通义万相开源 Wan2.2-S2V-14B，实现图片+音频生成电影级数字人视频

Wan2.2-S2V-14B 是由阿里巴巴通义万相团队于 2025 年 8 月开源的一款音频驱动的视频生成模型。Wan2.2-S2V-14B 仅需一张静态图片和一段音频，能生成电影级数字人视频，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。

教程链接：https://go.openbayes.com/s3GyT

使用云平台：OpenBayes
http://openbayes.com/console/signup?r=sony_0m6v

登录 http://OpenBayes.com，在「公共教程」页面，选择一键部署 「Wan2.2-S2V-14B：影视级音频驱动视频生成」教程。

页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。

在当前页面中看到的算力资源均可以在平台一键选择使用。平台会默认选配好原教程所使用的算力资源、镜像版本，不需要再进行手动选择。点击「继续执行」，等待分配资源。

待系统分配好资源，当状态变为「运行中」后，点击「API 地址」边上的跳转箭头，即可跳转至 Demo 页面。
若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。
注意：推理步数越多，生成的效果越好，同时推理生成时间也会更长，请合理设置推理步数（示例一：推理步数为 10 时，生成视频大约需要 15 分钟左右）。

进入到模型页面后，首先在「Reference lmage」中上传一张图片，然后在「Audio file」中上传音频，此外还可以在「Pose Video (optional)」中上传姿态视频，在「Resolution (H*W)」中调整好分辨率后，点击「Start Generating」生成。

（由于平台限制，视频大家可以到「知乎-技术小白狮」同名文章内查看～）