把 Wan2.2 丢进“中国版 Sora”考场：这场大横评，真该补上“动画”这一科

最近这半年，科技媒体的保留节目就是“中国版 Sora 大横评”。

七八款国产视频大模型排排坐，比谁的水花更真、谁的镜头更稳、谁的物理规律不崩，评论区吵得比春晚还热闹。

但看多了你会发现一个不对劲的地方：这场考试，好像漏了一整科。

文生视频考的是“无中生有”——你说一句话，它给你造一个新世界。可普通人真正天天想干的，往往是另一件事：我有一张照片，能不能让它动起来，还别变样？

这一科，叫角色动画。而今年 8 月，阿里通义实验室把 Wan-Animate-2 的模型权重直接开源了（Apache 2.0 协议），相当于有人默默把这张卷子答完，还贴在了公告栏上。

一、横评为什么总漏掉这一科？

说白了，不是不想考，是不好打分。

文生视频的题目好出：给一句提示词，谁生成的画面更漂亮、更符合描述，一眼能看出来。

动画这一科的题目长这样：给你一张人物照片，再给你一段别人跳舞的视频，让照片里的人把这段舞完整跳一遍。

难点立刻来了：

• 脸不能变，换了就是“恐怖片”；
• 身材不能走样，猫不能跳着跳着变成狗；
• 衣服、发型、背景得稳住；
• 手指、眼神、嘴角这些细节，还得跟上节奏。

这就像让一个演员戴着面具演完整场戏，面具还不能歪。评分维度太多，之前那些横评表格里干脆就没有这一栏。

可这恰恰是最有商业价值的一栏。短剧、带货、数字人直播、二创动画，全都卡在这儿。

二、它到底是个啥？一句话讲明白

Wan-Animate-2 干的事特别朴素：

你给它一张角色图，再给它一段参考视频，它就让图里的角色，把视频里的动作原封不动演一遍。

打个比方，以前的 AI 视频像“凭空画一个新角色”；这个模型像“请了一位替身演员”——导演（你）举着一段样板录像说：就照这个跳，但脸得用我给的这张。

真正的技术分歧在“怎么学动作”上。

老办法是先让机器把参考视频“翻译”成骨架点、关节点，再把骨架套到你的照片上。这中间隔了一层，就像隔着毛玻璃临摹，姿势大概对，但手指怎么捏、衣服怎么飘、表情怎么变，全糊掉了。镜头稍微一偏，人还可能“飘”。

Wan-Animate-2 换了个思路：不翻译了，直接把原片怼给模型看，让它一边看一边画。省掉中间那道“失真”的工序，细节自然就保住了。

三、三个最让人“哎哟”的地方

1. 换谁都能演，身材还不走样

官方放出的演示里，有穿着深蓝制服、系红蝴蝶结的银灰虎斑猫跳女团舞，有机器人跳舞，有轮滑、拉小提琴、情侣共舞，甚至还有《冰雪奇缘》艾莎这种二次元角色。

关键在于它是“跨身份”的：真人视频教一只猫跳舞，猫的体型、比例、毛发都得是猫自己的，不能硬套成人的骨架。这一条，过去是同类开源模型翻车最多的地方。

2. 一句话就能换机位，这是真新鲜

以前做这类动画，机位是“焊死”的——参考视频从哪个角度拍，你生成出来就只能是什么角度。想换个侧面？重拍。

Wan-Animate-2 加了个“文字控机位”的能力：你在提示词里写“右前方 60 度”“俯拍”“平视正面”，画面视角就跟着变，而人物的动作不变、周围环境也保持连贯。

这相当于你雇了个摄影师，还能用嘴指挥他绕着人转。为了让模型学会这件事，团队甚至在虚幻引擎里搭了个虚拟摄影棚，绕着角色布了 12 个方位、4 个高度，一共 48 个机位挨个拍，再拿这些素材教模型认角度。

3. 不止一个人，还能“一个带一群”

