕捉白鹤羽翼贴近檐角的流畅轨迹，镜头紧跟鹤群运动方向。视觉果的动态模糊逐渐减弱，追焦微颤幅度保持轻微，强化画面衔接感 镜头三：无缝转场，特写，镜头恒定不动0.3s 画面内容：白鹤羽翼擦过外侧屋檐翘角的瞬间，以檐角硬轮廓完全遮挡画面。无额外特，保留自然光影，确保转场干净利落 镜头四：主体聚焦，从近景→特写，镜头缓慢推近3s 画面内容：转场后聚焦檐角顶端，橘猫端坐舔爪（近景），随后推至特写，呈现舔爪细腻动作与毛发质感。画面清晰，焦点全程锁定橘猫 镜头五：特写变中近景中速推进+追焦微颤4s 画面内容：橘猫被打扰，停止舔毛，看了一眼镜头后，跳下屋檐，动作轻巧，追焦微颤幅度保持轻微，强化画面衔接感。 这里的难点在于：先是画面足够复杂，画面中主体来回切换，从飞翔的白鹤到舔毛的橘猫，再到跳下屋檐的橘猫南京隔热条PA66，而伴随主体的动作变化，镜头也在同步于远景-中景-特写-中景中来回切换。 可以看到，生成的里，生成的里，《哪吒》式的东方写意美学被落地：云雾是渐变的水墨质感，云端建筑的飞檐翘角带着古风的韵味。白鹤运动的镜头即使高速推进没有丝毫卡顿，动态模糊恰好放大了闯入仙境的沉浸感；后续橘猫舔爪的毛发细节栩栩如生，镜头也会随着橘猫的眼神变化而出现画面的移动。 难能可贵的是，三次大的镜头切换（白鹤→舔爪橘猫→跳檐橘猫）没有出现任何突兀感：鹤群的飞行轨迹是的视觉引导线，檐角转场是承上启下的视觉桥梁，橘猫的动作变化则成为镜头运动的点睛之笔。整体完全复刻电影级无缝衔接，没有任何卡顿或脱节。 测试二：长+审美 一直以来，AI生成都不难，但生成稳定、漂亮、可用的长却一直是困扰依旧的痛点。 万相2.6支持长15秒生成（角扮演功能10秒），这个时长看似不长，但刚好戳中核心场景：短场景，15秒是黄金时长、广告片场景，30秒广告可拆成2个15秒片段、而在短剧片段，10-15秒就能完成男主歪嘴一笑、龙王归位，一众吃瓜群众从白眼鄙视瞬间切换惊恐讨好的爽剧经典套路。 这里我们测试一个业服装拍摄的商用级场景，提示词如下： 镜头一：0-3秒，中景→近景。林间光斑透过树叶洒落，美女身着米白棉麻长裙，缓步走在铺满落叶的小径，裙摆随步伐轻晃暖调柔光，画面静谧，聚焦棉麻面料的垂坠感，轻柔风声、树叶沙沙声 镜头二：3-7秒，特写→中近景。风拂过，特写衣角翻飞的弧度，棉麻纹理清晰可见；镜头拉回，松鼠蹲在她脚边啄食。自然光影，无多余特，突出面料透气飘逸。风声渐柔，加入轻微呼吸声 镜头三：7-12秒，近景→特写。美女抬手轻拂额前碎发，笑容舒展，小鹿从林间探出头，与她对视；镜头聚焦面料贴肤的舒适状态画面柔和，焦点在面料与人物神态之间切换，隔热条PA66生产设备背景音渐弱，预留口号空间 镜头四：12-15秒，中景定格。美女站在林间转身，裙摆随风轻扬，小动物环绕身旁，画面定格在面料飘动的瞬间暖光渐变柔和，画面干净治愈。背景音清晰女声：「好面料，会呼吸」。 这里的难点在于，除了美之外，棉麻质感难纤维肌理，还要考虑自然垂坠与光影通透感，否则容易显塑料感，此外，画面中的小动物互动增加了整体画面复杂度，而森林光影也需要在光斑、光线折射等细节做到真实且有美感。 行业人都懂，过去这种级别的画面，以前要找外景、模特、灯光师，拍摄+后期至少3天，现在用万相2.6，输入提示词几分钟生成，直接能当成片交付。 此外，值得一提的是，万相2.6除了生成的质感高，操作门槛还低。写出以上业级分镜脚本，其实只要按照官方给出的【总体描述+镜头序号+时间戳+分镜内容提示词】指令指引，就能实现智能分镜调度功能。而这种能控制每个角的动作顺序和画面镜头调配的能力，在短剧情创作、IP衍生内容生产中简直是降维打击。 测试三：基于参考的人物，搞定人物一致+音画同步。 这里我选用的输入素材是一段林黛玉的特写，以及模版中已有的关羽形象，来一段名著大乱炖。 提示词如下：暮春清晨，隆中茅庐外竹林青翠，薄雾如纱，屋内隐约传来抚琴之声。镜头先以全景定格——诸葛亮身着月白道袍，临窗而坐，指尖拨弄琴弦，琴声悠扬； 镜头突然切换为快速跟拍，@关羽走进柴门，镜头推进至中近景，大步流星到诸葛亮面前，，说「我回来了了」 镜头随着诸葛亮的眼光移动横切，@林黛玉中近景缓缓入画。特写中眼眸流转着几分嗔怨与疏离：「早知他来，我便不来了。」 终镜头切回诸葛亮收尾。 这里的难点在于：我给出了两个需要参考的主角，以及一个没有任何参考只有文字描述构建的诸葛亮形象，并且每个主角都多次引用在提示词不同位置，需要AI保持一致的情况下，控制主角行为。 可以看到，借助模态联建模能力，万相2.6生成的里，时序动态（比如关羽的走路姿势）、情绪变化（比如林黛玉嗔怪的神情）全都和参考几乎一致，惊艳的是：人物的嘴型和台词严丝缝，声音质感没有半点AI塑料感。 