Wan-Animate-2 點解值得留意？阿里巴巴用原始影片直接驅動角色動畫

Wan-Animate-2 係乜嘢？

簡單講，Wan-Animate-2 係阿里巴巴 Tongyi Lab 推出嘅開放式角色動畫系統。使用者提供一張角色參考圖，再加一段「驅動影片」——例如真人表演或者另一個角色嘅動作片段——模型就可以將當中嘅動作同表情套落參考角色身上，同時維持角色本身嘅外觀同身份。1

佢最關鍵嘅改變，唔係單純將模型做得更大，而係改變咗讀取動作嘅方法：傳統流程通常會先從影片抽取人體關鍵點、骨骼姿勢，或者將動作壓縮成一組 motion features；Wan-Animate-2 就直接將驅動影片送入重新設計嘅 Diffusion Transformer，嘗試由模型端到端學習動作同角色之間嘅關係。1

點解「唔經骨骼」可能更穩？

骨骼姿勢係一種方便嘅中間表示，但亦可能帶來兩類問題：第一，關鍵點抽取錯咗，後面嘅動畫就會一齊偏；第二，將原始影片壓縮成骨骼或者低維動作特徵時，手指、面部細節、衣物變化同角色互動等資訊可能會流失。

Wan-Animate-2 以雙分支 DiT 處理驅動影片嘅視覺 latent：一邊係乾淨嘅參考／動作分支，另一邊係進行去噪嘅分支，兩者互相對齊。論文認為，保留較完整嘅時空視覺訊號，可以提升動作流暢度同身份一致性，亦減少傳統姿勢管線常見嘅 landmark 錯誤同身份漂移。1

換句話講，模型唔係只問「骨骼去咗邊度」，而係直接參考影片入面角色係點樣郁、點樣屈手、點樣做表情，以及身體各部分點樣一齊互動。

手部、肢體同角色種類有咩改善？

研究團隊將較自然嘅手部關節動作，以及較少出現扭曲、缺失肢體，歸因於模型保留咗更細緻嘅視覺動態，而唔係將所有動作迫入骨骼中間層。1

測試亦涵蓋唔同角色風格、身形、多角色場景同多種動作。呢個唔等於任何輸入都一定完美，但至少代表系統嘅適用範圍唔只限於標準人體姿勢，對非典型身形或者較複雜互動亦有更大操作空間。1

可以用文字改變鏡頭角度

Wan-Animate-2 另一個重點係文字控制視角。研究團隊以 Unreal Engine 生成嘅多視角合成資料訓練 Viewpoint LoRA，將輸出鏡頭方向同原本嘅驅動影片分開處理。1

因此，使用者可以喺推理時用文字要求另一個攝影機角度，而唔需要重新拍一段表演影片，亦唔需要重新訓練基本動畫模型。對需要同一段角色表演配合唔同景別、鏡位或者多鏡頭剪接嘅工作流程，呢種控制會比單純複製原片視角實用得多。13

24fps 即時串流，真正代表咩？

要先分清楚 Base 同 Lite 兩個版本。論文所講嘅即時生成，主要係經蒸餾嘅 Wan-Animate-2-Lite，唔係完整 Base 模型本身。18

論文描述咗一條三階段加速路線，包括 teacher-forcing 預訓練、error buffer，同埋配合 chunk-wise backpropagation 嘅 Self-Forcing 蒸餾，令模型可以用自回歸方式逐段串流輸出。1

公開報告嘅成績係：喺 4 張 H100 GPU 上，以 400×720 解像度達到每秒 24 幀。呢個對直播虛擬角色或者互動式動畫係一項重要能力，但唔應該解讀成「普通本地硬件都可以 720p、24fps 即時生成」。硬件門檻仍然相當高。18

係咪已經等於商業級 SOTA？

論文嘅質化比較同用戶研究，報告 Wan-Animate-2 嘅表現可以同 Dreamina、KLING MotionControl 等閉源商業工具競爭；部分公開報道更形容佢達到相若水平。13

不過，呢啲主要係開發團隊及相關報告所呈現嘅評估，未必等同獨立、統一標準嘅第三方 benchmark。因此，「商業 SOTA」可以理解為一個有力但仍然需要外部驗證嘅主張，而唔係已經完全定論。13

點解開放本地部署咁重要？

Wan-Animate-2 以 Apache-2.0 釋出權重、程式碼同推理工具，令角色動畫唔再只係封閉平台入面嘅一項功能。開發者可以檢視模型、自行部署、按需要修改，再將佢嵌入製作管線；相關開放工具亦有機會接入 ComfyUI、Diffusers 或其他生產環境。128

AI 影片生成過去一個實際樽頸，就係「生成到單一片段」同「控制一個角色完成可用表演」之間仍有距離。角色身份要保持一致，手部要自然，互動要合理，鏡頭要可以指定，輸出仲要夠快——呢幾樣同時做到，往往比生成一個孤立畫面困難。Wan-Animate-2 將呢部分能力開放畀社群測試，有機會加快由示範片段走向真正製作流程。12

同 Wan3.0 有咩關係？

兩者處理嘅係工作流程兩端，唔應該當成同一個整合產品。

• Wan-Animate-2 著重表演同角色控制：由驅動影片帶動角色，處理身份、動作、多人場景同鏡頭視角。
• Wan3.0 就著重企業內容輸入。阿里巴巴表示，Wan3.0 可以由文件、試算表、簡報、網頁，以及傳統文字、圖片、音訊同影片等輸入，生成最長 30 秒嘅影片。2

兩者放埋一齊，的確令人聯想到由商業資料開始，再去到角色化、動畫化輸出嘅工作流程；但 Wan3.0 係獨立部署嘅產品，唔代表現時已經存在一套由文件到角色動畫嘅完整端到端生產套件。2

開源之後，真正關鍵係社群能否接得住

Wan-Animate-2 能否成為常用開源方案，唔只睇論文示範片。接落來更值得觀察嘅係社群會唔會快速補齊以下部分：穩定節點、慳記憶體推理、遮罩同合成、角色一致性工作流，以及適合消費級 GPU 嘅版本。

同時，模型喺精心挑選嘅案例之外，對不同影片質素、身形、鏡頭運動同複雜互動嘅表現亦需要更多獨立測試。Apache-2.0 降低咗採用門檻，但硬件成本、訓練資料授權、結果可重現性同實際整合質素，先會決定中國 AI 實驗室目前具競爭力嘅影片技術，幾快可以變成開源製作堆疊嘅主流選擇。