Wan-Animate-2 – نموذج الجيل الجديد لتحريك الشخصيات مفتوح المصدر من فريق وان شيانغ خدام

Wan-Animate-2 هو نموذج الجيل الجديد لتحريك الشخصيات، مفتوح المصدر من فريق وان شيانغ. وكيعتبر ترقية كبيرة فبنية Wan-Animate، حيث تخلّى على الاعتماد على هيكل عظمي صريح للوضعيات وعلى شبكات استخراج الوضعيات المساعدة، وبدّلها بـ Diffusion Transformer (DiT) ثنائي الفروع من البداية للنهاية، باش يلتقط معارف الحركة مباشرة من الفيديو المرجعي. كيدعم النموذج التحكم فزاوية الرؤية بواسطة النص، وكيوفر نسخة للستريمينغ فالحين كتقدر توصل لـ 24 fps.

تحويل فيديو القيادة لأنيميشن ديال الشخصية: دخل صورة مرجعية reference.png وفيديو قالب للقيادة template.mp4، وخلي الشخصية المرجعية تقلّد الحركات وإيقاع الكاميرا ففيديو القيادة.
نقل الحركة من البداية للنهاية: تم إعادة تصميم DiT باش يستهلك فيديو القيادة مباشرة، بلا ما يدوز من مستخرج حركة وسيط، والهدف هو تحسين دقة الحركة وتناسق الهوية فآن واحد.
الحفاظ على الهوية والمظهر: كيساهم reference image token وreference video token فحساب الانتباه، وكيُدخل المظهر المرجعي فعملية التوليد، باش ينقص مشكل «الحركة شبيهة ولكن الوجه خاسر».
التحكم النصي المنظّم: قبل الاستدلال، استعمل LLM باش يولّد caption بقالب ثابت، وكتب غير «وصف مظهر الشخصية + وصف الخلفية»، بلا وصف للحركة ولا تخمين للمشاعر، ومن بعد استعملو كـ prompt ديال Wan-Animate-2.
التحكم فزاوية الرؤية بالنص: كيدعم استعمال النص لفصل زاوية كاميرا الخرج على فيديو القيادة، وهادشي كيسهّل توليد «نفس الحركة، بمواقع/زوايا كاميرا مختلفة».
وضع Base بجودة عالية: سكريبت الاستدلال الافتراضي كيستعمل الإعدادات العادية، والمثال الرسمي فـ Diffusers فيه num_inference_steps=40، مع أولوية أكبر للجودة.
وضع Distillation بعدد خطوات قليل: مثال أوزان التقطير فيه 10 steps وguidance_scale=1.0 وEuler solver/no CFG، وموجّه لإخراج أسرع والتحقق من التأخير المنخفض.
وظيفة استشرافية للوقت الحقيقي: الورقة كتقترح Wan-Animate-2-Lite، باستعمال teacher forcing وerror buffer وتقطير Self-Forcing والانتشار العكسي chunk-wise، باش يهبط التأخير للعتبة ديال الوقت الحقيقي، وموجّه لتحريك الشخصيات بالستريمينغ.
تجربة محلية وأونلاين: كاين سكريبت Gradio محلي؛ Base كيستعمل wan_animate_2_gradio.py، والنسخة المقطّرة كتستعمل wan_animate_2_gradio_distillation.py. وREADME كيشير حتى لـ demo أونلاين فـ ModelScope Studio.
مداخل المنظومة الهندسية: الأوزان كاينة فـ HuggingFace/ModelScope، ومثال معرّف النموذج هو Wan-AI/Wan2.2-Animate-2-14B؛ وDiffusers يمكن تثبيتو من المصدر والربط معاه، أما ComfyUI/DiffSynth-Studio فمازالين فـ Todo.
توليد متوازٍ قابل للإعداد: الإعداد الافتراضي مضبوط على 8×A800 و720P، وتجرّب حتى على 2×A800 و480P؛ ومع اختلاف العتاد خاص تعديل إعدادات التوازي فـ YAML.

