通义万相 2.1 + 蓝耘算力，AI 视频生成的梦幻组合

在这个科技日新月异的时代，人工智能不断刷新着我们对世界的认知。一次偶然的机会，我借助北京蓝耘科技股份有限公司提供的算力支持，踏上了使用通义万相 2.1 进行 AI 视频生成的奇妙之旅。

1.1初遇蓝耘科技：

1.2通义万相 2.1：AI 视频生成的革新者:

1.3蓝耘与通义万相 2.1 的深度结合:

算力支撑层面的结合:

技术服务层面的结合:

应用拓展层面的结合:

蓝耘如何注册使用：

新手如何快速蓝耘部署通义万相 2.1：

使用蓝耘的算力资源调用通义万相的 API 完成视频生成部署：

1. 准备工作：

2. 代码效果：

3. 说明：

1.4代码调用：开启探索之门:

搭建开发环境:

安装依赖包:

简单场景视频生成:

多元素场景视频生成:

带运镜效果的视频生成:

1.5个人实践感受:

1.6蓝耘在 AI 视频生成领域的未来发展:

1.7AI 视频生成技术的现实意义:

1.1初遇蓝耘科技：

蓝耘科技，一家在信息技术领域深耕多年的企业，成立于 2004 年，注册资本 2500 万。多年来，它不仅在 IT 产品分销、系统集成等传统业务上成绩斐然，还在全国 26 个省市构建起了广泛的业务网络。2017 年成功在新三板挂牌，更是其发展历程中的重要里程碑。

近年来，随着人工智能浪潮的兴起，蓝耘科技积极转型，在 GPU 算力解决方案与算力云服务领域大展拳脚。他们为有高性能计算需求的客户提供了便捷、高效的算力支持，这为我后续使用通义万相 2.1 进行视频生成奠定了坚实的基础。

1.2通义万相 2.1：AI 视频生成的革新者:

通义万相 2.1 是阿里云通义大模型家族的杰出代表。2025 年 1 月一经推出，便在 AI 视频生成领域引起了轩然大波。它推出了极速版和专业版两个版本，在权威的 VBench Leaderboard 评测榜单上力压群雄，以 84.7% 的总分登顶。

其优势十分显著。首创的中文文字生成功能，让我们可以轻松在视频中添加具有电影级效果的中英文文字特效；在复杂运动生成方面，能稳定呈现各种高难度动作，解决了以往模型动作不协调的问题；灵活的运镜控制能力，只需在文本中描述镜头移动，就能生成节奏把控精准的视频；还能真实模拟物理规律，让生成的视频更加贴近现实。

1.3蓝耘与通义万相 2.1 的深度结合:

蓝耘科技与通义万相 2.1 的结合是一场技术与需求的完美邂逅，双方优势互补，为 AI 视频生成领域带来了新的活力。

算力支撑层面的结合:

通义万相 2.1 强大的视频生成能力背后，是对高性能算力的巨大需求。尤其是在处理复杂场景、高分辨率视频生成时，模型的运算量呈指数级增长。蓝耘科技多年来在 GPU 算力解决方案与算力云服务领域的深厚积累，正好为通义万相 2.1 提供了坚实的算力后盾。

蓝耘构建了大规模、高性能的 GPU 集群，这些集群具备强大的并行计算能力，能够快速处理通义万相 2.1 模型在视频生成过程中的复杂计算任务。通过优化硬件架构和资源分配算法，蓝耘确保了每一个使用通义万相 2.1 的用户都能获得稳定、高效的算力支持。例如，在我生成 “在繁华都市街头举行盛大派对” 这样复杂场景的视频时，如果没有蓝耘提供的强大算力，视频生成的时间可能会成倍增加，甚至可能因为算力不足而无法完成。

技术服务层面的结合:

除了算力支持，蓝耘科技还为通义万相 2.1 的用户提供了全方位的技术服务。在用户使用过程中，遇到的任何技术问题都可以及时得到蓝耘专业技术团队的支持。

对于像我这样在代码调用过程中遇到困难的用户，蓝耘的技术人员会耐心地帮助我分析问题、解决问题。当我在安装 flash_attn 依赖包遇到错误时，蓝耘的技术支持人员通过远程协助，帮我排查错误原因，并提供了详细的解决方案。他们还会定期对用户进行回访，了解用户的使用体验和需求，根据反馈不断优化服务。

应用拓展层面的结合:

蓝耘科技凭借其广泛的业务网络和行业资源，积极推动通义万相 2.1 在各个行业的应用拓展。蓝耘深入了解不同行业的需求特点，将通义万相 2.1 的技术优势与行业需求相结合，开发出一系列针对性的解决方案。

在电商行业，蓝耘与通义万相 2.1 合作，为商家提供快速、高质量的产品展示视频生成服务。商家只需提供产品的图片和简单描述，就能利用通义万相 2.1 生成生动、吸引人的视频，大大提高了商品的展示效果和销售转化率。在影视制作行业，蓝耘协助制作团队利用通义万相 2.1 进行前期创意构思和概念视频制作，缩短了制作周期，降低了制作成本。

蓝耘如何注册使用：

点击链接：https://cloud.lanyun.net//#/registerPage?promoterCode=0131

只需要两步快速完成：

新手如何快速蓝耘部署通义万相 2.1：

进入的画面：

下面我们把这段话输入进去：

在光线柔和的卧室里，晓妍慵懒地斜倚在蓬松的靠枕上，全身心沉浸于手中那方小小的世界。她的手指在手机屏幕上灵动跳跃，时而轻轻点击，时而快速滑动，如同一位娴熟的钢琴师在弹奏一首轻快的乐章。

此刻，她正刷着社交媒体，一张张精美的图片、一段段诙谐的文字让她目不暇接。看到有趣之处，她嘴角不自觉上扬，眼眸里闪烁着愉悦的光芒，发出清脆的笑声，打破了房间的宁静。偶尔，她会停下滑动的手指，歪着头思考片刻，然后在评论区迅速敲下自己的想法，点击发送后，又满怀期待地等待着他人的回复，眼神中满是专注与投入。

公交站台边，阿宇在喧嚣中站定，从兜里掏出手机。他的拇指在屏幕上机械地划动，目光紧锁屏幕，公交车进站的广播声、周围行人的嘈杂声，都被他自动屏蔽在外。手机屏幕散发的冷光映照着他略显疲惫的脸，他正浏览着体育新闻，一场激烈的篮球赛事战报紧紧抓住了他的注意力。看到支持球队获胜的消息，他微微握拳，低声轻呼 “漂亮”，眼神瞬间明亮起来，仿佛置身于热血沸腾的比赛现场，丝毫没察觉到身边乘客投来的异样目光。

生成的视频效果：

生成视频

使用蓝耘的算力资源调用通义万相的 API 完成视频生成部署：

1. 准备工作：

获取 API 密钥：在阿里云控制台获取通义万相 API 的访问密钥（AccessKey ID 和 AccessKey Secret）。
安装必要的 Python 库：使用 pip 安装阿里云 SDK 相关库。

