Wan-S2V 影片模型亮相：單張照片配音訊，生成電影質感動態影片

以前讓一張靜態照片開口說話，效果往往像會動的剪紙貼畫，脖子僵硬，五官亂飛。

研究團隊最近公佈了 Wan-S2V，全稱是音訊驅動的電影級影片生成模型。只要給它一張靜態人物圖和一段音訊，它就能生成音畫同步的高畫質動態影片。

這套模型不僅能搞定對白，連唱歌和專業表演也能模擬出來，支援全身和半身人物構圖。

給一張圖和一段音訊，AI 開始「飆戲」

大多數會說話的數字人工具，鏡頭基本上都焊死在角色胸口以上，稍微動一下就會露餡。

Wan-S2V 針對的是影視場景。它除了能對上口型，還能順帶生成自然的肢體動作和麵部微表情，甚至還能加入專業的鏡頭運鏡。

更有意思的是，模型支援指令控制。你可以用提示詞指定角色動作和環境變化，讓生成的畫面更契合具體的情節氛圍。

拆解 14B 引數和數百萬人類影片的組合拳

為了讓動作和表情不走形，團隊在資料上花了不少心思。

他們從 OpenHumanVid 和 Koala36M 這類超大數據集裡自動過濾，再配合人工篩選，專門挑出說話、唱歌、跳舞等高質量片段，攢起了一個數百萬級別的以人物為核心的專屬資料集。

測試使用的是 Wan2.2-S2V-14B 模型。

在基準測試中，Wan2.2-S2V 的 FID 分數壓到了 15.66，PSNR 達到 20.49，SSIM 達到 0.734，在同類模型裡拿到了更優的畫面畫質。

更關鍵的是身份一致性指標 CSIM 達到了 0.677，明顯高於同臺競技的 EMO2、MimicMotion 和 Hunyuan-Avatar。

在表現嘴型同步的 Sync-C 上，它拿到了 4.51 分，雖然略遜於 Hunyuan-Avatar 的 4.71 分和 EMO2 的 4.58 分，但綜合表情真實度 EFID 依然排在前列。

為什麼重要

在音訊驅動影片這個細分領域，很多產品都在死磕短影片播報，把重點全放在對嘴型上。

Wan-S2V 聰明的地方在於，它一開始就瞄準了影視劇情。對創作者來說，這意味著概念短片、過場動畫甚至是音樂 MV，都能用一張概念設定圖配上人聲小樣直接跑出動態分鏡。

它的身份一致性指標拔得很高，這對講故事至關重要，畢竟角色一說話就變臉在影視敘事裡是完全無法容忍的。

但從公佈的資料來看，我們認為它在極致的口型同步上還有微小的追趕空間，Sync-C 並沒有拿下第一。

同時，全身大幅度運動與音訊節奏的深度繫結，在複雜物理互動下會不會出現崩壞，仍然需要看開源社群的大規模實測。

如果未來這個 14B 引數的模型能夠順利落地，影視前期的動態故事板和虛擬角色製作門檻，看起來會被進一步拉低。