Alibaba CloudのAI映像生成モデル「通義万相」がバージョン2.1にアップグレードされ、大幅な性能向上を遂げた。新モデルは、自社開発の高効率VAE（変分オートエンコーダ）とDiT（Diffusion Transformer）アーキテクチャを採用し、時間・空間の文脈理解能力を強化。これにより、1080Pの長時間動画の効率的なエンコード・デコードを実現した。特に、中国語のテキストから動画を生成する機能が初めて導入され、映像制作の幅が広がった。

このアップグレードにより、通義万相2.1は、映像生成AIの評価指標「VBench」ランキングで1位を獲得した。モデルの進化により、複雑な人物の動作やカメラワークの再現が向上。例えば、バレエやブレイクダンスなどの回転やジャンプといった激しい動きにも対応し、映像のブレを抑えつつ、安定した表現が可能となった。また、物理演算の精度も高まり、水滴の飛び散りや木彫りの削りカスなどの細かな演出もリアルに再現できるようになった。

さらに、映画のような質感やアートスタイルを適用できる機能も強化された。例えば、サイバーパンク風の夜景や、ゴシック調のダークファンタジー世界、宇宙空間のSF映像など、多様なビジュアルを生成可能だ。これに加え、映像のカラートーンや筆致を自由にカスタマイズすることで、クリエイターが求める独自のスタイルを実現できる。

通義万相2.1は、Alibaba Cloudの公式サイトで体験できるほか、企業向けには「百炼（Bailian）」を通じてAPIの提供が開始されている。今後の展開として、さらなる映像表現の向上と、クリエイティブ業界への応用が期待される。