另外，相同的人物角，我又尝试直接给AI一段参考的黛玉的声音，让它自主生成，可以看到，我把背景音乐以及黛玉的语气改变之后，她整个人的神态也会随之变得生动活泼，并且口型与声音完全匹配。 而这段里，对比Sora2，万相2.6的差异化优势也很明显：前者虽然支持长，但缺乏音频驱动生的功能，你没法让Sora2参考一段人声，生成对应角的说话。而万相2.6直接把声音+画面绑定的能力，对于广告片、短剧、虚拟人直播等商用场景来说，实用直接拉满。 03 图像能力实测： 设计圈的率革命来了 如果说万相2.6的功能已经有了初步踏足业影视圈的能力，那其图像能力可以说已经足以拿捏设计圈。 图像层面，万相2.6的核心升级，都围绕商用级展开：解决企业用户关心的图文一体化排版、多图创意融、商用级一致、美学要素迁移与镜头光影精确控制等细节。 我们用两个真实商业场景做了实测，结果发现：以前需要设计师、插画师、排版师协作一周的活儿，现在一个人用万相2.6输入指令，几小时甚至几分钟就能搞定，而且细节到可以直接商业交付。 测试一：基于多张图片的图文混排 过去，内容创作圈的三重折磨在于：写文案的不懂设计，做设计的不懂文案，排版的夹在中间反复拉扯。比如出版社做绘本，要找作家写故事、插画师画配图、排版师调格式，三者风格要统一、内容要契，光沟通修改就要耗半个月。 现在用万相2.6，只要写这样一段提示词： 创作一本关于环保的儿童绘本，插画风格为治愈系水彩风，彩以蓝白为主，每页插画要和文字内容对应，整体风格统一。故事内容：1、在遥远的北，小北熊乐乐发现冰面越来越小；2、乐乐遇见了迷路的鲸鱼，鲸鱼告诉它「人类在保护地球」；3、乐乐决定到处走走看；4、一年后，乐乐回到家乡，冰面变宽了，还多了很多小伙伴。 提示词背后的难点在于考验AI的逻辑理解+设计统筹能力：①要先拆解长文本的叙事结构，4个段落之间剧情不能张冠李戴；②要保持插画风格、彩、角形象的高度统一，不能一页是圆耳朵，三页变成尖耳朵。 可以看到，生成的绘本不仅风格、彩、角完全一致，就连提示词中没有写到的文字意境也做了表达，比如一页的小北熊站在破碎的冰面上，眼神迷茫；四页的冰面宽阔，小伙伴一起玩耍，氛围温暖。 而这也意味着，不管是绘本创作、公众号推文还是知识付费课件，后续都能实现文案输入→成品输出的一步到位，省去了找图+修图+排版的全流程，率提升至少10倍。 测试二：商用级一致+多图创意融 过去，品牌方的物料噩梦在于，真人拍摄，经常因为各种情况耽误拍摄进度，需要场地加钱、模特加钱、各种设备重新报批申请；而用AI批量生成宣传图，AI又像在开盲盒，只是想把产品图、背景图、参考风格图融成一张海报，也会出现产品比例失调，背景和风格割裂，严重影响品牌识别度的问题。 针对这些，我们设计一段针对测试。提示词：生成美妆品牌宣传图，要求：①核心产品为上传的口红（参考图1），保持产品外观、logo、包装细节完全一致；②融上传的花的照片（参考图2），背景为花瓣飘落的场景；③产品垂直摆放在画面中央，周围散落3-5朵花，花瓣纹理清晰；④调光影有大片质感。 生成一张之后，我们再要求其搭配一个模特，试用产品。 提示词背后的难点在于，让AI同时实现控制+创意融的双重考验：既要要确保产品的外观、logo、包装细节在两张图里分毫不差（这里我门选择了YSL这样的复杂logo，并且YSL的口红膏体为相对少见的方形，其他AI在生成时，很容易把膏体变成常见的圆形）；还要保证多图融难在要把产品图、背景图、风格图有机结，不能让产品像贴在背景上。 可以看到，生成的两张宣传图直接达到商用级标准。不仅所有要素之间也融自然，并且做到了花朵背景和大片风格衔接完全不抢戏，主体产品突出，甚至金属包装会反射花瓣的光影这样的细节都做到了，毫无AI的痕迹。 这对品牌方来说，这意味着「一次设定，无限复用」，不仅可以做无限的创意搭配，还能保证品牌形象的统一，率革命近在眼前。 04 尾声 当然，万相2.6不是的。我们实测中发现几个小问题：比如长只能15秒，对于需要长叙事的场景还是不够；非常复杂动作，比如翻跟头+复杂舞蹈动作，偶尔会出现肢体变形。但这几乎也是全行业目前亟需解决的问题。 但万相2.6乃至Sora2们微小的不足，掩盖不了一个行业真相：AI生成正在从技术炫技进入落地加速阶段。AI带来的，本质上是对内容创作生产关系的重构：不仅有大量业影视制作平台在用AI制作漫剧、短剧，社交平台更是涌现了一批博主用AI制作的小猫打架、小说动画小短片在各种平台爆火。 基于万相2.6模型核心能力，千问APP上线「AI小剧场」玩法，国内次实现「角拍」能力，用户可与朋友或名人轻松同框出演AI短片。 而在这一过程中，人类只需保留想象力、审美以及创意，而剩余的执行细节，可以全部交给AI。 这一次，有创意，就能人人当导演的时代真的来了。 万相2.6Sora2千问APP