你让 AI 生成一段舞蹈，十几秒往往还能像样；时间一长，人物可能变脸，动作开始重复，节拍也渐渐对不上。Wan-Dancer 想解决的正是这个问题：让数字角色不只完成一段演示，而是把舞蹈稳定地延长到分钟级。
它是一套音乐到舞蹈视频生成框架——根据音频的节拍和结构合成人物动作及完整画面，同时还能接收文字提示。项目方称，它可以生成超过一分钟的 720p、30fps 视频，并覆盖五种舞蹈类型。不过，目前供稿只有一篇基本照录项目宣传文案的 Reddit 帖文，以下性能与发布信息均来自这一单一信源，尚无第三方复现支持。
先编排，再生成
Wan-Dancer 的核心思路并不复杂：不要让模型从头到尾临场发挥，而是先排好整支舞的大致结构，再补齐局部动作。
这套“分层框架”把生成拆成两步。第一步是全局关键帧规划，相当于先确定一段舞里哪些时刻要出现哪些关键姿态。第二步是局部时间细化，在关键帧之间生成连续动作和画面细节。这样做是为了减少误差一路累积：如果模型只顾眼前几秒，越往后就越容易忘记人物原来的样子，也可能偏离最初的动作方向。
它还会利用整段音乐的上下文，而不只是读取当前的一小段。说白了，模型在安排眼前动作时，也能参考前后段落，希望让舞蹈的起伏与音乐的整体结构对应起来。
怎样让动作跟得上节拍？
帖子提到三项具体设计。
第一项是基于 time-mapped RoPE embeddings 的动态帧率适配。RoPE embeddings 可以理解为模型给不同时间位置加上的“时间刻度”；time-mapped 表示这些刻度会映射到实际时间。动态调整帧率，则是为了让画面时间与音乐时间更准确地对齐。
第二项是基于光流的损失函数。光流描述物体在相邻画面中的移动方向和距离；损失函数则是训练时用来告诉模型“哪里做得不对”的评分规则。把两者结合，是为了减少动作在画面之间突然跳变，让运动看起来更连续。
第三项是运动速度控制。快速动作更容易丢失细节，项目方希望借此在人物加速移动时，仍保住较清晰的姿态和画面。
为什么舞蹈是块试金石？
长视频生成难的不只是多生成一些画面。扩散模型——一种通过逐步去除噪声来生成图像或视频的方法——面对的时间跨度越长，就越难同时守住人物身份、姿态、运动方向和场景。舞蹈还多了一重约束：动作不仅要前后连贯，落点还得长期贴合音乐节拍。
因此，分钟级舞蹈是检验“时序一致性”的高难度样板。Wan-Dancer 值得关注的地方，也不只是帖子所称的超过一分钟，而是它尝试把长视频生成从短片段拼接，推进到先理解整段结构、再完成局部动作。如果这条路线经得起验证，它对数字角色创作者的意义会比单个漂亮样片更大。
局限与未知
- 帖子称现有扩散模型通常无法稳定生成超过 20 秒的舞蹈视频，但没有说明比较了哪些模型，也没有定义“失败”。
- “新 state-of-the-art”和“更强时序稳定性”属于项目方的比较性表述；材料没有提供基准、指标、对照结果或统计检验，不能视为已经证实。
- 帖子称模型权重与推理代码已于 2026 年 7 月 13 日发布，并提供 ModelScope Studio 和 Hugging Face Space 入口，但供稿没有直接核验仓库文件。标题中的“一首歌”也只是通俗概括：材料能支持的是视频超过一分钟，不代表它适用于任意完整歌曲。