Wan-Animate-2 přímo čte video pohybu. Co přináší otevřená animace od Alibaba

Alibaba v srpnu 2026 zveřejnila Wan-Animate-2, otevřený systém pro animaci postav z řídicího videa. Uživatel dodá obrázek nebo jinou referenci postavy a video, v němž někdo předvádí požadovaný pohyb. Model pak přenese výkon na postavu a zároveň se snaží zachovat její vzhled a identitu. 12

Největší změna se skrývá v tom, co se děje mezi vstupem a výsledným videem. Starší animační postupy často nejprve extrahují záběru kostru člověka – například klouby, klíčové body nebo jinou zjednodušenou reprezentaci pohybu. Wan-Animate-2 tento mezikrok vynechává: řídicí video posílá přímo do přepracovaného Diffusion Transformeru, tedy difuzního transformátoru, který se učí generovat video postupným odstraňováním šumu. 1

Proč model nepotřebuje kostru

Kosterní model je praktický, ale zároveň může být zdrojem chyb. Špatně nalezený loket nebo prst se promítne do celé animace. Komprese pohybu navíc může odstranit jemné informace o mimice, rukou, kontaktu mezi postavami nebo o přesném časování gesta.

Wan-Animate-2 pracuje s vizuálními latentními informacemi z celého řídicího videa. Jeho dvouvětvová architektura DiT odděluje čistou referenční a pohybovou větev od větve, která během generování odšumuje výstup. Pomocí časového zarovnání a mechanismů pozornosti se tyto informace propojují přímo v modelu. Výsledkem má být věrnější pohyb, stabilnější časová kontinuita a menší odchylování identity postavy. 15

Praktický přínos je nejvíce vidět u rukou a končetin. Autoři uvádějí lepší artikulaci prstů a méně deformovaných či chybějících končetin, protože jemné pohybové detaily nemusí projít přes zjednodušenou kostru. Výsledky zahrnují různé styly postav, tělesné proporce, vícepostavové scény i nestandardní pohyby. Neznamená to, že každý vstup bude bezchybný, ale systém má širší rozsah než typické řešení založené pouze na póze. 1

Více postav a změna úhlu kamery textem

Wan-Animate-2 má zvládat několik postav v jedné scéně a udržet jejich odlišnou identitu i pohyb. Další novinkou je textové řízení pohledu kamery. Viewpoint LoRA byla trénována na syntetických víceúhlových datech vytvořených v Unreal Engine. Uživatel tak může při generování požádat například o jiný boční nebo čelní záběr, aniž by musel nahrávat nové řídicí vystoupení nebo znovu trénovat základní model. 13

Tato funkce odděluje pohyb předváděný v řídicím videu od výsledného kamerového pohledu. Právě to je důležité pro produkční použití: stejný výkon lze teoreticky využít pro více kompozic a záběrů, místo aby se každý úhel natáčel zvlášť.

24 snímků za sekundu, ale ne na běžném počítači

Označení „v reálném čase“ se týká především odlehčené, destilované varianty Wan-Animate-2-Lite, nikoli plného modelu Base. Technický článek popisuje třístupňový postup zrychlení: předtrénování s učitelským nucením, používání zásobníku chyb a destilaci Self-Forcing s gradientem počítaným po blocích. To umožňuje autoregresivní streamování výstupu po částech. 1

Uváděný výsledek činí 24 snímků za sekundu při rozlišení 400 × 720 na čtyřech GPU Nvidia H100. Jde o významný posun pro živé avatary a interaktivní aplikace, nikoli však o příslib 720p streamování na běžné domácí grafické kartě. Požadavky na hardware zůstávají jedním z hlavních praktických omezení. 18

Je Wan-Animate-2 skutečně na úrovni komerčních nástrojů?

Článek a související uživatelské studie uvádějí výsledky srovnatelné s proprietárními nástroji Dreamina od ByteDance a KLING MotionControl od Kuaishou. Ve veřejném pokrytí se proto objevuje tvrzení, že Wan-Animate-2 dosahuje komerčního „SOTA“, tedy špičkové úrovně. 13

Je ale důležité zachovat odstup. Jde především o hodnocení autorů, kvalitativní porovnání a uživatelské studie, nikoli o nezávislý, standardizovaný benchmark provedený třetí stranou. Přesnější formulace proto zní, že model podle dostupných zpráv konkuruje předním komerčním systémům; definitivní pořadí ukáže až širší testování mimo pečlivě vybrané ukázky. 13

Proč je otevřené vydání důležité

Alibaba zveřejnila váhy, kód a nástroje pro inference pod licencí Apache 2.0. Vývojáři mohou systém kontrolovat, provozovat na vlastním hardwaru, upravovat ho a zapojit do vlastních produkčních řetězců, aniž by byli odkázáni pouze na uzavřenou cloudovou službu nebo platbu za každou sekundu videa. 12

Právě ovladatelná animace postav byla dlouho slabým místem generativního videa. Vytvořit působivý krátký záběr je jedna věc; udržet v delší scéně stejnou identitu, ruce, interakce, směr pohledu kamery a nízkou latenci je věc druhá. Wan-Animate-2 se snaží tuto mezeru zmenšit tím, že spojuje věrný přenos výkonu s možností lokálního nasazení. 12

Otevřený model však automaticky neznamená snadné použití. O adopci rozhodne, zda komunitní nástroje rychle nabídnou úspornější inference, masking a kompozici, konzistentní pracovní postupy pro postavy, kvalitní uzly pro ComfyUI a varianty použitelné na spotřebitelských GPU. Důležité budou také reprodukovatelnost výsledků, náklady na hardware a otázky licencování tréninkových dat.

Jak do toho zapadá Wan3.0

Wan-Animate-2 řeší především výkon a ovládání postav. Wan3.0 míří na opačný konec workflow: Alibaba uvádí, že dokáže vytvářet až třicetisekundová videa z dokumentů, tabulek, prezentací a webových stránek vedle běžných multimodálních vstupů. 2

V kombinaci tyto technologie naznačují cestu od firemních podkladů k animovanému videu. Nejde však o jeden integrovaný produkční balík. Wan3.0 je samostatně nasazovaný produkt, zatímco Wan-Animate-2 je otevřený animační framework. Skutečné propojení by vyžadovalo další nástroje pro převod obsahu dokumentu na scénář, postavy, záběry a následnou kompozici.

Wan-Animate-2 tak není jen další model pro přenos pohybu. Jeho význam spočívá v kombinaci přímého zpracování videa, širší kontroly nad scénou, snahy o streamování v reálném čase a otevřené dostupnosti. Teprve komunita a nezávislé testy ukážou, zda se z této technické demonstrace stane skutečně použitelný základ otevřeného ekosystému pro AI video.