Wan2.2-S2V 是阿里云开源的一款多模态视频生成模型，该模型专为音频驱动的电影视频生成而设计，其核心功能是通过一张静态图片和一段音频，自动生成电影级质量的数字人视频。不仅在语音和歌唱的场景中表现出色，在满足对细腻的角色互动、逼真的身体动作和动态摄像工作的需求下，尤其对电影情境下视频生成显著增强了表现力和保真度。
主要特点
输入简单：只需一张图片（真人、卡通、动物等均可）和一段音频（如说话、唱歌），就能让图片"动起来"。
效果逼真：生成视频的口型与音频精准同步，面部表情自然，肢体动作流畅，甚至能模拟弹钢琴时手指的细节动作。
支持长视频：单次可生成分钟级时长的视频，远超同类模型的生成能力。
灵活控制：通过文本提示（Prompt）可调整视频内容，比如改变人物动作或背景。
音频驱动：结合全局运动控制和局部细节优化，确保口型、表情与音频高度匹配。
应用领域
数字人直播：快速生成虚拟主播，实现24小时不间断直播，降低人力成本。
影视制作：用于角色预演、动画短片生成，加速创作流程。
音乐视频：对于音乐视频来说，这个模型可以生成与音乐同步的人物表演视频，让音乐视频更加生动有趣。
广告创意：在广告制作中，Wan-S2V 可以用来快速生成各种创意视频，比如产品展示、品牌宣传等，提高广告的制作效率。
AI教育：将教材内容转化为生动讲解视频，提升学习体验。
虚拟偶像：为卡通或数字人形象赋予表演能力，如唱歌、跳舞等
使用教程： （建议N卡，显存12G起，支持50系显卡）
分别下载一键包主体和模型文件（ComfyUI文件夹），解压一键包主体后，将模型（ComfyUI文件夹）移动到一键包主体下即可。
双击启动，进入WebUI后，点击左侧的 工作流，选择Wan2.2-S2V-GGUF.json
上传图像和音频，调节生成时长（生成下的length，16帧为一秒，比如81帧，即生成5秒长度），输入提示词，最后点下方的运行即可。
2025年9月5日，更新最新V10模型，大家可以根据需要下载，然后在unet模型切换到V10。
下载地址：点此下载