阿里这次确实在玩真的。

Wan-S2V这个开源模型直接把数字人视频生成的门槛踩到了地板下——只需要一张照片加一段音频，就能输出带微表情、唇语同步的电影级视频。技术上看，它是在Wan-14B视频生成器上加了个音频通道，用声波控制面部肌肉运动和肢体语言。

有意思的是它的分工逻辑：文本指令负责宏观叙事（镜头运动、构图关系），音频波形处理微观细节（嘴角弧度、眉毛抬起的时机）。这种双层控制让生成的视频既不会像早期AI那样机械，又避免了纯音频驱动导致的动作泛滥。

技术上有几个反常识的设计：

1. 通过音素特征解耦，模型能区分「愤怒的高音」和「喜悦的高音」对面部肌肉的不同影响

2. 多人场景里会做主动说话者检测，确保只有发声者的嘴唇在动

3. 训练时用视觉语言模型自动生成运动描述标签，既保留文本控制力又让音频补充细节

最实用的可能是它的「唇语编辑模式」——单独圈出嘴部区域重新生成帧序列，适合影视行业的后期配音修改。不过目前生成的肢体动作还带着点「AI特有的优雅」，那种过于完美的关节转动会暴露非人类属性。

开源策略很阿里：先放基础模型占领开发者心智，等数字人直播带货的客户上门求定制。现在唯一的问题是，当任何人都能低成本生成CEO演讲视频时，我们该怎么定义「真实」？

（配图说明：因原文未提供Wan-S2V示例图片，此处建议补充实际生成效果对比图）