Bilibili 开源动漫视频生成模型 AniSora V3 版

Bilibili（B站）宣布其开源动漫视频生成模型AniSora迎来重大更新，正式发布AniSora V3。作为Index-AniSora项目的一部分，V3版本在原有基础上进一步优化了生成质量、动作流畅度和风格多样性，为动漫、漫画及VTuber内容创作者提供了更强大的工具。

AniSora V3基于Bilibili此前开源的CogVideoX-5B和Wan2.1-14B模型，结合强化学习与人类反馈（RLHF）框架，显著提升了生成视频的视觉质量和动作一致性。其支持一键生成多种风格的动漫视频镜头，包括番剧片段、国创动画、漫画视频改编、VTuber内容）等。

核心升级包括：

• 时空掩码模块（Spatiotemporal Mask Module）优化：V3版本增强了时空控制能力，支持更复杂的动画任务，如精细的角色表情控制、动态镜头移动和局部图像引导生成。例如，提示“五位女孩在镜头放大时起舞，左手上举至头顶再下放至膝盖”能生成流畅的舞蹈动画，镜头与角色动作同步自然。
• 数据集扩展：V3继续依托超过1000万高质量动漫视频片段（从100万原始视频中提取）进行训练，新增数据清洗流水线，确保生成内容的风格一致性和细节丰富度。
• 硬件优化：V3新增对华为Ascend910B NPU的原生支持，完全基于国产芯片训练，推理速度提升约20%，生成4秒高清视频仅需2-3分钟。
• 多任务学习：V3强化了多任务处理能力，支持从单帧图像生成视频、关键帧插值到唇部同步等功能，特别适合漫画改编和VTuber内容创作。

在最新基准测试中，AniSora V3在VBench和双盲主观测试中，角色一致性和动作流畅度均达到业界顶尖水平（SOTA），尤其在复杂动作(如违反物理规律的夸张动漫动作)上表现突出。

Bilibili强调，AniSora是“对动漫世界的开源礼物”，鼓励社区协作优化模型。用户需填写申请表并发送至指定邮箱（如yangsiqian@bilibili.com）以获取V2.0权重和完整数据集访问权限。

V3还引入了首个针对动漫视频生成的RLHF框架，通过AnimeReward和GAPO等工具对模型进行微调，确保输出更符合人类审美和动漫风格需求。社区开发者已开始基于V3开发定制化插件，例如增强特定动漫风格（如吉卜力风）的生成效果。

AniSora V3支持多种动漫风格，包括日本动漫、国产原创动画、漫画改编、VTuber内容及恶搞动画（鬼畜动画），覆盖90%的动漫视频应用场景。 具体应用包括：

• 单图转视频：用户上传一张高质量动漫图像，配合文本提示（如“角色在向前行驶的车中挥手，头发随风摆动”），即可生成动态视频，保持角色细节和风格一致。
• 漫画改编：从漫画帧生成带唇部同步和动作的动画，适合快速制作预告片或短篇动画。
• VTuber与游戏：支持实时生成角色动画，助力独立创作者和游戏开发者快速测试角色动作。
• 高分辨率输出：生成视频支持高达1080p，确保在社交媒体、流媒体平台上的专业呈现。

AIbase测试显示，V3在生成复杂场景（如多角色交互、动态背景）时，相比V2减少了约15%的伪影问题，生成时间缩短至平均2.5分钟(4秒视频)。

相比OpenAI的Sora或Kling等通用视频生成模型，AniSora V3专注于动漫领域。 与字节跳动的EX-4D相比，AniSora V3更专注于2D/2.5D动漫风格，而非4D多视角生成。