Wan-Animate-2

Wan-Animate-2 gör om en stillbild av en figur till video: man ger den en referensbild (en person, ett djur eller en tecknad figur) och en video med rörelser, och modellen låter figuren göra samma rörelser och ansiktsuttryck. Den är gjord av Tongyi Lab på Alibaba och efterträder Wan-Animate.

Till skillnad från tidigare metoder behöver modellen inget mellansteg där skelett eller rörelsepunkter först plockas ut ur videon. I stället läser en omgjord Diffusion Transformer in både bilden och videon direkt, med två nya tekniker (Time-Align RoPE och Sparse-Ref Attention) som håller ihop utseende och rörelse. Enligt forskarna ger det bättre rörelser och att figuren behåller sitt utseende bättre. Den klarar flera figurer samtidigt och kan byta kameravinkel med en textbeskrivning, oberoende av vinkeln i den ursprungliga videon.

Varianten Wan-Animate-2-Lite är snabb nog för realtid och kan styra en figur direkt från en webbkamera, tänkt för digitala avatarer och programledare i livesändningar. Den 7 augusti 2026 släpptes kod och vikter för basmodellen och en destillerad, snabbare version på Hugging Face och ModelScope (Wan2.2-Animate-2-14B) under Apache 2.0-licensen. Standardinställningarna är gjorda för åtta A800-grafikkort och 720p; 480p har testats på två.