pip install aliyun-python-sdk-core-v3
pip install aliyun-python-sdk-imagerecog

2. 代码效果：

如何使用通义万相 API 进行视频生成：

# 导入必要的库
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.acs_exception.exceptions import ClientException
from aliyunsdkcore.acs_exception.exceptions import ServerException
from aliyunsdkimagerecog.request.v20190930.GenerateVideoRequest import GenerateVideoRequest
import json# 配置阿里云客户端
access_key_id = 'your_access_key_id'  # 替换为你的 AccessKey ID
access_key_secret = 'your_access_key_secret'  # 替换为你的 AccessKey Secret
region_id = 'cn-shanghai'  # 替换为你选择的区域 IDclient = AcsClient(access_key_id, access_key_secret, region_id)# 构建视频生成请求
request = GenerateVideoRequest()
request.set_accept_format('json')# 设置请求参数
# 视频生成的文本描述
prompt = "在一个美丽的花园中，花朵盛开，蝴蝶飞舞。"
# 你可以根据需要添加更多参数，如视频时长、分辨率等
params = {"prompt": prompt,"duration": 10,  # 视频时长，单位为秒"resolution": "1920x1080"  # 视频分辨率
}
request.set_content(json.dumps(params).encode('utf-8'))try:# 发送请求response = client.do_action_with_exception(request)response_json = json.loads(response)print("视频生成请求成功：")print(response_json)# 这里可以根据返回结果进一步处理，如获取视频的下载链接等if 'Data' in response_json and 'VideoUrl' in response_json['Data']:video_url = response_json['Data']['VideoUrl']print(f"生成的视频下载链接：{video_url}")
except ClientException as e:print(f"客户端异常：{e}")
except ServerException as e:print(f"服务器异常：{e}")

3. 说明：

客户端配置：使用 AcsClient 初始化阿里云客户端，需要提供 AccessKey ID、AccessKey Secret 和区域 ID。
请求构建：创建 GenerateVideoRequest 对象，并设置请求的格式为 JSON。
参数设置：将视频生成的文本描述、时长、分辨率等参数封装在一个字典中，并转换为 JSON 字符串设置到请求内容中。
发送请求：使用 client.do_action_with_exception 方法发送请求，并处理可能的客户端异常和服务器异常。
结果处理：根据返回的 JSON 结果，获取视频的下载链接等信息。

1.4代码调用：开启探索之门:

搭建开发环境:

我首先要做的就是搭建一个合适的开发环境。我选择使用 conda 来创建一个 Python 虚拟环境，这样可以确保项目依赖的独立性。

conda create -n wan python=3.10
conda activate wan

看着命令行中虚拟环境创建成功的提示信息，我仿佛看到了一个全新的技术世界在向我敞开大门。接着，我从通义万相 2.1 的官方代码库中克隆项目代码。

git clone https://github.com/Wan-Video/Wan2.1.git

这一步就像是拿到了进入宝藏库的钥匙，让我离探索 AI 视频生成的奥秘又近了一步。

安装依赖包:

进入项目目录后，安装依赖包成了首要任务。这些依赖包是项目运行的基石，缺一不可。

cd Wan2.1
pip install -r requirements.txt

然而，安装过程并非一帆风顺。flash_attn 的安装出现了错误，错误提示信息在屏幕上不断闪烁，让我有些焦虑。我赶紧查阅官方文档和相关技术论坛，尝试了多种解决方法。最终，我决定先在 requirements.txt 中注释掉 flash_attn，完成其他依赖包的安装后，再单独安装 flash_attn。

# 先注释掉 requirements.txt 中的 flash_attn
sed -i 's/flash_attn/#flash_attn/g' requirements.txt
pip install -r requirements.txt
# 单独安装 flash_attn
pip install flash_attn

经过一番折腾，依赖包终于全部安装成功，我长舒了一口气，也更加坚定了继续探索的决心。

简单场景视频生成:

一切准备就绪后，我迫不及待地开始尝试生成视频。我先从一个简单的场景入手，打算生成一个 “清晨，一只小鸟在枝头欢快歌唱” 的视频。

from diffusers import DiffusionPipeline
import torch# 加载通义万相 2.1 模型
pipe = DiffusionPipeline.from_pretrained("Wan-Video/Wan2.1", torch_dtype=torch.float16)
# 将模型加载到 GPU 上以加速运算
pipe = pipe.to("cuda")# 设置描述视频场景的文本提示
prompt = "清晨，阳光轻柔地洒在翠绿的树枝上，一只小巧玲珑的小鸟站在枝头，欢快地歌唱着，它的羽毛在阳光下闪耀着金色的光芒。"
# 生成视频
video = pipe(prompt).videos[0]
# 保存生成的视频
video.save("bird_singing.mp4")