多人场景也支持：一个人跳，画面里出现好几个人一起跳；或者几个人各自对应不同的动作。演示里有双人舞、米奇和伙伴的合舞、一群猫一起蹦。

对做内容的团队来说，这意味着群舞、群像这类以前最烧钱烧人的镜头，有了新的解法。

四、还有一版是给“直播”准备的

这次开源里其实藏着两个模型：一个是画质优先的基础版，一个是速度优先的蒸馏版。论文里还提到一个更狠的 Lite 版本，专门冲实时。

它的成绩是：在 400×720 分辨率下，跑到每秒 24 帧，四张显卡分工流水线作业——一张管“读图”，两张管“画”，一张管“出片”。

24 帧是什么概念？就是肉眼看着不卡的视频。这意味着数字人主播、虚拟客服、实时互动直播这类场景，从“录好再播”变成了“你动它就动”。

而且长视频最怕的“越播越糊、越播越崩”，论文里专门用一个“错误缓冲”的机制去治：训练时故意让模型看到自己会犯的错，让它提前习惯。所以长时间连续生成，画面不会一代不如一代。

五、成绩单：跟闭源大佬同台，没输

团队做了一次盲测，请用户从五个维度打分：画质、动作自然度、身份保持、动作准确度、表情准确度，外加一个总评。

对手是三位：上一代 Wan-Animate、字节的 Dreamina、快手的可灵 MotionControl。

结果是：

• 对比上一代，七成以上的对比中用户更偏爱新版；
• 对比 Dreamina，多数场景下新版更受欢迎；
• 对比可灵 MotionControl，基本打成平手，多数人认为质量相当。

值得注意的是最后一句：Dreamina 和可灵背后都是更大的闭源视频底模，而 Wan-Animate-2 是完全跑在开源底座上的。 一个开源选手，跟商业平台打平，这才是这次开源最值得说的地方。

六、普通人能玩吗？说实话，有点门槛

先把丑话说前头：这不是家用笔记本能跑的东西。

官方给的配置参考是——720P 生成需要 8 张 A800 显卡，480P 也要 2 张 A800。模型文件本身 30GB 出头，加上文本编码器、图像编码器、VAE，全部下完差不多 50GB。

但门槛正在快速降低：

• 魔搭上有官方在线体验，不用装环境，点点就能试；
• 蒸馏版10 步就能出片，还不用双倍计算，速度提升明显；
• 主流的 AI 绘画工作流（ComfyUI）和几个主流推理框架都已经接好了，社区出低显存方案只是时间问题；
• 官方还提供了一键启动的网页界面，能在本地开一个“上传图片、上传视频、点生成”的操作台。

还有个特别接地气的小细节：官方建议先用一个大模型把参考图“描述”成一段文字，格式是“人物外观长什么样 + 背景是什么样”，再把这段文字喂给模型。

说白了，就是给化妆师递一张角色小卡：她穿浅蓝色校服衬衫、领口有白边、胸前有一枚圆形徽章。模型拿到这张卡，画起来就稳得多。

七、谁最该盯着这个模型？

• 短剧和广告团队：真人拍一遍动作，换成不同演员、不同体型，甚至换成卡通形象；
• 电商和带货：模特的动作复用，换人换装不用重拍；
• 数字人直播：Lite 版本就是为这个准备的，实时跟动作、跟表情；
• 动画二创和同人：让喜欢的角色跳当下的热门舞；
• 游戏和影视预演：一句“俯拍”就能看到不同机位的效果，省掉一遍遍搭场景。

写在最后

回到开头那个话题。

我们评判“中国版 Sora”谁更强，比的往往是“它能不能凭空造出一个惊艳的世界”。

但真正落到生意和日常里的，是另一件事：它能不能让一个角色，稳稳当当演完这十秒钟，脸不崩、手不糊、衣服不乱。

这一科，之前没人认真考。现在有人交了卷，还是开源的。

那么问题来了：如果你手里有一张照片——可能是你自己、你家猫、你画了一半的原创角色——你最想让它演哪段视频？ 评论区聊聊，说不定下一个刷屏的 demo 就从这儿来。