动作迁移（Motion Transfer）是一种 AI 与计算机视觉技术，可从源视频中提取运动模式（包括运动的节奏、方向、速度与身体力学），并将该运动应用到新输出中的另一主体、角色或形象之上。它无需通过传统制作意义上的逐帧关键帧或动作捕捉从零开始为角色制作动画，而是让创作者能够把任意现有视频作为运动参考，提取其结构性与时序性的运动特征，并在保留原始运动特性的同时重新作用于新主体。最终生成的视频中，目标主体以与源相同的模式运动，而不受外观、体型、服饰或视觉上下文差异的影响。

动作迁移背后的技术过程通常包含姿态估计：即在源视频的各帧中识别并跟踪关键解剖学标志点（关节、肢体、身体轮廓）：随后由生成过程合成目标主体执行所提取姿态序列的视频。基于 ControlNet 及类似条件控制框架的方法可使扩散模型受姿态骨架序列引导，将提取的运动应用于由独立参考图或文本描述定义其外观的生成角色上。更新的视频生成模型已将动作迁移作为内置功能，允许输入参考视频，由系统分析其运动特征并据此对生成新视频进行条件控制，使指定角色或场景执行相同运动。当前 AI 系统中动作迁移的质量参差不齐：简单、独立、大幅度的身体动作迁移最为可靠，而复杂的精细动作、多人交互、物体操控与高度动态的运动仍是活跃研发且输出不稳定的领域。

对 AI 视频创作者而言，动作迁移开启了重要的创作可能性。舞蹈编排可应用于任意生成角色，无需触达特定表演者即可制作动画序列。参考片段中的演员表演可作为 AI 生成角色的运动参考。运动或特技表演可迁移到合成主体上，用于训练可视化、产品演示或叙事内容。该技术大幅降低了 AI 视频工作流中角色动画的门槛，将“现场表演捕捉”或“人工关键帧动画”的需求替换为以提示词与参考片段为核心的方法，充分利用现有素材中已存在的运动。在具备动作迁移能力的平台上，理解该技术的长处与当前局限：尤其在复杂或快速运动的还原度，以及生成角色在迁移运动序列各时长内的外观一致性上：对高效使用至关重要。