AI创作工具与前沿动态｜8月10日

覆盖 2026 年 8 月 5 日至 7 日公开的三条线索：Wan-Animate-2 把角色身份交给参考图和驱动视频，ContextMaster 把多镜头历史控制在固定读取预算，MIDI-RAE-JEPA-SON 则用轻量 MIDI 模型给出可继续编辑的局部建议。共同点不是「更大」，而是模型开始保留创作者明确想留下的东西。

Wan-Animate-2 在 8 月 7 日公开推理脚本、Base 权重和 Distillation 权重。它直接读取驱动视频，兼顾动作生成与身份保持，并支持用文字改变输出视角；Lite 版本把延迟压到实时级别。模型卡给出 Apache 2.0 许可和 ModelScope Demo，但本地默认设置是 8× A800 跑 720P，另测试过 2× A800 跑 480P，因此「公开权重」不等于消费级即插即用。1

ContextMaster 于 8 月 5 日提交论文，把文本生成、参考图生成和视频编辑放进同一条多轮轨迹：被接受的镜头继续进入历史，固定预算路由只读取相关上下文。论文和项目页覆盖 T2MV、R2MV、V2MV、X2MV 四类操作，项目页报告单 GPU 16 FPS；论文评测包含 100、50、50 条任务与 20 条组合轨迹。它仍是研究原型，本次看到的是方法说明和演示，没有看到可直接下载的代码或权重入口。23

MIDI-RAE-JEPA-SON 论文同样发表于 8 月 5 日：2.55M 参数的层级 Swin V2 编码器在无标签 MIDI 钢琴卷帘上学习节奏、和声与旋律结构，再用 flow matching 补全被遮住的局部。论文报告重建 pixel F1 0.996，CPU 建议速度约 2.8 秒，Apple MPS 约 0.6 秒；在线 Demo 在论文补充材料中提供。它适合使用 MIDI 的作曲者和编曲者，不适合被理解为音频生成器：输入是 binary piano roll，速度、音色和录音细节会丢失，默认窗口约 4 小节或 8 秒，输出仍是建议片段。4 在线 Demo

今天的用法很具体：有显卡的动画创作者可以先试 Wan-Animate-2 的 Demo；做多镜头视频的人先读 ContextMaster 的「生成 → 参考 → 编辑」轨迹；做 MIDI 的人则可以在 Demo 里只补一小段和弦或旋律。三者都值得试，但都不该被写成「输入一句话就能交付成片」。