تابع الحساب فـ WeChat وردّ بـ «开源» باش تنضم لمجموعة مشاريع الذكاء الاصطناعي مفتوحة المصدر
وجد العتاد: من الأفضل تخطط حسب الإعداد الرسمي 8×A800 و720P؛ وتجرّب رسمياً حتى 2×A800 و480P، وما تفترضش أن بطاقة استهلاكية وحدة غادي تشغلو.
نسخ المستودع: git clone --recursive https://github.com/Wan-Video/Wan-Animate-2.git.
وجد البيئة: Python 3.11؛ ثبّت torch 2.7.0 / torchvision 0.22.0 / torchaudio 2.7.0 من مصدر CUDA 12.6؛ ومن بعد ثبّت requirements.txt وflash-attn، وفالأخير pip install -e .
نزّل الأوزان: فـ HuggingFace استعمل huggingface-cli download Wan-AI/Wan2.2-Animate-2-14B --local-dir ./ckpts/؛ وفـ ModelScope استعمل modelscope download --model Wan-AI/Wan2.2-Animate-2-14B --local_dir ./ckpts/.
ولّد caption اللول: استعمل LLM بحال Qwen3.7-Plus، واتبع القالب الصيني الرسمي، وكتب غير «وصف مظهر الشخصية + وصف الخلفية»، بلا حركة ولا مشاعر ولا تقييمات.
شغّل Base: دخل لـ infer ونفّذ wan_animate_2_demo.py، ودوز --prompt و--refer-img-file و--refer-video-file و--config ./wan_animate_2.yaml.
شغّل النسخة المقطّرة: بدّل لـ wan_animate_2_distillation.yaml وزِد --sample_guide_scale 1.0 --step 10؛ وفـ Diffusers المقابل هو guidance_scale=1.0 وflow_solver="euler".
عدّل إعدادات التوازي: إلا كان عدد الـGPU أو الذاكرة مختلف على الرسمي، بدّل أولاً parallel configs فـ YAML، ومن بعد قلّب على OOM ولا مشاكل السرعة.
تجربة سريعة: إلا ما بغيتيش تنصّب كلشي، جرّب ModelScope Studio؛ ومحلياً شغّل wan_animate_2_gradio.py ولا wan_animate_2_gradio_distillation.py.

دقة الحركة وتناسق الهوية هما أهم نقطة قوة: حذف مستخرج الحركة الوسيط كيقلل نظرياً من تراكم الأخطاء فطبقة إضافية.
أقرب لسير العمل الإنتاجي: الرسمي كيخلي caption فالأول بقالب ثابت، وكيطلب وصف مظهر الشخصية والخلفية بلا وصف الحركة، باش تكون إعادة الإنتاج مستقرة.
مسار التأخير المنخفض واضح: Distillation كيقدر يدير الاستدلال فـ 10 خطوات؛ وورقة Lite كتركز مباشرة على الشخصيات الرقمية فالوقت الحقيقي وبالستريمينغ.
مناسب نسبياً للاستعمال التجاري: Apache-2.0 أكثر ملاءمة للتطوير الثانوي، ولكن الاستعمال التجاري الفعلي مازال خاصو احترام حقوق المواد وحقوق الصورة وقوانين المنصات.

الموقع الرسمي للمشروع: https://humanaigc.github.io/wan-animate-2
مستودع Github: https://github.com/Wan-Video/Wan-Animate-2
ModelScope: https://modelscope.cn/models/Wan-AI/Wan2.2-Animate-2-14B
الورقة التقنية فـ arXiv: https://arxiv.org/pdf/2608.06009
Demo للتجربة أونلاين: https://www.modelscope.cn/studios/Wan-AI/Wan2.2-Animate

الستريمرز الافتراضيون / البث المباشر بالشخصيات الرقمية: مسار Lite موجّه بوضوح لعتبة الوقت الحقيقي وتحريك الشخصيات بالستريمينغ، ومناسب لبث مباشر منخفض التأخير كيحرّك فيه شخص حقيقي شخصية افتراضية.
الفيديوهات والدراما القصيرة / بديل للشخصيات: استعمل فيديو أداء الممثل كـ driving video وركّبو على رسم الشخصية ولا الصورة المرجعية، وهادشي مناسب للشخصيات الخيالية وشخصيات IP ولقطات البدائل منخفضة التكلفة؛ والقلب ديالو هو نقل الحركة من البداية للنهاية مع الحفاظ على الهوية.
الرقص وMV ورقصات اليد وإعادة الإبداع: استعمل قالب رقص واحد باش تحرّك شخصيات مختلفة، ودير رقص جماعي لشخصيات متعددة أو تبديل الملابس فالكادر نفسه أو MV بأسلوب خاص؛ والتحكم فزاوية الرؤية كيعاون حتى فصناعة مواد مونتاج فيها «نفس الحركة بموقع كاميرا مختلف».
محتوى التجارة الإلكترونية والعلامات التجارية: خلّي mascot ديال العلامة أو العارض الافتراضي يعرض الحركات حسب قالب موحّد، للاستعمال ففيديوهات المنتجات الجديدة وصفحات الحملات ومواد السوشيال ميديا؛ وقبل الاستعمال التجاري خاص معالجة حقوق الصورة وحقوق الملابس والامتثال لقوانين المنصة.
التعليم / عروض مدوّني المعرفة: حرّك صورة المدرّس أو المدرّس الكرتوني بقوالب حركية ثابتة، وولّد بالجملة لقطات البداية والانتقال والتنبيه للنقاط المهمة، باش تنقص تكلفة التصوير المتكرر.
شخصيات NPC فالألعاب / التخطيط المسبق للمشاهد: يقدر فريق التصميم يستعمل أداءً بشرياً لتحريك نموذج الشخصية بسرعة، والتحقق من إيقاع الحركة والكاميرا والمشاعر، ومن بعد يقرر واش يدخل لمسار التقاط الحركة والرندرة الرسمي.