Wan-Animate-2 Alibaba: Animasi Watak Terbuka Tanpa Kerangka Pose

Apakah Wan-Animate-2?

Wan-Animate-2 ialah sistem animasi watak sumber terbuka daripada Tongyi Lab Alibaba, yang sebelum ini dikenali sebagai pasukan Tongyi Wanxiang. Fungsinya adalah untuk menghidupkan watak dalam imej rujukan menggunakan video seseorang atau sesuatu watak sebagai panduan pergerakan, sambil mengekalkan identiti, rupa dan ciri visual watak tersebut. Model ini diumumkan pada Ogos 2026, dengan laporan pelancaran awam pada 7 Ogos. 12

Perbezaan utamanya terletak pada cara model memahami gerakan. Sistem animasi tradisional berasaskan AI lazimnya mengekstrak rangka pose—seperti titik sendi pada badan—atau menukarkan pergerakan kepada ciri ringkas sebelum menjana video. Wan-Animate-2 mengelakkan dua langkah perantaraan itu: video pergerakan diproses terus sebagai maklumat visual oleh seni bina Diffusion Transformer (DiT) yang direka semula. 1

Mengapa membaca video secara terus penting?

Rangka pose boleh menghasilkan kesilapan apabila sendi, jari atau bahagian tubuh tidak dikesan dengan tepat. Pemampatan ciri gerakan pula mungkin membuang butiran halus seperti ekspresi muka, pergerakan tangan, hubungan antara watak dan interaksi dengan objek.

Dalam Wan-Animate-2, video pergerakan dikekalkan dalam bentuk latennya dan diproses melalui reka bentuk DiT dwi-cabang. Satu cabang rujukan yang bersih menyimpan maklumat penampilan serta gerakan, kemudian menyelaraskannya dengan cabang proses nyahhingar yang menjana video. Pendekatan ini bertujuan mengekalkan isyarat ruang dan masa yang lebih terperinci, sekali gus membantu kestabilan identiti dan kesinambungan gerakan antara bingkai. 1

Kesan yang dilaporkan paling ketara ialah artikulasi tangan yang lebih baik serta pengurangan kecacatan seperti anggota badan yang hilang, bercantum atau berubah bentuk. Model ini turut diuji merentasi gaya watak, bentuk badan, adegan berbilang orang dan jenis pergerakan yang berbeza. Itu menunjukkan julat operasi yang lebih luas, tetapi bukan jaminan bahawa setiap input akan menghasilkan video sempurna. 1

Sokongan berbilang watak dan kawalan kamera

Wan-Animate-2 boleh digunakan dalam adegan yang mengandungi lebih daripada satu watak, dengan setiap watak mengekalkan identiti dan gerakannya sendiri. Sistem ini juga menyokong nisbah aspek bukan standard serta bentuk badan yang pelbagai, ciri yang penting untuk kegunaan kreatif di luar format video biasa. 13

Satu lagi ciri baharu ialah kawalan sudut pandangan melalui teks. Viewpoint LoRA—iaitu modul penyesuaian ringan untuk mengawal tingkah laku model—dilatih menggunakan data berbilang pandangan yang dijana dalam Unreal Engine. Dengan cara ini, pengguna boleh meminta sudut kamera lain ketika inferens tanpa perlu merakam semula persembahan atau melatih semula model asas. 1

Secara praktikal, ini memisahkan dua perkara yang biasanya bercampur: gerakan yang datang daripada video panduan dan perspektif kamera yang mahu digunakan dalam hasil akhir.

Adakah ia benar-benar menjana video pada 24 fps?

Jawapannya memerlukan sedikit konteks. Keupayaan penstriman masa nyata itu terutama merujuk kepada varian terdistilasi Wan-Animate-2-Lite, bukan model Base penuh. Kertas penyelidikan menerangkan laluan pecutan tiga peringkat yang merangkumi pralatihan berasaskan teacher forcing, penggunaan penimbal ralat dan penyulingan Self-Forcing dengan pengunduran kecerunan mengikut cebisan video. Kaedah ini membolehkan penjanaan autoregresif secara berperingkat ketika video distrim. 1

Prestasi yang dilaporkan ialah 24 bingkai sesaat pada resolusi 400×720 menggunakan empat GPU H100. Angka itu penting sebagai demonstrasi keupayaan masa nyata, tetapi ia tidak bermaksud pengguna boleh mendapatkan penstriman 720p pada 24 fps menggunakan komputer riba atau GPU pengguna biasa. Kos memori, kuasa pengkomputeran dan masa pemprosesan masih menjadi pertimbangan utama. 18

Sejauh mana dakwaan setanding alat komersial?

