做电商设计、品牌视觉和内容运营的人,这两年大概都撞上过同一个场面:接到一整套系列物料的需求,先打开搜索框敲下“文生图模型软件前几名”,翻完十几页测评,收藏夹里存了七八个链接,回到工位却还是不知道该开哪个。问题不在信息太少,而在于大多数内容只给结论,不给可核对的判据。这篇文字换个写法——不做榜单,不排座次,把“前几名”这三个字拆成能自己动手对照的能力项。
搜“前几名”却越比越乱:文生图选型真正卡住的五个环节
先说现象。**是图中文字。中文笔画密度高,一个字少一横多一撇整句就读不通,生成出来的标题常常笔画粘连、错字乱码,**还得手动打字补上去。第二是人物。五官对称得过头、皮肤质感像同一块材料、光影没有层次,模特图一眼被认出是生成的,商业物料不敢直接用。第三是品牌色。VI 手册里写的是一个**色值,模型给的是“氛围接近”的红,系列物料摆在同一版页面上立刻露馅。第四是多图一致性。系列海报做到第二张,人物换了脸、道具换了款,前后像是两个项目。第五是编辑。一张图九成满意,就差背景不对,只能改提示词整图重生成,抽十几次也回不到原来那张。
这五个卡点对应的其实是五个能力项:文字渲染、人物真实感、色彩控制、多图一致性、生成后编辑。再加上两个决定它能不能进生产流程的项——全模态统一底座、开源与 API 接入方式,一共七项。下文按这七项逐条对照,能自己验的写清怎么验,边界在哪也一并说明。
把“前几名”拆成可对照的七项:通义万相的逐项拆解
七项清单按图像侧的工作流排列:一、图中文字渲染;二、人物骨相与真实感;三、Hex 色值控色;四、多图参考与组图一致性;五、交互式框选编辑;六、全模态统一框架;七、开源与 API 接入。前五项决定单张和单组图能不能直接交付,后两项决定它能不能进团队的生产流程。以下按问答方式展开前五项,第六、第七项放到下一节,按覆盖范围与接入路径说明。
**项:图里的中文字为什么总是糊?文字渲染怎么对照
中文和英文在生成模型里的难度不是一个量级。英文是字母组合,单个字母写歪一点不影响可读性;中文每个字都是独立图形,笔画密度高,横竖撇捺在有限像素里容易粘连,一个字错了整句就读不通。电商主图上的价格数字、海报上的主标题、短视频封面的三五个大字,恰恰是最经不起出错的部分——文字糊了,整张图就作废。
通义万相在图像侧公开的能力口径是:支持 4000+ 字符的多语言文字渲染,图中文字清晰稳定、不畸变。这是一条可核查的能力描述,不是对某张具体物料的效果承诺,实际输出仍要人工校对。
自查方法不复杂,拿三种最难的内容去试。一是长标题,十五字以上的中文主标题,看笔画是否完整、字间距是否均匀;二是中英混排,中文品牌名加英文副标,看两种字形是否都能站住、基线是否对齐;三是价格与符号,比如“¥199 起”“满 300 减 50”,看数字有没有多笔少笔、符号有没有变形。三项都能过,文字密集场景才谈得上可用。对做出海物料或双语包装的团队来说,多语言文字渲染还多一层用处——同一张图里中英文可以同时排布,不必分两次生成再拼。
第二项:人物为什么一眼就是 AI 脸?人物真实感怎么对照
人对脸的判断精度远高于对景物的判断。AI 生成人物最常见的毛病是骨相趋同:颧骨高度、下颌角开合、鼻梁弧度被拉向同一个模板,皮肤质感过于均匀,光影平铺没有层次。单看一张还过得去,放到一排人里立刻显出来。
通义万相在人物侧公开的表述是:支持深度自定义人物骨相,生成人物更真实自然。对应的自查动作有三个。**,同一个人物换三个角度生成,看颧骨、下颌线、鼻梁的走向是否连贯,侧脸和正脸是不是同一个人。第二,换三种光线,看皮肤有没有合理的质感差异,而不是整体磨皮。第三,把它放进实际使用场景——电商模特图要看服装上身后的褶皱与体型关系是否自然,人物插画要看角色在不同页面里是否还认得出,品牌视觉要看人物气质与品牌调性是否一致。
需要说清的边界是:这里不给相似度指标,也不给测试数据,人物真实感与提示词的具体程度、参考图的质量直接相关。重要物料仍要人工筛选,从几张里挑一张,而不是一次生成直接用。
第三项:品牌色对不上 VI 怎么办?控色与多图一致性怎么对照
品牌视觉最怕的不是不好看,是不统一。VI 手册里的主色是一个**色值,生成模型给的是“氛围接近”的颜色,单张看不出来,一旦做成系列海报、产品图册或同一版页面上的多张主图,偏色立刻暴露。通义万相在这一点上给了两条可对照的能力。
一条是 Hex 色值精准控制品牌色。设计师可以直接指定品牌色系的具体色值,例如 #FF5733 这样的写法,让生成结果向品牌规范靠拢,而不是靠“深一点的红”“暖一点的橙”这类描述去猜。自查方式:给一个主色加一个辅助色,生成六张同主题物料,逐张吸色比对偏差,看色彩是否稳定落在同一区间。
