EchoMimicV2 是蚂蚁集团（Alipay, Ant Group）终端技术部推出的开源 AI 数字人模型，属于 EchoMimic 系列，定位为“迈向引人注目、简化且半身的人像动画”。根据官方资料，EchoMimicV2 利用一张参考图像、一段音频片段和一系列手部姿态，生成高质量动画视频，并确保音频内容与半身动作之间保持一致。
用途方面，EchoMimicV2 专注于半身人像动画生成，目标是在简化不必要控制条件的前提下，实现具有表现力的半身动画。与通常依赖音频、姿态或运动图条件的人像动画工作不同，EchoMimicV2 试图减少额外控制条件、繁琐的条件注入模块以及对头部区域驱动的限制。
主要能力方面，该方法提出了一种新颖的音频-姿态动态协调策略，包含姿态采样和音频扩散，用于增强半身细节、面部与手势表现力，同时降低条件冗余。为补偿半身数据的稀缺，它采用头部部分注意力（Head Partial Attention），将头像（headshot）数据无缝融入训练框架，并且该机制在推理阶段可以省略，从而为动画生成提供便利。此外，它还设计了特定阶段的去噪损失（Phase-specific Denoising Loss），分别针对动画在不同阶段的运动、细节和低层质量进行引导。该工作还提出了一个新的基准，用于评估半身人像动画的有效性。
使用方式方面，官方资料展示了相关示例，包括中文驱动音频、英文驱动音频、与姿态驱动算法的对比、与音频驱动算法的对比，以及由 FLUX 生成的参考图像。官网地址为 https://antgroup.github.io/ai/echomimic_v2/ 。关于具体的安装命令、代码调用方式、依赖环境、模型权重获取途径等，官方资料中暂未提供。
适用场景方面，基于官方描述，EchoMimicV2 可应用于需要半身人像动画生成的场景，例如由音频和手部姿态驱动的数字人视频制作。
限制方面，官方资料提到现有方法常因额外控制条件、条件注入模块繁琐或局限于头部区域驱动而面临实际挑战；EchoMimicV2 正是为应对这些问题而提出。官方资料称大量实验和分析表明，EchoMimicV2 在定量和定性评估上均优于现有方法。但关于其具体的性能指标数值、支持的语言范围、对输入图像和音频的具体要求、推理速度、硬件需求等，官方资料中暂未提供。
