微軟推出 VASA-1 AI 框架，可即時生成逼真對口型視頻

IT 之家 4 月 21 日消息，據微軟官方新聞稿，微軟今天公布了一項圖生視頻的   VASA-1   框架，該   AI   框架隻需使用一張真人肖像照片和一段個人語音音頻，就能夠生成精确逼真的對口型視頻（生成念稿子的視頻），據稱在表情和頭部動作方面特别自然。

IT 之家獲悉，目前業界相關許多研究都集中在對口型上，而面部動态行爲及頭部運動情況通常被忽視，因此生成的面部也會顯得僵硬、缺乏說服力且存在恐怖谷現象。

而微軟的   VASA-1   框架克服了以往面部生成技術的限制，研究人員利用了擴散   Transformer   模型，在整體面部動态和頭部運動方面進行訓練，該模型将所有可能的面部動态，包括嘴唇動作、表情、眼睛注視和眨眼等行爲均視爲單一潛在變量（即一次生成整個具有高度細節的人臉），号稱能夠即時生成   512 × 512   分辨率   40 FPS   的視頻。

IT 之家同時注意到，微軟還利用了   3D   技術輔助标記人臉面部特征，并額外設計了損失函數，号稱能夠讓 VASA-1   不僅能夠生成高品質的面部視頻，還能夠有效地捕捉和重現面部   3D   結構。