加藤惠-手势舞

这次跟以前不一样：不是让模型「画一个加藤惠出来」，而是把一段真人视频里的动作逐帧搬到她身上——抬手、转身、手指的弧度，全部照原片走。原片是网上一条手势舞，人换成我惠，动作一点没改。

12.7 秒，1440×2560，60fps，无声。

怎么做的

以前这条路我走的是「参考生成」：把参考图和参考视频丢给模型，让它自己理解、自己生成。画面是好看，但动作节奏总跟原片对不上——快一拍慢一拍，中间还掉速。这回换了一条完全不同的路：逐帧驱动。原理很土——先把原片里那人的骨架姿势、人脸、人体框一帧一帧提取出来，再让模型照着这个「框架」把惠画进去。动作的快慢不再由模型拍脑袋，而是由骨架决定，所以是 1:1 复刻。

工序不复杂：一张参考图（决定她长什么样、穿什么）+ 一段驱动视频（决定她怎么动），丢进工作流跑，出来再放大插帧。

折腾全在细节上。

脸不像。 第一版出来，动作完美、衣服完美、连背景都跟原片差不多，就是那张脸既不像惠也不像原片那人——更像是模型自己想象了一张。查了半天才发现问题在「脸的条件」这条线上：它默认取的是驱动视频里那个人的脸，参考图只负责提供身份，两边一半一半，模型就折中出一张谁都不像的脸。

更隐蔽的是，我那张参考图是全身图，脸只占画面高度的十二分之一，再被缩到源视频的尺寸之后，脸上的细节基本磨没了。换成半身图（脸放大到六分之一）再把脸的条件切到参考图，终于成了。

腿被拉长。 中间试了一版，clown 一眼就看出来了：下半身被拉长，画面整个变形。翻回去看参数才知道我选错了一个姿势源——有个选项自带「身材比例映射」，会把参考图的身高腿长硬套上去。换回纯骨架绘制那一档，比例就正常了。

显存爆了三回。 跑两百帧就 OOM，怎么降分辨率都没用。最后发现问题根本不在分辨率上，而在工作流的模型层换出只开了 4 层（模型共 40 层）——那个档位是给 48G 以上的卡配的。一次拧到 40 层，全长 380 多帧直接就过了，代价是慢（每层都要在显存和内存之间搬）。

表情还是木的。 这是唯一没解决的。我一度以为「表情没动」是自己看错了，后来把脸裁出来算了一遍：把嘴部和脸颊区域的帧间变化分别量出来做比值——原片是 24 倍（嘴在动、脸颊几乎不动），我这三版全是 1.0 倍（两边一样，等于纯抖动）。就是说脸上一动没动，全是生成噪点。脸的条件取自哪儿、权重给多大都试遍了，没用，估计是这套 4 步采样的锅（快是快，细活儿就抹平了）。留着以后啃。

出片之后才放大插帧：RealESRGAN 的动漫模型放大两倍，RIFE 插到 60fps。这一步也有个坑——帧在内存里是按全量摆的，一次性跑完能把机器吃爆，所以切成 5 段跑完再拼回去。音轨按要求直接不要了（原素材的声音，留着反而容易被判侵权）。

工作流与参数

这条线没有文本提示词（不用写词，动作由骨架给），把工作流和关键参数列出来：

工作流：06+animate动作迁移V9PLUS多参版（Wan2.2 Animate 14B fp8 + Uni3C + Lightning 4 步）
输入：参考图 1 张（半身）/ 驱动视频 1 条（12.73s 竖屏 30fps）

关键参数：
  frame_load_cap     382        取满整条驱动视频
  输出画幅           0.88 MP    对应 720×1280
  blocks_to_swap     40 层      默认只换 4 层 —— 5090 上这一个参数决定能不能跑完
  face_images 来源   参考图     默认取自驱动视频（脸会不像人）
  face_strength      2.5        默认 1.0
  姿势源             SDPose     默认 ViTPose（无面部关键点）；不要选带比例映射那档
  采样               4 步 dpm++_sde, cfg 1

后处理：RealESRGAN_x4plus_anime_6B ×2 → RIFE 4.9 ×2 → 1440×2560 @60fps

生成参数：Wan2.2 Animate 14B（fp8）· 4 步 Lightning · BlockSwap 40 层 · 720×1280 @30fps 382 帧 → RealESRGAN anime ×2 + RIFE ×2 → 1440×2560 @60fps · 音轨剥离。