一張角色圖片配合一段驅動影片，便可以生成動作自然、表情細緻的角色動畫，這正是 Wan-Animate-2 想處理的核心場景。它屬於角色動畫生成框架，重點不只放在畫質，還試圖解決身份容易走樣、動作細節流失，以及難以支援即時互動這幾個長期卡位。
跟不少依賴中間動作表示的方法不同，Wan-Animate-2 直接把 driving video 餵入重新設計的 Diffusion Transformer，避開 motion extractor 帶來的誤差與 identity drift。這種端到端做法的好處，是角色外觀保持得更穩，細微表情、複雜肢體動作，甚至角色與場景之間較合理的互動，都更容易保留下來。
它另一個值得留意的能力，是加入 text-driven viewpoint control，令輸出鏡頭角度可以跟驅動影片分開控制。對數字人、直播主持、虛擬角色演出這類互動工作流來說，這代表同一段驅動內容不一定要綁死原本視角，使用時更容易配合不同畫面需求。
- 直接使用 driving video，而不是先抽取中間動作表示
- 主打更穩定的 identity preservation 與 motion fidelity
- 支援 text-driven viewpoint control，可分離鏡頭視角與驅動動作
- 推出 Wan-Animate-2-Lite，目標是把推理延遲壓到即時門檻
- 預告公開 Wan-Animate-2-Base 權重，方便社群延伸研究
為了走向即時應用，團隊亦提出 Wan-Animate-2-Lite，並用三階段訓練流程去降低 inference latency，包括 teacher forcing pretraining、error buffer mechanism，以及 Self-Forcing distillation 配合 chunk-wise backpropagation。現有結果與使用者研究顯示，它在多種角色和動作模式下都有不錯的高保真表現；不過目前公開資訊仍以研究展示為主，部署成本、硬件需求與長時間串流穩定性，仍要等更多公開細節驗證。