近日，字節跳動的研究團隊向公眾展示了一項前沿的AI技術——一款名為OmniHuman-1的模型，該模型能夠僅憑一張圖片和一段音頻，自動生成半身乃至全身的動畫視頻。
據字節跳動介紹，與市面上那些僅能生成面部或上半身動畫的深度偽造技術相比，OmniHuman-1展現出了更為強大的能力。它不僅能生成高度逼真的全身動畫，還能確保動畫中的手勢和面部表情與輸入的語音或音樂完美同步，為用戶帶來前所未有的視覺體驗。
為了驗證OmniHuman-1的實力，字節跳動在其OmniHuman-lab項目頁面上發布了一系列測試視頻。這些視頻中，AI不僅成功“復刻”了一場TED演講，還創造了一個栩栩如生的、會說話的阿爾伯特·愛因斯坦形象，令人嘆為觀止。
在本周一發布的一篇論文中，字節跳動進一步闡述了OmniHuman-1的技術特點。該模型支持多種體型和畫面比例，能夠根據輸入的數據自適應調整，從而生成更加自然流暢的視頻效果。這一特性使得OmniHuman-1在動畫生成領域獨樹一幟。
據了解，OmniHuman-1的出色表現得益于其龐大的訓練數據集。字節跳動表示，該模型基于約19000小時的人類運動數據進行訓練，因此具備了強大的泛化能力。它能夠在內存限制內生成任意長度的視頻，并適應不同的輸入信號，為用戶提供了極大的靈活性。
研究人員還對OmniHuman-1的真實性和準確性給予了高度評價。他們指出，與其他同類動畫工具相比，OmniHuman-1在生成動畫時更加精準、自然，為用戶帶來了更加逼真的視覺享受。然而，目前該工具仍處于研發階段，暫不提供下載或相關服務，未來是否會面向公眾開放尚不得而知。
