字節(jié)跳動的研究人員近日展示了一款 AI 模型，可以通過一張圖片和一段音頻生成半身、全身視頻。

字節(jié)跳動表示，和一些只能生成面部或上半身動畫的深度偽造技術(shù)不同，OmniHuman-1 能夠生成逼真的全身動畫，且能將手勢和面部表情與語音或音樂精準(zhǔn)同步。

字節(jié)跳動在其 OmniHuman-lab 項目頁面發(fā)布了多個測試視頻，包括 AI 生成的 TED 演講和一個會說話的阿爾伯特 愛因斯坦。

在周一發(fā)布的一篇論文中，字節(jié)跳動指出，OmniHuman-1 模型支持不同的體型和畫面比例，從而使視頻效果更自然。

據(jù)了解，字節(jié)跳動表示，OmniHuman-1 模型基于約 19000 小時的人類運動數(shù)據(jù)訓(xùn)練而成，能夠在內(nèi)存限制內(nèi)生成任意長度的視頻，并適應(yīng)不同的輸入信號。

研究人員還表示，OmniHuman-1 在真實性和準(zhǔn)確性方面，超越了其他同類動畫工具。目前，該工具暫不提供下載或有關(guān)服務(wù)。