AI視頻又炸了！照片+聲音變視頻，阿里讓Sora女主唱歌小李子說RAP
Sora之后，居然還有新的AI視頻模型，能驚艷得大家狂轉(zhuǎn)狂贊！
圖片
有了它，《狂飆》大反派高啟強(qiáng)化身羅翔，都能給大伙兒普法啦（狗頭）。
這就是阿里最新推出的基于音頻驅(qū)動(dòng)的肖像視頻生成框架，EMO（Emote Portrait Alive）。
有了它，輸入單張參考圖像，以及一段音頻（說話、唱歌、RAP均可），就能生成表情生動(dòng)的AI視頻。視頻最終長(zhǎng)度，取決于輸入音頻的長(zhǎng)度。
你可以讓蒙娜麗莎——這位AI屆效果體驗(yàn)的老選手，朗誦一段獨(dú)白：
年輕俊美的小李子來段快節(jié)奏的RAP才藝秀，嘴形跟上完全沒問題：
甚至粵語口型也能hold住，這就讓哥哥張國榮來首陳奕迅的《無條件》：
總之，不管是讓肖像唱歌（不同風(fēng)格的肖像和歌曲）、讓肖像開口說話（不同語種）、還是各種“張冠李戴”的跨演員表演，EMO的效果，都讓咱看得一愣一愣的。
網(wǎng)友大感嘆：“我們正在走進(jìn)一個(gè)新的現(xiàn)實(shí)！”
2019版《小丑》說2008版《蝙蝠俠黑暗騎士》的臺(tái)詞
甚至已經(jīng)有網(wǎng)友開始對(duì)EMO生成視頻開始了拉片，逐幀分析效果究竟怎么樣。
如下面這段視頻，主角是Sora生成的AI女士，本次為大家演唱的曲目是《Don’t Start Now》。
推友分析道：
這段視頻的一致性，比以往更上一層樓了！
一分多鐘的視頻里，Sora女士臉上的墨鏡幾乎沒有亂動(dòng)，耳朵、眉毛都有獨(dú)立的運(yùn)動(dòng)。
最精彩的是Sora女士的喉嚨好像真的有呼吸哎！她唱歌的過程中身體還有微顫和移動(dòng)，我直接大震驚！
圖片
話說回來，EMO是熱門新技術(shù)嘛，免不了拿來與同類對(duì)比——
就在昨天，AI視頻生成公司Pika也推出了為視頻人物配音，同時(shí)“對(duì)口型”的唇形同步功能，撞車了。
具體效果怎么樣呢，我們直接擺在這兒
評(píng)論區(qū)網(wǎng)友對(duì)比過后得出的結(jié)論是，被阿里吊打了。
圖片
EMO公布論文，同時(shí)宣布開源。
但是！雖說開源，GitHub上仍然是空倉。
再但是！雖然是空倉，標(biāo)星數(shù)已經(jīng)超過了2.1k。
圖片
惹得網(wǎng)友們真的是好著急，有吉吉國王那么急。
與Sora不同架構(gòu)
EMO論文一出，圈內(nèi)不少人松了口氣。
它與Sora技術(shù)路線不同，說明復(fù)刻Sora不是唯一的路。
EMO并不是建立在類似DiT架構(gòu)的基礎(chǔ)上，也就是沒有用Transformer去替代傳統(tǒng)UNet，其骨干網(wǎng)絡(luò)魔改自Stable Diffusion 1.5。
具體來說，EMO是一種富有表現(xiàn)力的音頻驅(qū)動(dòng)的肖像視頻生成框架，可以根據(jù)輸入視頻的長(zhǎng)度生成任何持續(xù)時(shí)間的視頻。
圖片
該框架主要由兩個(gè)階段構(gòu)成：
- 幀編碼階段
部署一個(gè)稱為ReferenceNet的UNet網(wǎng)絡(luò)，負(fù)責(zé)從參考圖像和視頻的幀中提取特征。
- 擴(kuò)散階段
首先，預(yù)訓(xùn)練的音頻編碼器處理音頻嵌入，人臉區(qū)域掩模與多幀噪聲相結(jié)合來控制人臉圖像的生成。
隨后是骨干網(wǎng)絡(luò)主導(dǎo)去噪操作。在骨干網(wǎng)絡(luò)中應(yīng)用了兩種注意力，參考注意力和音頻注意力，分別作用于保持角色的身份一致性和調(diào)節(jié)角色的運(yùn)動(dòng)。
此外，時(shí)間模塊被用來操縱的時(shí)間維度，并調(diào)整運(yùn)動(dòng)的速度。
