7 月 7 日消息，B站團隊的開源動漫視頻生成模型 AniSora 于 7 月 2 日更新到 AniSora V3 預覽版。

作為 Index-AniSora 項目的一部分，V3 版本在原有基礎上進一步優化了生成質量、動作流暢度和風格多樣性，為動漫、漫畫及 VTuber 內容創作者提供了更強大的工具。

AniSora 支持一鍵生成多種動漫風格的視頻鏡頭，包括番劇片段、國創動畫、漫畫改編、VTuber 內容、動畫 PV、鬼畜（MAD）等。

AniSora V3 基于B站此前開源的 CogVideoX-5B 和 Wan2.1-14B 模型，結合強化學習與人類反饋（RLHF）框架，顯著提升了生成視頻的視覺質量和動作一致性。其支持一鍵生成多種風格的動漫視頻鏡頭，包括番劇片段、國創動畫、漫畫視頻改編、VTuber 內容等。

核心升級包括：

時空掩碼模塊（Spatiotemporal Mask Module）優化：V3 版本增強了時空控制能力，支持更復雜的動畫任務，如精細的角色表情控制、動態鏡頭移動和局部圖像引導生成。例如，提示“五位女孩在鏡頭放大時起舞，左手上舉至頭頂再下放至膝蓋”能生成流暢的舞蹈動畫，鏡頭與角色動作同步自然。

數據集擴展：V3 繼續依托超過 1000 萬高質量動漫視頻片段（從 100 萬原始視頻中提取）進行訓練，新增數據清洗流水線，確保生成內容的風格一致性和細節豐富度。

硬件優化：V3 新增對華為 Ascend910B NPU 的原生支持，完全基于國產芯片訓練，推理速度提升約 20%，生成 4 秒高清視頻僅需 2-3 分鐘。

多任務學習：V3 強化了多任務處理能力，支持從單幀圖像生成視頻、關鍵幀插值到唇部同步等功能，特別適合漫畫改編和 VTuber 內容創作。

在最新基準測試中，AniSora V3 在 VBench 和雙盲主觀測試中，角色一致性和動作流暢度均達到業界頂尖水平（SOTA），尤其在復雜動作 (如違反物理規律的夸張動漫動作) 上表現突出。

V3 還引入了首個針對動漫視頻生成的 RLHF 框架，通過 AnimeReward 和 GAPO 等工具對模型進行微調，確保輸出更符合人類審美和動漫風格需求。社區開發者已開始基于 V3 開發定制化插件，例如增強特定動漫風格（如吉卜力風）的生成效果。

AniSora V3 支持多種動漫風格，包括日本動漫、國產原創動畫、漫畫改編、VTuber 內容及惡搞動畫（鬼畜動畫），覆蓋 90% 的動漫視頻應用場景。具體應用包括：

單圖轉視頻：用戶上傳一張高質量動漫圖像，配合文本提示（如“角色在向前行駛的車中揮手，頭發隨風擺動”），即可生成動態視頻，保持角色細節和風格一致。

漫畫改編：從漫畫幀生成帶唇部同步和動作的動畫，適合快速制作預告片或短篇動畫。

VTuber 與游戲：支持實時生成角色動畫，助力獨立創作者和游戲開發者快速測試角色動作。

高分辨率輸出：生成視頻支持高達 1080p，確保在社交媒體、流媒體平臺上的專業呈現。

AIbase 測試顯示，V3 在生成復雜場景（如多角色交互、動態背景）時，相比 V2 減少了約 15% 的偽影問題，生成時間縮短至平均 2.5 分鐘（注：4 秒視頻）。

相比 OpenAI 的 Sora 或 Kling 等通用視頻生成模型，AniSora V3 專注于動漫領域。與字節跳動的 EX-4D 相比，AniSora V3 更專注于 2D / 2.5D 動漫風格，而非 4D 多視角生成。