Animate Anyone 2 发布：不仅让静态人物动起来，还能和环境真实互动

以前用 AI 让静态人物动起来，最尴尬的瞬间不是动作僵硬，而是人物看起来像一张悬浮在背景前的贴纸。哪怕舞跳得再好，角色踩在地上没有阴影，手里抓着东西直接穿模，一眼就能看出来假。

初代 Animate Anyone 靠着让静止照片跳舞火遍全网，现在原班团队带着 Animate Anyone 2 回来了。这一次，他们试图解决这个最让人出戏的问题：让角色真正走入环境，并和周围的物体产生交互。

告别贴纸感：给角色装上「环境感知」

论文把这套核心能力称为「环境可供性」（environment affordance）。简单来说，以前的扩散模型只顾着把动作骨架套在人物身上，背景只是背景，人和周围环境毫无关联。

在 Animate Anyone 2 中，系统不仅从参考视频里提取动作信号，还会把背景环境当作重要的条件输入。研究人员把画面中排除人物以外的区域单独提取出来，建立环境表征，再让模型把角色填回这些空白区域，确保生成的人物从一开始就和周围背景在光影、透视与空间结构上融为一体。

为了更好地处理人物与场景的交界，团队设计了一种形状不可知的掩码策略（shape-agnostic mask）。这种设计不再死板地框定人物轮廓，让角色在移动或改变姿态时，与背景的过渡更加自然。

拿起杯子不穿模：专治各种抓取交互

除了融入大环境，日常动作里最难的是与具体物体互动。比如人拿杯子喝水、搬箱子或者握工具，手指和物体的接触面很容易崩溃变形。

针对这种高难度场景，Animate Anyone 2 专门引入了一个「物体引导器」（object guider）。它的工作是精准提取被交互物体的特征，然后通过空间混合技术（spatial blending）把这些特征融入到扩散生成过程中。这样一来，人物在接触物体时，手部和物体的形态都能保持清晰稳定，大大减少了悬空或穿模的尴尬。

此外，团队还加入了一套姿态调制策略（pose modulation），专门用来应对更多样、幅度更大的复杂动作模式，避免动作剧烈时画面崩坏。

为什么重要

我们认为，Animate Anyone 2 标志着角色动画生成工具正在跨过「能动就行」的第一阶段，进入了比拼「物理真实感」的深水区。

对于创作者和独立游戏开发者来说，这直接决定了 AI 生成视频能否真正进入工作流。以往用单张图片生成动态角色，背景往往只能挑纯色或空旷平地，一旦涉及拿道具或者靠着桌子，画面立刻露馅。如果能稳定实现物体交互与空间融合，制作短视频分镜、游戏 NPC 动作乃至虚拟主播交互的门槛都会被大幅拉低。

从技术思路上看，团队做得很聪明的一点是没有单纯去堆参数，而是精准切中了「环境可供性」和「物体交互」这两个痛点。用专门的物体引导器配合空间混合，比起让主模型盲目猜测交互逻辑，显卡开销更可控，成片质量也更容易收敛。

不过看起来，交互的复杂度上限依然会受到参考视频和遮挡关系的考验。如果物体本身在运动中有大面积遮挡或形变，目前方案的表现如何还有待检验。但无论如何，能让 AI 人物从贴纸变成真正在环境里干活的角色，这已经是向前迈出的一大步。