AI视频又炸了！照片+声音变视频，阿里emo让Sora女主唱歌小李子说rap

Sora之后，居然还有新的AI视频模型，能惊艳得大家狂转狂赞!

有了它，《狂飙》大反派高启强化身罗翔，都能给大伙儿普法啦(狗头)。

这就是阿里最新推出的基于音频驱动的肖像视频生成框架，EMO(Emote Portrait Alive)。

有了它，输入单张参考图像，以及一段音频(说话、唱歌、rap均可)，就能生成表情生动的AI视频。视频最终长度，取决于输入音频的长度。

你可以让蒙娜丽莎——这位AI届效果体验的老选手，朗诵一段独白：

年轻俊美的小李子来段快节奏的rap才艺秀，嘴形跟上完全没问题：

甚至粤语口型也能hold住，这就让哥哥张国荣来首陈奕迅的《无条件》：

总之，不管是让肖像唱歌(不同风格的肖像和歌曲)、让肖像开口说话(不同语种)、还是各种“张冠李戴”的跨演员表演，EMO的效果，都让咱看得一愣一愣的。

网友大感叹：“我们正在走进一个新的现实!”

(2019版《小丑》说2008版《蝙蝠侠黑暗骑士》的台词)

甚至已经有网友开始对EMO生成视频开始了拉片，逐帧分析效果究竟怎么样。

如下面这段视频，主角是Sora生成的AI女士，本次为大家演唱的曲目是《Don’t Start Now》。

推友分析道：

这段视频的一致性，比以往更上一层楼了!

一分多钟的视频里，Sora女士脸上的墨镜几乎没有乱动，耳朵、眉毛都有独立的运动。

最精彩的是Sora女士的喉咙好像真的有呼吸哎!她唱歌的过程中身体还有微颤和移动，我直接大震惊!

话说回来，EMO是热门新技术嘛，免不了拿来与同类对比——

就在昨天，AI视频生成公司Pika也推出了为视频人物配音，同时“对口型”的唇形同步功能，撞车了。

具体效果怎么样呢，我们直接摆在这儿

评论区网友对比过后得出的结论是，被阿里吊打了。

EMO公布论文，同时宣布开源。

但是!虽说开源，GitHub上仍然是空仓。

再但是!虽然是空仓，标星数已经超过了2.1k。

惹得网友们真的是好着急，有吉吉国王那么急。

与Sora不同架构

EMO论文一出，圈内不少人松了口气。

它与Sora技术路线不同，说明复刻Sora不是唯一的路。

EMO并不是建立在类似DiT架构的基础上，也就是没有用Transformer去替代传统UNet，其骨干网络魔改自Stable Diffusion 1.5.

具体来说，EMO是一种富有表现力的音频驱动的肖像视频生成框架，可以根据输入视频的长度生成任何持续时间的视频。

该框架主要由两个阶段构成：

帧编码阶段

部署一个称为ReferenceNet的UNet网络，负责从参考图像和视频的帧中提取特征。

扩散阶段

首先，预训练的音频编码器处理音频嵌入，人脸区域掩模与多帧噪声相结合来控制人脸图像的生成。

随后是骨干网络主导去噪操作。在骨干网络中应用了两种注意力，参考注意力和音频注意力，分别作用于保持角色的身份一致性和调节角色的运动。

此外，时间模块被用来操纵的时间维度，并调整运动的速度。

在训练数据方面，团队构建了一个包含超过250小时视频和超过1500万张图像的庞大且多样化的音视频数据集。

最终实现的具体特性如下：

可以根据输入音频生成任意持续时间的视频，同时保证角色身份一致性(演示中给出的最长单个视频为1分49秒)。

支持各种语言的交谈与唱歌(演示中包括普通话、广东话、英语、日语、韩语

支持不同画风(照片、传统绘画、漫画、3D渲染、AI数字人)

在定量比较上也比之前的方法有较大提升取得SOTA，只在衡量口型同步质量的SyncNet指标上稍逊一筹。

与其他不依赖扩散模型的方法相比，EMO更耗时。

并且由于没有使用任何显式的控制信号，可能导致无意中生成手等其他身体部位，一个潜在解决方案是采用专门用于身体部位的控制信号。

EMO的团队

最后，来看看EMO背后的团队有那些人。

论文显示，EMO团队来自阿里巴巴智能计算研究院。

作者共四位，分别是Linrui Tian，Qi Wang，Bang Zhang和Liefeng Bo。

其中，薄列峰(Liefeng Bo)，是目前的阿里巴巴通义实验室XR实验室负责人。

薄列锋博士毕业于西安电子科技大学，先后在芝加哥大学丰田研究院和华盛顿大学从事博士后研究，研究方向主要是ML、CV和机器人。其谷歌学术被引数超过13000.

在加入阿里前，他先是在亚马逊西雅图总部任首席科学家，后又加入京东数字科技集团AI实验室任首席科学家。

2022年9月，薄列峰加入阿里。

EMO已经不是第一次阿里在AIGC领域出圈的成果了。

有AI一键换装的OutfitAnyone。

还有让全世界小猫小狗都在跳洗澡舞的AnimateAnyone。

就是下面这个：

如今推出EMO，不少网友在感叹，阿里是有些技术积累在身上的。

如果现在把所有这些技术结合起来，那效果……

不敢想，但好期待。

总之，我们离“发给AI一个剧本，输出整部电影”越来越近了。

One More Thing

Sora，代表文本驱动的视频合成的断崖式突破。

EMO，也代表音频驱动的视频合成一个新高度。

两者尽管任务不同、具体架构不同，但还有一个重要的共性：

中间都没有加入显式的物理模型，却都在一定程度上模拟了物理规律。

因此有人认为，这与Lecun坚持的“通过生成像素来为动作建模世界是浪费且注定要失败的”观点相悖，更支持了Jim Fan的“数据驱动的世界模型”思想。

过去种种方法失败了，而现在的成功，可能真就来自还是强化学习之父Sutton的《苦涩的教训》，大力出奇迹。