微软亚洲研究院（Microsoft Research Asia）近日发表论文，介绍了全新的 VASA-1 模型，用户只需要提供一张静态肖像图片和一段语音音频片段，该模型就能自动让图片中的人物自动说话。 百度 他虽然已经离开了赛场，却依然在为模型的普及尽心尽力，他告诉记者，随着大家生活水平的提高，现在模型爱好者的人数越来越多，虽然这个项目没有之前升学加分之类的政策了，但是各种各样的模型却仍然是很受小孩子喜欢的东西，我希望通过科技体育进校园这样的活动，让更多的孩子喜欢模型，在他们心里种下放飞梦想的种子。

VASA-1 特别有趣的地方在于，它能够模拟自然的面部表情、各种情绪和唇部同步，最重要的是几乎没有人工痕迹，如果不细看很难发现。

研究人员承认，与所有其他模型一样，该模型目前还无法妥善处理头发等非刚性元素，但整体效果要比其它同类模型要更为优秀。

研究人员还表示 VASA-1 支持离线 batch 处理模式下，以 45fps 生成分辨率为 512*512 的动态短视频，在线直播模式下可以达到 40 fps，且延迟仅为 170ms。而且整个生成操作只需要一台配备英伟达 RTX 4090 显卡的电脑上就能处理。

责任编辑：kj005

文章投诉热线:182 3641 3660  投诉邮箱:7983347 16@qq.com