框架该框架号称可以用于“对口型”只需要输入人物照片及音频模型就能够让照片中的人物开口说出相关音频支持中英韩等语言。

据悉EMO

据介绍该框架工作过程分为两个主要阶段研究人员首先利用参考网络ReferenceNet从参考图像和动作帧中提取特征之后利用预训练的音频编码器处理声音并嵌入再结合多帧噪声和面部区域掩码来生成视频该框架还融合了两种注意机制和时间模块以确保视频中角色身份的一致性和动作的自然流畅。

研究人员援引一系列实验结果声称

不仅能够产生令人信服的说话视频还能生成各种风格的歌唱视频号称“显著优于目前的

据悉你只需要提供一张照片和一段任意音频文件EMO即可生成会说话唱歌的

视频以及实现无缝对接的动态小视频最长时间可达1分30秒左右。

表情非常到位任意语音、任意语速、任意图像都可以一一对应。

比如《狂飙》电视剧中“高启强”畅谈罗翔普法蔡徐坤的一张图片就能通过其他音频配合“唱出”一首rapper饶舌连口型都几乎一模一样甚至前不久OpenAI发布的Sora案例视频里面一位

生成的带墨镜的日本街头女主角现在不仅能让她开口说话而且还能唱出好听的歌曲。

阿里研究团队表示EMO可以生成具有表情丰富的面部表情和各种头部姿势的声音头像视频同时其可以根据输入视频的长度生成任意持续时间的视频。

同时EMO还拥有音频驱动的人像视频生成表情丰富的动态渲染多种头部转向姿势支持、增加视频的动态性和真实感支持多种语言和肖像风格快速节奏同步跨演员表现转换等多个特点与功能。

技术层面阿里研究人员分享称EMO框架使用

该技术主要包括三个阶段一是帧编码的初始阶段ReferenceNet

用于从参考图像和运动帧中提取特征二是在扩散过程阶段预训练的音频编码器处理音频嵌入。

面部区域掩模与多帧噪声集成以控制面部图像的生成三是使用主干网络来促进去噪操作。

在主干网络中应用了两种形式——参考注意力和音频注意力机制这些机制分别对于保留角色的身份和调节角色的动作至关重要。

此外EMO的时间模块用于操纵时间维度并调整运动速度。

目前EMO框架上线到GitHub中相关论文也在arxiv上公开。

GitHubhttps://github.com/HumanAIGC/EMO

论文https://arxiv.org/abs/2402.17485

OpenAI

大模型产品以及基于双流条件扩散模型的真人百变换装技术Outfit

Anyone、角色动画模型Animate

今年1月26日阿里推出的Qwen-VL模型实现多次迭代升级并宣布

Plus

两大版本升级支持以图像、文本作为输入并以文本、图像、检测框作为输出让大模型真正具备了“看”世界的能力。

Qwen-VLPlus

“在可见的未来我们生活中所有习以为常的产品形态都会发生变化会有更智能的下一代产品进入我们的生活。

更多中小企业将通过AI化协同灵活替代一部分目前只有大企业才能提供的服务。

生产、制造、流通的组织方式和协作方式也会发生根本性变革。

AI助理会无处不在成为每个人工作、生活、学习中的助手。

每个企业也都会配备AI助手就像我们今天的智能汽车辅助驾驶和自动驾驶已经成为标配。

”吴泳铭称。