当我运行这段代码时，内心充满了期待。看着代码逐行执行，进度条缓缓前进，仿佛是在见证一个神奇的魔法过程。终于，视频生成完成，我兴奋地打开 bird_singing.mp4 文件，视频中的画面让我眼前一亮。小鸟的姿态栩栩如生，歌声仿佛都能透过屏幕传出来，通义万相 2.1 的强大功能让我惊叹不已。

多元素场景视频生成:

为了进一步挑战通义万相 2.1 的能力，我决定尝试生成一个包含多个元素的复杂场景视频。我想生成一个 “在一个美丽的海滨沙滩上，一群孩子在堆沙堡，海浪一波波地涌来，远处的帆船在海风中摇曳” 的视频。

from diffusers import DiffusionPipeline
import torch# 加载通义万相 2.1 模型
pipe = DiffusionPipeline.from_pretrained("Wan-Video/Wan2.1", torch_dtype=torch.float16)
# 将模型加载到 GPU 上以加速运算
pipe = pipe.to("cuda")# 设置详细的文本提示
prompt = "在一个阳光明媚的日子里，一片金黄的海滨沙滩上，一群天真可爱的孩子正兴致勃勃地堆着沙堡。他们的笑声回荡在空气中，五彩的小铲子和水桶散落在一旁。不远处，海浪带着白色的泡沫一波波地涌来，轻轻地拍打着沙滩。而在遥远的海平面上，几艘帆船在轻柔的海风中缓缓摇曳，帆影在阳光下闪烁着银光。"
# 设置负面提示，避免生成不希望出现的效果
negative_prompt = "模糊，画面抖动，颜色失真"
# 调整推理步数和引导比例以优化视频生成效果
video = pipe(prompt, negative_prompt=negative_prompt, num_inference_steps=70, guidance_scale=8.5).videos[0]
# 保存生成的视频
video.save("beach_scene.mp4")

这次生成视频的时间明显比上次长，我在等待的过程中不断想象着视频的样子。当视频最终生成时，我被眼前的画面震撼了。孩子们堆沙堡的动作生动自然，海浪的涌动和帆船的摇曳都十分逼真，仿佛我真的置身于那片美丽的海滨沙滩上。

带运镜效果的视频生成:

我还想尝试利用通义万相 2.1 的运镜控制功能，生成一个具有独特视角的视频。我打算生成一个 “在古老的城堡中，镜头从城堡的大门缓缓推进，穿过长长的走廊，最后停在一间摆满珍宝的房间” 的视频。

from diffusers import DiffusionPipeline
import torch# 加载通义万相 2.1 模型
pipe = DiffusionPipeline.from_pretrained("Wan-Video/Wan2.1", torch_dtype=torch.float16)
# 将模型加载到 GPU 上以加速运算
pipe = pipe.to("cuda")# 设置带有运镜描述的文本提示
prompt = "在一座古老而神秘的城堡中，镜头从城堡那厚重的大门开始缓缓推进，大门上的铁环在微弱的光线下闪烁着寒光。镜头沿着长长的走廊前行，走廊两侧的壁灯散发着昏黄的光，墙壁上挂着一幅幅古老的油画。最后，镜头停在一间摆满珍宝的房间，房间里的珠宝在灯光下闪耀着五彩的光芒。"
# 设置负面提示
negative_prompt = "画面卡顿，阴影不自然"
# 调整参数
video = pipe(prompt, negative_prompt=negative_prompt, num_inference_steps=80, guidance_scale=9.0).videos[0]
# 保存生成的视频
video.save("castle_journey.mp4")

运行代码后，我目不转睛地盯着屏幕，看着视频一点点生成。当我打开 castle_journey.mp4 时，那流畅的运镜效果让我仿佛亲身经历了一场城堡探险之旅，通义万相 2.1 的运镜控制能力让我大为折服。