Wan-Dancer：AI 编舞突破分钟级大关，音乐驱动生成超1分钟连贯舞蹈视频
2026年7月13日1 次阅读
Wan-Dancer：AI 编舞突破分钟级大关，音乐驱动生成超1分钟连贯舞蹈视频
用音乐驱动 AI 生成舞蹈视频，这件事已经不新鲜——但生成超过20秒还能保持连贯，一直是行业难题。Wan-Video 团队最新发布的 Wan-Dancer，用分层框架把这个天花板推到了分钟级：720p/30fps、超过1分钟的稳定舞蹈视频，覆盖5种舞种，支持音频和文本双条件驱动。
现有方案的瓶颈在哪
目前主流的舞蹈视频生成方案分两派：一派走3D骨架中间表示，先出骨骼动作再渲染视频；另一派端到端直接从音乐生成视频。两派各有短板——延长到20秒以上时，3D骨架方案容易出现动作重复和风格漂移，端到端方案则更容易出现身份不一致和帧间跳变。核心矛盾在于：扩散模型的时间注意力机制天然难以覆盖长时序，而舞蹈恰恰需要整首曲子的上下文才能编出有结构的动作。
Wan-Dancer 的分层解耦思路
Wan-Dancer 的核心创新是把生成过程拆成两层：
- 全局关键帧规划：先根据整首音乐的全局上下文，规划出整段舞蹈的关键帧序列，确保从头到尾的动作有整体结构和节奏呼应。
- 局部时间细化：再在关键帧之间做插值和细化，填充流畅的过渡动作。
这种"先搭骨架再填肉"的思路，让模型既能利用全曲音乐信息保证长程连贯，又不会因为一次性生成太长而失控。
三项关键技术细节
- 动态帧率适配（time-mapped RoPE）：通过重新映射旋转位置编码（RoPE），让模型在不同速度段落自动调整帧率对齐，确保音乐节拍和动作精准同步——快节奏段落不丢帧，慢节奏段落不冗余。
- 光流损失函数：在训练中引入基于光流的连续性约束，减少相邻帧之间的运动跳变，让动作过渡更丝滑。
- 运动速度控制：专门针对快速动作设计了速度保持机制，避免扩散模型在高速运动时"糊掉"细节。
实际效果
论文报告的结果显示，Wan-Dancer 能稳定生成超过1分钟的720p/30fps舞蹈视频，在5种不同舞蹈风格上都表现稳健。相比此前方法，在时间稳定性、动作多样性和音乐-动作同步性上都有明显提升，建立了长篇连贯舞蹈视频合成的新标杆。
谁能用、怎么用
- 编舞师：输入一段音乐，快速获得舞蹈参考视频，加速创作流程
- 虚拟偶像/数字人运营：批量生成长时长舞蹈内容，降低制作成本
- 短视频/MV创作者：音乐+文本描述即可生成定制舞蹈素材
- 游戏动画师：为角色生成舞蹈动作参考
目前的局限
Wan-Dancer 目前仍处于论文阶段，GitHub 仓库（Wan-Video/Wan-Dancer）尚未正式上线，代码和模型权重暂不可用。快速复杂动作的细节保真度、不同人种/体型的泛化能力，以及实际部署的推理成本，都还需要社区进一步验证。
---
来源：
- 论文：[Wan-Dancer: A Hierarchical Framework for Minute-scale Coherent Music-to-Dance Generation](https://arxiv.org/abs/2607.09581)（arXiv:2607.09581，2026年7月10日提交）
- 项目页：[github.com/Wan-Video/Wan-Dancer](https://github.com/Wan-Video/Wan-Dancer)