Animate Anyone 2 釋出：不僅讓靜態人物動起來，還能和環境真實互動

以前用 AI 讓靜態人物動起來，最尷尬的瞬間不是動作僵硬，而是人物看起來像一張懸浮在背景前的貼紙。哪怕舞跳得再好，角色踩在地上沒有陰影，手裡抓著東西直接穿模，一眼就能看出來假。

初代 Animate Anyone 靠著讓靜止照片跳舞火遍全網，現在原班團隊帶著 Animate Anyone 2 回來了。這一次，他們試圖解決這個最讓人出戲的問題：讓角色真正走入環境，並和周圍的物體產生互動。

告別貼紙感：給角色裝上「環境感知」

論文把這套核心能力稱為「環境可供性」（environment affordance）。簡單來說，以前的擴散模型只顧著把動作骨架套在人物身上，背景只是背景，人和周圍環境毫無關聯。

在 Animate Anyone 2 中，系統不僅從參考影片裡提取動作訊號，還會把背景環境當作重要的條件輸入。研究人員把畫面中排除人物以外的區域單獨提取出來，建立環境表徵，再讓模型把角色填回這些空白區域，確保生成的人物從一開始就和周圍背景在光影、透視與空間結構上融為一體。

為了更好地處理人物與場景的交界，團隊設計了一種形狀不可知的掩碼策略（shape-agnostic mask）。這種設計不再死板地框定人物輪廓，讓角色在移動或改變姿態時，與背景的過渡更加自然。

拿起杯子不穿模：專治各種抓取互動

除了融入大環境，日常動作裡最難的是與具體物體互動。比如人拿杯子喝水、搬箱子或者握工具，手指和物體的接觸面很容易崩潰變形。

針對這種高難度場景，Animate Anyone 2 專門引入了一個「物體引導器」（object guider）。它的工作是精準提取被互動物體的特徵，然後通過空間混合技術（spatial blending）把這些特徵融入到擴散生成過程中。這樣一來，人物在接觸物體時，手部和物體的形態都能保持清晰穩定，大大減少了懸空或穿模的尷尬。

此外，團隊還加入了一套姿態調變策略（pose modulation），專門用來應對更多樣、幅度更大的複雜動作模式，避免動作劇烈時畫面崩壞。

為什麼重要

我們認為，Animate Anyone 2 標誌著角色動畫生成工具正在跨過「能動就行」的第一階段，進入了比拼「物理真實感」的深水區。

對於創作者和獨立遊戲開發者來說，這直接決定了 AI 生成影片能否真正進入工作流。以往用單張圖片生成動態角色，背景往往只能挑純色或空曠平地，一旦涉及拿道具或者靠著桌子，畫面立刻露餡。如果能穩定實現物體互動與空間融合，製作短影片分鏡、遊戲 NPC 動作乃至虛擬主播互動的門檻都會被大幅拉低。

從技術思路上看，團隊做得很聰明的一點是沒有單純去堆引數，而是精準切中了「環境可供性」和「物體互動」這兩個痛點。用專門的物體引導器配合空間混合，比起讓主模型盲目猜測互動邏輯，顯示卡開銷更可控，成片質量也更容易收斂。

不過看起來，互動的複雜度上限依然會受到參考影片和遮擋關係的考驗。如果物體本身在運動中有大面積遮擋或形變，目前方案的表現如何還有待檢驗。但無論如何，能讓 AI 人物從貼紙變成真正在環境裡幹活的角色，這已經是向前邁出的一大步。