Wan-S2V 视频模型亮相：单张照片配音频，生成电影质感动态视频

以前让一张静态照片开口说话，效果往往像会动的剪纸贴画，脖子僵硬，五官乱飞。

研究团队最近公布了 Wan-S2V，全称是音频驱动的电影级视频生成模型。只要给它一张静态人物图和一段音频，它就能生成音画同步的高清动态视频。

这套模型不仅能搞定对白，连唱歌和专业表演也能模拟出来，支持全身和半身人物构图。

给一张图和一段音频，AI 开始「飙戏」

大多数会说话的数字人工具，镜头基本上都焊死在角色胸口以上，稍微动一下就会露馅。

Wan-S2V 针对的是影视场景。它除了能对上口型，还能顺带生成自然的肢体动作和面部微表情，甚至还能加入专业的镜头运镜。

更有意思的是，模型支持指令控制。你可以用提示词指定角色动作和环境变化，让生成的画面更契合具体的情节氛围。

拆解 14B 参数和数百万人类视频的组合拳

为了让动作和表情不走形，团队在数据上花了不少心思。

他们从 OpenHumanVid 和 Koala36M 这类超大数据集里自动过滤，再配合人工筛选，专门挑出说话、唱歌、跳舞等高质量片段，攒起了一个数百万级别的以人物为核心的专属数据集。

测试使用的是 Wan2.2-S2V-14B 模型。

在基准测试中，Wan2.2-S2V 的 FID 分数压到了 15.66，PSNR 达到 20.49，SSIM 达到 0.734，在同类模型里拿到了更优的画面画质。

更关键的是身份一致性指标 CSIM 达到了 0.677，明显高于同台竞技的 EMO2、MimicMotion 和 Hunyuan-Avatar。

在表现嘴型同步的 Sync-C 上，它拿到了 4.51 分，虽然略逊于 Hunyuan-Avatar 的 4.71 分和 EMO2 的 4.58 分，但综合表情真实度 EFID 依然排在前列。

为什么重要

在音频驱动视频这个细分领域，很多产品都在死磕短视频播报，把重点全放在对嘴型上。

Wan-S2V 聪明的地方在于，它一开始就瞄准了影视剧情。对创作者来说，这意味着概念短片、过场动画甚至是音乐 MV，都能用一张概念设定图配上人声小样直接跑出动态分镜。

它的身份一致性指标拔得很高，这对讲故事至关重要，毕竟角色一说话就变脸在影视叙事里是完全无法容忍的。

但从公布的数据来看，我们认为它在极致的口型同步上还有微小的追赶空间，Sync-C 并没有拿下第一。

同时，全身大幅度运动与音频节奏的深度绑定，在复杂物理互动下会不会出现崩坏，仍然需要看开源社区的大规模实测。

如果未来这个 14B 参数的模型能够顺利落地，影视前期的动态故事板和虚拟角色制作门槛，看起来会被进一步拉低。