Wan-Animate-2 від Alibaba: як відкрита модель анімує персонажів без скелетної розмітки

Wan-Animate-2 — це відкрита система Alibaba Tongyi Lab для анімації персонажів. Вона бере референсне зображення героя та відео, у якому людина або інший персонаж виконує рухи, а потім переносить цю динаміку на референс, намагаючись зберегти його особистість, зовнішність і деталі. Публічний реліз відбувся 7 серпня 2026 року: разом із моделлю оприлюднили ваги, інструменти інференсу та документацію за ліцензією Apache 2.0. 12

Головна відмінність: відео замість скелета

У багатьох системах анімації спочатку вилучають із відео скелетну позу, ключові точки або стисле представлення руху. Такий проміжний етап зручний для керування, але може додати помилки під час розпізнавання суглобів, спричинити дрейф ідентичності та втратити дрібні деталі — особливо рухи пальців, міміку й контакт між персонажами.

Wan-Animate-2 відмовляється від цього ланцюжка. Модель напряму обробляє візуальні латентні ознаки відео руху всередині переробленого Diffusion Transformer. У двогілковій архітектурі чиста гілка референсу й руху узгоджується з гілкою зашумленого денойзингу. Це дає моделі доступ до тонших просторово-часових сигналів і, за задумом авторів, допомагає одночасно утримувати рухову та ідентифікаційну узгодженість. 1

Руки, кінцівки та різні типи персонажів

Саме збереження дрібних візуальних деталей автори пов’язують із кращою артикуляцією рук і меншою кількістю викривлених або «зниклих» кінцівок. Система також демонструє роботу з різними стилями персонажів, типами статури, багатоперсонажними сценами та різноманітними рухами. Це не означає гарантовано бездоганний результат для будь-якого вхідного відео, але свідчить про ширший діапазон застосування, ніж у систем, жорстко прив’язаних до pose-скелета. 1

Wan-Animate-2 може анімувати кількох героїв в одній сцені, зберігаючи для них окремі зовнішність і рухи. Також модель розрахована на нестандартні співвідношення сторін, що важливо для вертикальних роликів, широкоформатних сцен і контенту, який не вкладається у звичний шаблон 16:9. 13

Ракурс камери задається текстом

Окремий модуль Viewpoint LoRA дає змогу керувати ракурсом камери текстовою інструкцією. Його навчали на синтетичних багаторакурсних даних, створених в Unreal Engine. Завдяки цьому користувач може попросити показати сцену з іншого боку, не записуючи нове відео руху й не перенавчаючи основну модель анімації. 1

Це розділяє дві речі, які часто змішані в подібних інструментах: виконання персонажем руху та вибір того, як саме камера його показує. Для монтажу й створення кількох планів з одного перформансу це потенційно важливіше, ніж просто збільшення роздільності готового кадру.

Звідки беруться 24 кадри/с

Заявлена генерація в реальному часі стосується насамперед полегшеної дистильованої версії Wan-Animate-2-Lite, а не повної Base-моделі. У статті описано триетапний шлях прискорення: попереднє навчання з teacher forcing, буфер помилок і дистиляція Self-Forcing із покроковим зворотним поширенням для блоків кадрів. Це дає змогу генерувати відео авторегресивними фрагментами та передавати їх у режимі стримінгу. 1

Автори повідомляють про швидкість 24 кадри/с у форматі 400×720 на чотирьох графічних процесорах NVIDIA H100. Це суттєвий показник для відкритої системи, але його не слід читати як «720p у реальному часі на звичайній локальній відеокарті». Апаратні вимоги, обсяг пам’яті та швидкість інференсу для конкретної конфігурації залишаються критичними обмеженнями. 18

Чи справді це рівень Dreamina та KLING?

У статті наведено якісні порівняння та результати користувацьких досліджень, де Wan-Animate-2 показує конкурентні результати щодо закритих інструментів Dreamina від ByteDance і KLING MotionControl від Kuaishou. У публічних матеріалах це описують як близькість або паритет із комерційними лідерами. 13

Однак це оцінювання, представлене розробниками, а не незалежний стандартизований бенчмарк. Тому формулювання «комерційний SOTA» варто сприймати як сильну, але поки що попередню заявку. Показники на підібраних прикладах не гарантують такої самої якості на складних сценах, незвичних ракурсах чи звичайних відео з неідеальним освітленням.

Чому відкритий локальний запуск має значення

Публікація ваг, коду та інструментів інференсу під Apache 2.0 змінює саму модель доступу до технології. Розробники можуть перевіряти її роботу, запускати систему на власній інфраструктурі, адаптувати під свої пайплайни та вбудовувати в комерційні продукти — без обов’язкової прив’язки до закритого API або оплати за кожну секунду відео. 12

Це важливо через практичне вузьке місце генеративного відео. Створити окремий ефектний ролик уже недостатньо: для повноцінного виробництва потрібні стабільна ідентичність персонажа, переконливі руки, взаємодія героїв, контроль камери та мала затримка. Саме на переході від розрізнених кліпів до керованої послідовної сцени багато систем досі втрачають якість.

Відкритий реліз може пришвидшити появу готових вузлів для ComfyUI та інших середовищ, економніших режимів інференсу, інструментів маскування й композитингу, робочих процесів для збереження персонажа та варіантів для споживчих GPU. Водночас темпи adoption визначатимуть не лише код і ліцензія, а й вартість обладнання, відтворюваність результатів, умови використання навчальних даних та якість інтеграцій.

Як Wan-Animate-2 співвідноситься з Wan3.0

Ці продукти закривають різні частини процесу. Wan-Animate-2 зосереджена на виконанні та контролі персонажа: як перенести рух, зберегти зовнішність, керувати кількома героями й змінити ракурс. Wan3.0 працює на рівні вхідних матеріалів для бізнесу: Alibaba заявляє, що модель може створювати відео тривалістю до 30 секунд не лише з тексту, зображень, аудіо чи відео, а й із документів, таблиць, презентацій і вебсторінок. 2

Разом це натякає на ланцюжок від корпоративного матеріалу до анімованого відео. Але це поки що окремо розгорнуті продукти, а не доказ існування єдиного інтегрованого виробничого комплексу. Відкритість Wan-Animate-2 і закритий формат Wan3.0 також означають різні умови доступу та контролю.

Що покаже реальне впровадження

Головне випробування для Wan-Animate-2 — не сама публікація моделі, а те, чи зможе спільнота перетворити її на надійний виробничий інструмент. Важливими сигналами стануть стабільність на невідібраних прикладах, підтримка менш потужного обладнання, зручне редагування сцен і здатність зберігати якість у довших послідовностях.

Якщо ці проблеми буде розв’язано, Wan-Animate-2 може скоротити відстань між експериментальним open source і комерційними платформами. Якщо ж високі результати залишаться доступними лише на дорогих GPU та в ретельно підготовлених демо, її вплив буде радше дослідницьким, ніж масовим. Саме цей баланс — між відкритістю, ціною запуску та якістю поза лабораторними прикладами — визначить, наскільки швидко технології китайських AI-лабораторій стануть основою відкритого відеостеку.