EchoShot: 多镜头肖像视频生成
EchoShot 是基于 Wan2.1 构建的多镜头肖像视频生成模型。从多个参考图像生成一致肖像（NeurIPS 2025）。
| 开发者 | D2I-ai |
| 发布日期 | 2025-06 |
| 架构 | 基于 Wan2.1 的身份 LoRA |
| 能力 | 基于文本的多镜头肖像视频生成，保持身份一致性 |
| 发表会议 | NeurIPS 2025 |
概述
EchoShot 是一个原生且可扩展的多镜头肖像视频定制框架，构建于 Wan2.1 之上。与仅限于单镜头生成的常规视频扩散模型不同，EchoShot 使用户能够生成多个镜头，展示同一个人在不同场景和提示下的视频，同时保持身份一致性。
该模型使用身份 LoRA 嵌入来保留跨镜头的面部特征，通过自定义文本提示实现灵活的内容控制。这使得 EchoShot 非常适用于需要在不同场景中保持角色外观一致的故事叙述、虚拟化身和电影级肖像视频制作。
ComfyUI 集成
EchoShot 可通过 Kijai WanVideoWrapper 自定义节点在 ComfyUI 中使用。fp16 和 fp8 缩放的模型变体托管在 Hugging Face 上的 Kijai/WanVideo_comfy 目录下。
资源
| 资源 | 链接 |
|---|---|
| 论文 | arXiv:2506.15838 |
| GitHub | github.com/D2I-ai/EchoShot |
| HuggingFace（原始） | JonneyWang/EchoShot |
| HuggingFace（Kijai） | Kijai/WanVideo_comfy |
| 项目页面 | echoshot.org |
Guides and workflows related to this model series.
No articles found.