12月2日，杭州 —— 今日，阿里巴巴旗下的通义实验室宣布，其官方应用“千问App”已完成重大升级，正式向国内用户免费开放两款重量级多模态AI模型：被誉为“国内最强”的视频生成模型通义万相Wan2.5，以及被称为“全球最强开源模型”的Qwen-Image的独家满血特供版。此举标志着AI内容创作的门槛被进一步拉低，普通用户也能轻松享受到前沿AI技术带来的创作乐趣。
通义万相Wan2.5是阿里巴巴在多模态生成领域的一次重大突破，被官方定位为“国内最强”的视频生成模型。其核心优势在于原生多模态架构，该架构能够实现文本、图像、音频等跨模态信息的无缝融合与深度对齐，从而生成效果极为逼真的内容。
Wan2.5最引人注目的技术特点是其原生音画同步能力。它不仅能生成最高1080P、24帧/秒的10秒高清视频，更能为视频自动配上与画面内容、人物口型精准匹配的人声（支持多人、多语言）、环境音效（ASMR）以及背景音乐（BGM）。这意味着用户只需输入一段简单的文本提示，就能得到一部“有声有色”的微型电影，极大地简化了视频创作流程。
此外，Wan2.5系列还集成了强大的图像编辑功能。用户可以通过自然语言指令，基于单张或多张参考图，实现主体一致的图像编辑与多图融合，真正做到“所想即所得”。
与Wan2.5一同上线的，是Qwen-Image模型的独家满血特供版。Qwen-Image是通义千问团队于2025年8月开源的一款全能型图像生成与编辑基础模型，因其在复杂文本渲染方面的卓越表现，被誉为“全球最强开源图像模型”。
长期以来，AI生成图像中的文字常常出现乱码或语义错误，而Qwen-Image的核心突破正是解决了这一行业难题。它能够精准地在图像中渲染复杂的中英文混合文本，支持多行布局、段落级生成，并能保留原有字体风格[[11],[16]]。这一能力使其在海报设计、广告 banner、信息图等需要图文结合的应用场景中具有无可比拟的优势。
在技术架构上，Qwen-Image采用了“三位一体”的协同设计，结合了Qwen2.5-VL语言视觉模型、VAE编码器和多模态扩散变换器（MMDiT），不仅在文本渲染上表现出色，还具备精准的图像编辑能力，支持物体的增减、风格变换以及细粒度的文字修改。
随着通义万相Wan2.5和Qwen-Image在千问App的正式上线，阿里巴巴再次展现了其在AI大模型领域的深厚积累与创新实力。这两款模型一个聚焦于音画同步的视频生成，一个专精于图文并茂的图像创作，共同构成了一个强大的多模态内容生成矩阵，为广大用户和开发者提供了前所未有的创作工具。可以预见，这将极大地激发全民的AI创作热情，推动AIGC（人工智能生成内容）生态迈向新的繁荣。