谷歌發布“Vlogger”模型：單張圖片生成10秒視頻

Google發布了一個新的視訊框架：

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影片。

影片長度可變，目前看到的範例最高為10s。

可以看到，無論是口型還是臉部表情，它都非常自然。

如果輸入影像囊括整個上半身，它也能配合豐富的手勢：

網友看完就表示：

有了它，以後咱開線上視訊會議再也不需要整理好髮型、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影片

這個框架叫做VLOGGER。

它主要基於擴散模型，並包含兩部分：

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

另一個是用於增強文字到圖像模型的新擴散架構。

其中，前者負責將音訊波形作為輸入，產生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。

後者則是一個時間維度的圖像到圖像模型，用於擴展大型圖像擴散模型，使用剛剛預測的動作來產生相應的幀。

為了讓結果符合特定的人物形象，VLOGGER也將參數影像的pose圖作為輸入。

VLOGGER的訓練是在一個超大的資料集（名叫MENTOR）上完成的。

有多大？ 全長2200小時，共包含80萬個人物影片。

其中，測試集的影片長度也有120小時長，共4000個人物。

Google介紹，VLOGGER最突出的表現是具備多樣性：

如下圖所示，最後的像素圖顏色越深（紅）的部分，代表動作越豐富。

而和業界先前的同類方法相比，VLOGGER最大的優勢則體現在不需要對每個人進行訓練、也不依賴於臉部偵測和裁剪，並且生成的影片很完整（既包括臉部和唇部，也包括肢體動作）等等。

具體來看，如下表所示：

Face Reenactment方法無法用音訊和文字來控制此類視訊生成。

Audio-to-motion倒是可以音訊生成，方式也是將音訊編碼為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，後面的兩種方法SadTaker和Styletalk表現最接近谷歌VLOGGER，但也敗在了不能進行身體控制上，並且也不能進一步編輯視頻。

說到影片編輯，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、只閉左眼或全程睜開：

另一個應用程式則是影片翻譯：

例如將原始影片的英文講話改成口型一致的西班牙文。

網友吐槽

最後，“老規矩”，Google沒有發布模型，現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，有人毫不猶豫打上負評：

這就是Google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

以上是谷歌發布“Vlogger”模型：單張圖片生成10秒視頻的詳細內容。更多資訊請關注PHP中文網其他相關文章！