AniSora：B站开源的动漫视频生成模型

AniSora是什么？

AniSora是哔哩哔哩在2025年5月12日开源的一个ai动画视频生成系统。它能轻松生成各种风格的动漫视频，比如番剧片段、国创动画、漫画改编、VTuber内容、动画PV，还有鬼畜视频。这个系统在保持角色形象和动作流畅性方面做得很不错，可以说是目前最先进的动画视频生成模型。

AniSora功能

图像到视频生成：根据单张图片生成连贯的动画视频，适用于从静态画面扩展为动态场景。

帧插值：支持关键帧插值，基于生成中间帧实现平滑过渡，减少动画制作中手工绘制的工作量。

局部图像引导：支持用户指定特定区域进行动画生成。

时空控制：结合时间和空间的控制能力，支持首帧、尾帧、多帧引导等多种方式，实现精准的动画创作。

AniSora模型特点

针对性优化：相比自然视频，动漫视频在风格上更具表现力和抽象性，传统的生成模型往往难以精准复现角色神态、动作节奏以及夸张的镜头语言。AniSora 针对这些特性做了针对性优化，目标是在不牺牲创意表达的前提下，提升视频生成效率。

多样化风格支持：能够一键生成多种风格的视频片段，涵盖系列剧集、中国原创动画、漫画改编、VTuber 内容、动漫 PV 甚至是鬼畜类创作。

低门槛创作：对于有实际制作需求的个人或工作室而言，AniSora 是极具吸引力的创作工具。

AniSora核心模块

数据处理流水线：预处理了超过 1000 万对高质量的文本 - 视频数据，为训练提供了坚实基础。

可控生成模型：引入时空掩码模块，支持图生视频、关键帧插值、局部图像引导等功能，能够适配各种创作需求。

评测体系：构建了包含 948 段多样化动画片段的评测数据集，结合双盲人评审和 VBench 评分系统，对人物一致性、动作衔接等维度进行打分。

AniSora技术原理

扩散模型（Diffusion Model）：基于扩散模型架构，逐步去除噪声生成高质量的视频内容。

时空掩码模块（Spatiotemporal Mask Module）：支持模型在生成过程中对特定时间和空间区域进行控制，例如掩码指定哪些帧或哪些区域需要生成动画，实现局部引导和关键帧插值等功能。

3D 因果变分自编码器（3D Causal VAE）：用于对视频的时空特征进行编码和解码，将视频压缩到低维的潜在空间，降低计算复杂度，同时保留关键的时空信息。

Transformer 架构：结合 Transformer 的强大建模能力，基于注意力机制捕捉视频中的复杂时空依赖关系，使模型能够处理长序列数据，生成更连贯的视频内容。

监督微调（Supervised Fine-Tuning）：在预训练的基础上，用大量的动画视频数据进行监督微调，通过多种策略（如弱到强的训练策略、多任务学习等）提高模型的泛化能力和生成质量。

数据处理流水线：基于场景检测、光学流分析、美学评分等技术，从大量原始动画视频中筛选出高质量的训练数据，确保训练数据的质量和多样性。

开源地址

https://github.com/bilibili/Index-anisora/tree/main

https://huggingface.co/IndexTeam/Index-anisora

https://www.modelscope.cn/organization/bilibili-index