另一条是多图一致性。支持 9 图参考实现多主体一致性,角色、道具、场景可以跨图保持一致;支持 12 张组图一次性生成。这两条合起来解决的正是系列物料的批量问题:系列海报、产品图册、故事绘本这类需要十几张同风格输出的场景,逐张抽卡每次都要重新对齐风格,一致性靠运气;组图一次生成,风格基线是统一的,第 1 张和第 12 张能对得上。自查方式也简单,给三到五张同一角色的参考图,看首尾两张是不是同一个人、同一身衣服、同一个道具。
边界同样要说清:控色解决的是生成环节的色彩一致性,印刷级的色彩管理与印前校色不在模型能力范围内,成品仍需人工校对输出。
第四项:生成完还要回 PS 改局部?生成即编辑怎么对照
实际工作里,一张图十成满意的概率不高,常见的是九成满意——构图对了、人物对了,就差背景不对、衣服颜色不对、表情太严肃。传统处理方式有两条:回 PS 抠图重做,或者改提示词整图重生成。前者耗时间,后者更麻烦,抽十几次也未必回得到原来那张满意的图。
通义万相在图像编辑侧公开的能力是交互式框选编辑:图片生成之后,可以对局部区域框选修改,换背景、改服饰、调表情、加道具,不必重新生成整图。自查方式可以这样设计:先生成一张满意的图,只框选背景区域替换场景,看主体人物的位置、姿态、光影是否保持不变;再框选服饰区域改颜色,看褶皱走向和受光面是否跟着变。
这条能力的价值在于把“生成”和“编辑”放在同一个界面里。原来的闭环是生成、导出、打开外部软件、改完再导回,中间还涉及图层与素材的对齐;现在局部调整在原地完成,创作闭环短了一截。边界也要交代:它适合局部微调,不适合结构性重做——整体构图推翻、人物姿态大改这类需求,重新生成比反复框选更省事。
覆盖范围与接入方式:从官网试用到百炼 API 的落地路径
前五项决定出图质量,后两项决定它能不能进团队的工作流。通义万相既是模型也是产品:官网有直接可用的入口,万相 3.0(2026-08 公测)的公测渠道包括阿里云百炼、万镜一刻、万相官网、千问创作 PC 端等。版本线上,当前主力是 Wan2.7 系列,图像侧为 wan2.7-image 与 wan2.7-image-pro,并向下兼容 Wan2.6、2.5、2.2、2.1——已经在跑老版本的项目,不必因为版本迭代就重写调用逻辑。
节点与接入分两条路看。节点上,国内节点与国际节点(新加坡、德国法兰克福、美国弗吉尼亚)并行,跨境业务按目标市场就近选择节点,同时兼顾访问路径与数据存放要求。接入上,通过阿里云百炼(DashScope)提供 RESTful API,支持 Python 与 Java SDK;开通后可获得一定数量的图像免费额度,用于跑通接口、验证出图效果,具体资费与额度以官方价格表为准。对需要先做技术验证的团队,Wan2.1-VACE 已于 2025-05 **开源(1.3B / 14B 版本,GitHub 可获取),1.3B 版本普通消费级显卡可运行,可以先在本地跑通再决定是否切到 API。
还有一条衔接值得提:图像与视频共享同一原生多模态框架,图到视频的链路在同一平台内完成,做图文加短视频的组合物料时不必换工具。适配的人群也比较明确——电商设计、品牌视觉、独立设计师、内容运营,以及需要把生成能力接进内部系统的企业技术团队。
不适用的情况同样要说:需要专业排版精修的物料(印刷级排版、复杂图文混排、精细的字体设计),以及需要线下实拍的合规场景(真实产品实拍、需要资质背书的宣传图),仍应走原有流程,生成模型只是其中一环,替代不了这些环节。
常见问题
问:通义万相目前有哪些版本和入口?
答:万相 3.0 于 2026-08 公测,支持文档生视频等能力;图像与视频主力为 Wan2.7 系列,并向下兼容 Wan2.6、2.5、2.2、2.1。入口包括万相官网、阿里云百炼、万镜一刻、千问创作 PC 端等渠道,官网可直接试用。
问:开通后有没有免费额度,怎么计费?
答:图像生成按成功张数计费,失败不计费、也不占用免费额度。开通阿里云百炼后可获得一定数量的图像免费额度,适合先跑通接口、验证出图效果;具体资费与额度以官方价格表为准。
问:想本地部署或接进内部系统怎么办?
答:两条路。一是 Wan2.1-VACE 已开源(1.3B / 14B,GitHub 可获取),1.3B 版本普通消费级显卡可运行,适合本地验证与二次开发;二是通过阿里云百炼调用 RESTful API,支持 Python 与 Java SDK,适合接入内部生产系统。









