谷歌發(fā)布了一個新的視頻框架：

只需要一張你的頭像、一段講話錄音，就能得到一個本人栩栩如生的演講視頻。

視頻時長可變，目前看到的示例最高為10s。

可以看到，無論是口型還是面部表情，它都非常自然。

如果輸入圖像囊括整個上半身，它也能配合豐富的手勢：

網友看完就表示：

有了它，以后咱開線上視頻會議再也不需要整理好發(fā)型、穿好衣服再去了。

嗯，拍一張肖像，錄好演講音頻就可以（手動狗頭）

用聲音控制肖像生成視頻

這個框架名叫VLOGGER。

它主要基于擴散模型，并包含兩部分：

一個是隨機的人體到3D運動（human-to-3d-motion）擴散模型。

另一個是用于增強文本到圖像模型的新擴散架構。

其中，前者負責將音頻波形作為輸入，生成人物的身體控制動作，包括眼神、表情和手勢、身體整體姿勢等等。

后者則是一個時間維度的圖像到圖像模型，用于擴展大型圖像擴散模型，使用剛剛預測的動作來生成相應的幀。

為了使結果符合特定的人物形象，VLOGGER還將參數(shù)圖像的pose圖作為輸入。

VLOGGER的訓練是在一個超大的數(shù)據(jù)集（名叫MENTOR）上完成的。

有多大？全長2200小時，共包含80萬個人物視頻。

其中，測試集的視頻時長也有120小時長，共計4000個人物。

谷歌介紹，VLOGGER最突出的表現(xiàn)是具備多樣性：

如下圖所示，最后的像素圖顏色越深（紅）的部分，代表動作越豐富。

而和業(yè)內此前的同類方法相比，VLOGGER最大的優(yōu)勢則體現(xiàn)在不需要對每個人進行訓練、也不依賴于面部檢測和裁剪，并且生成的視頻很完整（既包括面部和唇部，也包括肢體動作）等等。

具體來看，如下表所示：

Face Reenactment方法無法用音頻和文本來控制此類視頻生成。

Audio-to-motion倒是可以音頻生成，方式也是將音頻編碼為3D人臉動作，不過它生成的效果不夠逼真。

Lip sync可以處理不同主題的視頻，但只能模擬嘴部動作。

對比起來，后面的兩種方法SadTaker和Styletalk表現(xiàn)最接近谷歌VLOGGER，但也敗在了不能進行身體控制上，并且也不能進一步編輯視頻。

說到視頻編輯，如下圖所示，VLOGGER模型的應用之一就是這個，它可以一鍵讓人物閉嘴、閉眼、只閉左眼或者全程睜眼：

另一個應用則是視頻翻譯：

例如將原視頻的英語講話改成口型一致的西班牙語。

網友吐槽

最后，“老規(guī)矩”，谷歌沒有發(fā)布模型，現(xiàn)在能看的只有更多效果還有論文。

嗯，吐槽也是不少的：

畫質模型、口型抽風對不上、看起來還是很機器人等等。

因此，有人毫不猶豫打上差評：

這就是谷歌的水準嗎？

有點對不起“VLOGGER”這個名字了。

——和OpenAI的Sora對比，網友的說法確實也不是沒有道理。。

大家覺得呢？

更多效果：https://enriccorona.github.io/vlogger/

完整論文：https://enriccorona.github.io/vlogger/paper.pdf