谷歌發(fā)布的一個名為 VLOGGER 的項目。這個項目能夠根據(jù)輸入的圖片和音頻生成對應人物講話的視頻。但是個人感覺 VLOGGER 看起來沒有阿里巴巴發(fā)布的 DreamTalk 和 EMO 自然，大家覺得呢？
VLOGGER 主要特點：
1. 3D運動的擴散模型：它可以根據(jù)一張人物圖像生成由文本和音頻驅動的說話人視頻。
2. 創(chuàng)新的架構：項目包含一個創(chuàng)新的基于擴散的架構，通過時間和空間控制來增強文本到圖像模型的能力。
3. 高質量視頻生成：能夠生成高質量、可變長度的視頻，并通過人臉和身體的高級表示進行便捷控制。
4. 廣泛的適用性：與之前的工作相比，VLOGGER不需要為每個人單獨訓練模型，不依賴人臉檢測和裁剪，能生成完整的圖像（包括臉部和身體），適用于廣泛場景，如軀干可見或身份多樣化，這對于正確合成具有溝通能力的虛擬人至關重要。
