基于wan2.1，你们有没有可能实现这个 ？

wan2.1可以做这么多玩法和控制，那么，你们一定能有技术实现让人物唇形与音频同步了。
以下是腾讯的数字人技术，它可以做多人唱歌，多人相声等丰富的场景和效果。
但缺点是占用98G显存，推理速度极慢。
https://hunyuanvideo-avatar.github.io/

如果字节团队基于 wan2.1 ，来做这个类似的（图生视频）数字人，是否更牛X ？或许更惊艳~
（毕竟 wan2.1 模型推理性能和质量都很好，再配合音频驱动）

有一个类似的，但感觉达不到腾讯那种水准，（供参考）。
https://fantasy-amap.github.io/fantasy-talking/

Start by reading the ATI implementation and comparing its controllable video-generation scope with the linked HunyuanVideo Avatar and Fantasy Talking references. Define whether the requested result covers audio-driven lip synchronization, image-to-video generation, and multi-person singing or dialogue; the issue names no files, tests, or acceptance criteria.

Written by the indexing model from the issue text.