**通义万相 Wan-Dancer 开源:分层解耦把舞蹈视频推到分钟级** 阿里通义实验室 Tongyi Lab 近日开源 Wan-Dancer,一款音乐驱动的人像舞蹈视频生成模型。给定一张照片加一段音乐,即可生成节奏精准的舞蹈视频,长度突破 1 分钟,最长 3 分钟——首次稳定跨越业界「20 秒时序瓶颈」。 **两阶段生成** 传统舞蹈生成在长序列上一直有三个痛点:动作与节拍错位、人物身份漂移、误差累积导致画面崩坏。Wan-Dancer 把生成拆成两段:Global DiT 吃完整首音乐生成关键帧骨架,先保长时一致;Local DiT 在关键帧之间补动作细节,解决单一重复。 **三个关键技术** 动态帧率适配用 RoPE 做时间映射,根除时序漂移;光流损失优化帧间过渡,让快速旋转等高难度动作保持连贯;用 prompt 标注运动速度,确保高速动作细节不丢。 模型 14B 参数,稳定输出 720p/30fps,官方演示了 2 分 41 秒中国古典舞、2 分 36 秒 K-Pop,覆盖中国古典舞、K-Pop、街舞、踢踏舞、拉丁舞五种风格,并支持 LoRA 定制专有舞种。 **为什么这件事值得说** Wan 系列一直以「开源 + 长视频」为标签。Wan-Dancer 把舞蹈视频从 20 秒抬到分钟级,同时保留开源和 LoRA 可定制性。对短视频创作、虚拟主播、舞蹈教学这些场景,「音乐 → 长视频」的全自动流水线正从研究 Demo 变成可用的产品工具。