Perbandingan kualitatif dan kajian pengguna oleh pengarang melaporkan bahawa Wan-Animate-2 kompetitif dengan alat proprietari seperti Dreamina milik ByteDance dan KLING MotionControl milik Kuaishou. Beberapa laporan awam menyifatkan prestasinya sebagai setanding atau mencapai paras yang sama dengan peneraju komersial. 13

Namun, dakwaan “SOTA komersial” perlu dibaca dengan berhati-hati. Penilaian tersebut datang daripada pembangun atau kajian berkaitan projek, bukannya penanda aras bebas yang seragam dan diaudit secara meluas. Kualiti sebenar di luar contoh terpilih masih bergantung pada jenis watak, pencahayaan, jumlah gerakan, oklusi dan perkakasan yang digunakan.

Mengapa pelepasan sumber terbuka ini penting?

Alibaba menyediakan pemberat model, kod dan alat inferens di bawah lesen Apache-2.0, lesen permisif yang biasanya membenarkan penggunaan, pengubahsuaian dan penyepaduan dalam projek komersial tertakluk pada syarat lesen. 12

Bagi pembangun, ini mengubah animasi watak daripada ciri tertutup dalam platform awan kepada komponen yang boleh diperiksa, dihoskan sendiri dan disesuaikan dengan aliran kerja produksi. Model sebegini boleh menjadi asas untuk avatar masa nyata, penggantian watak, animasi permainan, kandungan pemasaran dan saluran produksi video yang memerlukan kawalan lebih terperinci.

Kepentingannya bukan sekadar menghasilkan satu klip yang kelihatan menarik. Dalam produksi AI-video, cabaran yang lebih sukar ialah mengekalkan identiti watak, menghasilkan tangan dan anggota badan yang meyakinkan, mengurus interaksi, mengawal kamera serta mengurangkan latensi. Kelemahan pada bahagian inilah yang sering memisahkan demonstrasi pendek daripada aset video yang benar-benar boleh digunakan. 12

Bagaimana pula dengan Wan3.0?

Wan-Animate-2 dan Wan3.0 menyelesaikan masalah yang berbeza. Wan-Animate-2 berfokus pada prestasi watak dan kawalan gerakan—iaitu cara mengubah video pergerakan menjadi persembahan watak. Wan3.0 pula berfokus pada input perusahaan: Alibaba menyatakan bahawa model itu boleh menjana video sehingga 30 saat daripada dokumen, hamparan, slaid dan halaman web, selain input multimodal biasa seperti teks, imej, audio dan video. 2

Gabungan kedua-dua arah ini membayangkan aliran kerja daripada bahan perniagaan kepada kandungan video beranimasi. Tetapi kedua-duanya masih perlu dianggap sebagai produk atau sistem yang digunakan secara berasingan; maklumat tersebut belum membuktikan kewujudan satu suite produksi hujung ke hujung yang mengintegrasikan Wan-Animate-2 dan Wan3.0 secara langsung.

Apa yang akan menentukan penerimaan pengguna?

Pelepasan terbuka menjadikan penggunaan lebih pantas berpotensi berlaku, tetapi teknologi itu hanya akan benar-benar berkembang jika ekosistem menyusul. Antara penentu utama ialah sokongan nod yang stabil dalam alat seperti ComfyUI, inferens yang lebih cekap dari segi memori, kawalan topeng dan kompositing, aliran kerja untuk mengekalkan konsistensi watak serta versi yang boleh dijalankan pada GPU pengguna.

Pembangun juga perlu menguji sama ada kualiti yang dilaporkan kekal di luar contoh terpilih. Kos perkakasan, kebolehulangan keputusan, lesen data latihan, dokumentasi dan kemudahan integrasi akan mempengaruhi kadar penggunaan.

Kesimpulannya, Wan-Animate-2 penting kerana ia membawa pendekatan animasi watak yang lebih terus dan lebih terbuka kepada pembangun. Ia mungkin membantu menutup jurang antara penjanaan video AI dan produksi watak yang benar-benar terkawal. Namun, sama ada ia menjadi komponen standard dalam susunan sumber terbuka masih bergantung pada prestasi dunia sebenar serta sejauh mana komuniti berjaya membina alat di sekelilingnya.