在訓(xùn)練數(shù)據(jù)方面，團(tuán)隊(duì)構(gòu)建了一個(gè)包含超過250小時(shí)視頻和超過1500萬張圖像的龐大且多樣化的音視頻數(shù)據(jù)集。
最終實(shí)現(xiàn)的具體特性如下：
- 可以根據(jù)輸入音頻生成任意持續(xù)時(shí)間的視頻，同時(shí)保證角色身份一致性（演示中給出的最長(zhǎng)單個(gè)視頻為1分49秒）。
- 支持各種語言的交談與唱歌（演示中包括普通話、廣東話、英語、日語、韓語）
- 支持不同畫風(fēng)（照片、傳統(tǒng)繪畫、漫畫、3D渲染、AI數(shù)字人）
圖片
在定量比較上也比之前的方法有較大提升取得SOTA，只在衡量口型同步質(zhì)量的SyncNet指標(biāo)上稍遜一籌。
圖片
與其他不依賴擴(kuò)散模型的方法相比，EMO更耗時(shí)。
并且由于沒有使用任何顯式的控制信號(hào)，可能導(dǎo)致無意中生成手等其他身體部位，一個(gè)潛在解決方案是采用專門用于身體部位的控制信號(hào)。
EMO的團(tuán)隊(duì)
最后，來看看EMO背后的團(tuán)隊(duì)有那些人。
論文顯示，EMO團(tuán)隊(duì)來自阿里巴巴智能計(jì)算研究院。
作者共四位，分別是Linrui Tian，Qi Wang，Bang Zhang和Liefeng Bo。
圖片
其中，薄列峰（Liefeng Bo），是目前的阿里巴巴通義實(shí)驗(yàn)室XR實(shí)驗(yàn)室負(fù)責(zé)人。
薄列鋒博士畢業(yè)于西安電子科技大學(xué)，先后在芝加哥大學(xué)豐田研究院和華盛頓大學(xué)從事博士后研究，研究方向主要是ML、CV和機(jī)器人。其谷歌學(xué)術(shù)被引數(shù)超過13000。
在加入阿里前，他先是在亞馬遜西雅圖總部任首席科學(xué)家，后又加入京東數(shù)字科技集團(tuán)AI實(shí)驗(yàn)室任首席科學(xué)家。
2022年9月，薄列峰加入阿里。
圖片
EMO已經(jīng)不是第一次阿里在AIGC領(lǐng)域出圈的成果了。
圖片
有AI一鍵換裝的OutfitAnyone。
圖片
還有讓全世界小貓小狗都在跳洗澡舞的AnimateAnyone。
就是下面這個(gè)：
圖片
如今推出EMO，不少網(wǎng)友在感嘆，阿里是有些技術(shù)積累在身上的。
圖片
如果現(xiàn)在把所有這些技術(shù)結(jié)合起來，那效果……
不敢想，但好期待。
圖片
總之，我們離“發(fā)給AI一個(gè)劇本，輸出整部電影”越來越近了。
圖片
One More Thing
Sora，代表文本驅(qū)動(dòng)的視頻合成的斷崖式突破。
EMO，也代表音頻驅(qū)動(dòng)的視頻合成一個(gè)新高度。
兩者盡管任務(wù)不同、具體架構(gòu)不同，但還有一個(gè)重要的共性：
中間都沒有加入顯式的物理模型，卻都在一定程度上模擬了物理規(guī)律。
因此有人認(rèn)為，這與Lecun堅(jiān)持的“通過生成像素來為動(dòng)作建模世界是浪費(fèi)且注定要失敗的”觀點(diǎn)相悖，更支持了Jim Fan的“數(shù)據(jù)驅(qū)動(dòng)的世界模型”思想。
圖片
過去種種方法失敗了，而現(xiàn)在的成功，可能真就來自還是強(qiáng)化學(xué)習(xí)之父Sutton的《苦澀的教訓(xùn)》，大力出奇跡。
讓AI能夠像人們一樣去發(fā)現(xiàn)，而不是包含人們發(fā)現(xiàn)的內(nèi)容
突破性的進(jìn)展最終通過擴(kuò)大計(jì)算規(guī)模來實(shí)現(xiàn)
論文：https://arxiv.org/pdf/2402.17485.pdfGitHub:https://github.com/HumanAIGC/EMO
