AniMaker: Автоматизированное создание анимационных историй с несколькими агентами на основе генерации клипов с использованием MCTS

AniMaker: Automated Multi-Agent Animated Storytelling with MCTS-Driven Clip Generation

June 12, 2025

Авторы: Haoyuan Shi, Yunxin Li, Xinyu Chen, Longyue Wang, Baotian Hu, Min Zhang

cs.AI

Аннотация

Несмотря на быстрый прогресс в моделях генерации видео, создание связных повествовательных видеороликов, охватывающих несколько сцен и персонажей, остается сложной задачей. Современные методы часто жестко преобразуют предварительно сгенерированные ключевые кадры в клипы фиксированной длины, что приводит к разрозненным повествованиям и проблемам с темпом. Более того, присущая моделям генерации видео нестабильность означает, что даже один низкокачественный клип может значительно ухудшить логическую связность и визуальную непрерывность всей выходной анимации. Чтобы преодолеть эти препятствия, мы представляем AniMaker — многоагентный фреймворк, который обеспечивает эффективную генерацию множества кандидатов клипов и их выбор с учетом повествовательной связности, создавая глобально согласованную и сюжетно-логичную анимацию исключительно на основе текстового ввода. Фреймворк структурирован вокруг специализированных агентов, включая Режиссерского агента для создания раскадровки, Фотографического агента для генерации видеоклипов, Рецензентского агента для оценки и Пост-продакшн агента для редактирования и озвучки. Ключевыми техническими компонентами AniMaker являются MCTS-Gen в Фотографическом агенте — эффективная стратегия, вдохновленная методом Монте-Карло для деревьев поиска (MCTS), которая интеллектуально исследует пространство кандидатов для генерации клипов с высоким потенциалом, оптимизируя использование ресурсов; и AniEval в Рецензентском агенте — первый фреймворк, специально разработанный для оценки многосценовой анимации, который оценивает такие важные аспекты, как согласованность на уровне сюжета, завершенность действий и специфические особенности анимации, рассматривая каждый клип в контексте предшествующих и последующих клипов. Эксперименты показывают, что AniMaker достигает превосходного качества, измеряемого популярными метриками, включая VBench и наш предложенный фреймворк AniEval, при этом значительно повышая эффективность генерации множества кандидатов, приближая анимацию, созданную с помощью ИИ, к производственным стандартам.

English

Despite rapid advancements in video generation models, generating coherent storytelling videos that span multiple scenes and characters remains challenging. Current methods often rigidly convert pre-generated keyframes into fixed-length clips, resulting in disjointed narratives and pacing issues. Furthermore, the inherent instability of video generation models means that even a single low-quality clip can significantly degrade the entire output animation's logical coherence and visual continuity. To overcome these obstacles, we introduce AniMaker, a multi-agent framework enabling efficient multi-candidate clip generation and storytelling-aware clip selection, thus creating globally consistent and story-coherent animation solely from text input. The framework is structured around specialized agents, including the Director Agent for storyboard generation, the Photography Agent for video clip generation, the Reviewer Agent for evaluation, and the Post-Production Agent for editing and voiceover. Central to AniMaker's approach are two key technical components: MCTS-Gen in Photography Agent, an efficient Monte Carlo Tree Search (MCTS)-inspired strategy that intelligently navigates the candidate space to generate high-potential clips while optimizing resource usage; and AniEval in Reviewer Agent, the first framework specifically designed for multi-shot animation evaluation, which assesses critical aspects such as story-level consistency, action completion, and animation-specific features by considering each clip in the context of its preceding and succeeding clips. Experiments demonstrate that AniMaker achieves superior quality as measured by popular metrics including VBench and our proposed AniEval framework, while significantly improving the efficiency of multi-candidate generation, pushing AI-generated storytelling animation closer to production standards.