Wan-S2V: Генерация кинематографического видео на основе аудио
Wan-S2V: Audio-Driven Cinematic Video Generation
August 26, 2025
Авторы: Xin Gao, Li Hu, Siqi Hu, Mingyang Huang, Chaonan Ji, Dechao Meng, Jinwei Qi, Penchong Qiao, Zhen Shen, Yafei Song, Ke Sun, Linrui Tian, Guangyuan Wang, Qi Wang, Zhongjian Wang, Jiayu Xiao, Sheng Xu, Bang Zhang, Peng Zhang, Xindi Zhang, Zhe Zhang, Jingren Zhou, Lian Zhuo
cs.AI
Аннотация
Современные передовые методы (state-of-the-art, SOTA) для анимации персонажей, управляемой аудио, демонстрируют впечатляющие результаты в сценариях, связанных преимущественно с речью и пением. Однако они часто оказываются недостаточно эффективными в более сложных кинематографических и телевизионных постановках, которые требуют таких изощренных элементов, как тонкие взаимодействия персонажей, реалистичные движения тела и динамическая работа камеры. Для решения этой давней задачи достижения анимации персонажей на уровне кино мы предлагаем модель, управляемую аудио, которую мы называем Wan-S2V, основанную на Wan. Наша модель демонстрирует значительно улучшенную выразительность и точность в кинематографических контекстах по сравнению с существующими подходами. Мы провели обширные эксперименты, сравнивая наш метод с передовыми моделями, такими как Hunyuan-Avatar и Omnihuman. Результаты экспериментов последовательно показывают, что наш подход значительно превосходит эти существующие решения. Кроме того, мы исследуем универсальность нашего метода через его применение в генерации длинных видео и точном редактировании синхронизации губ в видео.
English
Current state-of-the-art (SOTA) methods for audio-driven character animation
demonstrate promising performance for scenarios primarily involving speech and
singing. However, they often fall short in more complex film and television
productions, which demand sophisticated elements such as nuanced character
interactions, realistic body movements, and dynamic camera work. To address
this long-standing challenge of achieving film-level character animation, we
propose an audio-driven model, which we refere to as Wan-S2V, built upon Wan.
Our model achieves significantly enhanced expressiveness and fidelity in
cinematic contexts compared to existing approaches. We conducted extensive
experiments, benchmarking our method against cutting-edge models such as
Hunyuan-Avatar and Omnihuman. The experimental results consistently demonstrate
that our approach significantly outperforms these existing solutions.
Additionally, we explore the versatility of our method through its applications
in long-form video generation and precise video lip-sync editing.