Wan2.2-S2V 是开源的多模态模型，仅需一张静态图片和一段音频，能生成电影级，视频时长可达分钟级，支持多种图片类型和画幅。用户通过输入文本提示，可对视频画面进行控制，让画面更丰富。模型融合多种创新技术，实现复杂场景的音频驱动视频生成，支持长视频生成及多分辨率训练与推理。模型在数字人直播、影视制作、AI教育等领域有广泛应用。

Wan2.2-baidu09S2V – 阿里通义开源的多模态视频生成模型 第1张
（图片来源网络，侵删）
Wan2.2-baidu09S2V – 阿里通义开源的多模态视频生成模型 第2张
（图片来源网络，侵删）