2026-01-18 00:58:04来源： 网络作者：admin
这次实现了创作能力的全方位提升，整合了最新图像模型Qwen-Image-Edit的图像生成与修改功能，以及Wan2.5的音视频处理能力——仅凭一张图片，就能制作出口型精准、能说会唱的高清视频内容。
普通人，不会剪辑，也能直接上手做出完整的短视频内容。
01. 实测案例
我们打开千问App，在对话框上传图片，输入提示词就能直接改图。比如，把图片中的主持人变成萌宠。
提示词：把图中的两位主持人换成一只拟人化的橘猫和一只白色萨摩耶，背景不变。
点击底部“AI生视频”，我们可以用这张图片，直接生成音画同步的视频。
橘猫和萨摩耶主持的播客节目里，橘猫正手舞足蹈地吐槽着：“他居然说我们掉毛掉得太多了！” 萨摩耶则一边思索一边慢悠悠地接话：“咱们好歹还有毛可掉呢，他自己都快秃成地中海啦。” 话音刚落，两只小家伙对视一眼，顿时笑得前仰后合。
Wan2.5 根据橘猫和萨摩耶的形象，分别生成了不同的音色，并且口型和动作神态完全同步，主体的台词用引号标记，生成的会更准确。
我们再试一次，成品也是一次直出：
提示词：橘猫和萨摩耶的播客节目，萨摩耶问：“刚才主人叫你，你听见了吗？”橘猫回答：“我装作没听见，这样她就会给我开罐头。”说完，猫狗一起哈哈大笑。
以前制作这类短视频，得先弄好画面、配好音，再调整口型，要是涉及多角色对话的视频，操作起来尤其繁琐；现在只要把提示词表述清晰，短短不到5分钟就能直接生成完整的视频内容，效率提高得特别显著。
提示词：图1中的角色改变为图2中的姿势。
人物一致性保持的非常不错。Qwen-Image-Edit 不仅改变了姿势，还融合了图2中人物的饰品、花臂等特征，而且背景融合的非常自然，没有割裂感。
我们继续生成视频：
提示词：图中的男人在舞台中央表演freestyle，一边唱着：“后宫的恩怨情仇，不过是朕茶余饭后的消遣。”一边随着节奏舞动。
Wan2.5 对中文歌词和舞台表演的理解相当到位，无论是 freestyle 说唱还是富有律动的鼓点，均由 AI 自动生成；人物的口型、动作与说唱语气精准匹配，整体表演流畅连贯。
话筒支架还有一点小瑕疵，不过不影响整体观感。
提示词：图中的主体像英语老师一样在教室里讲解黑板上的英文单词。她说到：“黑板上的这个单词是 Rabbit。它的意思是：兔子。跟我一起读，Rabbit。”
主体的讲解动作和口播节奏完全同步，发音也很标准，可以直接拿来做教学素材。
还可以改编成儿歌，唱出来：
提示词：图中的主体像英语老师一样在教室里教大家唱小白兔儿歌，歌曲内容是：“Rabbit，Rabbit，小白兔， 长长耳朵红红眼，白白的毛软软肚。”
主体唱歌的时候，身体和耳朵会自然的摇摆，表情非常自然。
提示词：小猫旋转跳跃，并唱着儿歌的旋律：我是最神奇的猫咪.
模型对卡通角色识别挺准确~音色是比较稚嫩的童声，儿歌旋律纯靠模型自己推理，有点“难听”，但看起来确实好玩。
图片里的小猫踩着机械抽帧的节奏连续跳着重复舞步，双脚高速点地，动作卡顿中透着魔性，搭配上节奏感拉满的舞曲，还一边用旋律化念唱混着轻说唱的腔调唱道：“本来该从从容容、游刃有余的，哪晓得匆匆忙忙、连滚带爬，睁眼说瞎话，你哽咽个什么劲儿啦，哭什么哭啊，真没出息”。整个画面风格鬼畜又荒诞，还特别洗脑。
小猫的动作节奏感相当出色，连脖子上系的绳子都跟着节奏一起摆动，这个细节很亮眼。不过Wan2.5还是没办法识别原曲的旋律，只能根据节奏和风格自己推测旋律来创作，在生成抽象、鬼畜、搞笑类视频方面倒是很擅长。
case 6 兵马俑群体舞
提示词：图片中的所有角色一边演唱儿歌，一边整齐地做校园广播体操。
演唱内容为：“一二三四，伸伸手，二二三四，弯弯腰，天天运动身体好，我们一起做早操！”
歌曲为偏童谣风格，旋律简单、朗朗上口，音域不高，适合集体齐唱；节奏为中慢速 4/4 拍，鼓点清晰稳定，偏进行曲节奏；每一句与动作口令自然对齐。
动作涵盖抬手、伸展、左右摆臂、弯腰以及扩胸运动，幅度标准且带有机械般的一致性，整体营造出校园广播体操特有的秩序感。所有角色的动作节奏舒缓，且保持着高度的同步性，尽显校园广播体操的风格韵味。
群体动作非常整齐，同时又能和儿歌中的节奏对应，整体表现非常稳。
我加入了明确的风格和节奏提示词后，节奏感有明显地提升，生成的音乐也更贴合当前的场景设定，可控性还是很不错的。
02. 一些分享
千问App这次的核心升级在于：对提示词理解更强了，群体一致性保持的更好。
生成的歌曲不是简单地套模板，而是 AI 对音乐的理解，自己推理生成曲调、配乐、音色，和画面中的主体节奏一致，让视频整体更融洽、完整，不需要二次加工。
目前来看，千问App 的音视频一体生成能力已经比较成熟。
AI 生成的旋律并非我们熟悉的曲调，但正因为这种偏离，反而显得更可爱，也很符合当下玩抽象、玩梗的内容趋势。
以 AI 迭代的速度来看，今天只是搞抽象，再过一段时间，千问 App 也许真的会成为一个音乐大师。
更重要的是，千问 App 这次升级把内容创作的核心能力，从网页版带到了手机端。
以前做图生视频、实现音画同步，大多得在电脑上操作；如今只要拿起手机，碰到有趣的画面、冒出新奇的点子，就能马上在千问App里把它变成一段质量不错的视频。
这意味着创作开始更贴近日常场景：通勤、碎片时间、随手记录灵感的瞬间，都可以直接成为创作入口。
创作者的核心价值，也进一步从制作能力转向创意本身。
原文链接：手机也能做音画同步视频了，这才是普通人该用的工具
免责声明：文章图片应用自网络，如有侵权请联系删除
