来围观初代教父唱《野狼disco》

之前全网刷屏的阿里明星项目 EMO 终于正式开放了！
简单来说，EMO 可以使人像照片“动起来”。
不管是唱歌视频，还是讲话视频，只要提供一张肖像照片，外加一段音频，算法就会自动生成一段口型完全能对上、画面生动的视频出来。
输入音频和一张图片，EMO就能生成对应的视频
目前，用户直接下载登录通义千问，就能免费体验到 EMO 。

洗脑，让教父口嗨Rap的视频来了！

点开通义千问，「四木相对论」选择用Stable Diffusion和EMO结合，来试试视频效果。

把这张由Stable Diffusion 生成的 AI 小姐姐照片，丢进EMO操作界面，我们得到了下面这段视频：

，时长00:14

整体来说，视频的质量还是比较高的，不论是同步口型、人物眨眼、还是头部运动，都表现得不错。
当然视频中还是存在“一眼假”的地方，比如完全静止的大海和天空背景、似乎是悬浮在画面上的眉毛、忽大忽小的鼻孔和瞳孔等。
再来看看初代教父上演一段激情的《野狼disco》 RAP。

，时长00:30

上传的素材原图

成品视频一共30秒，需要等待 45 分钟来完成生成。

整体效果还是不错的，充满了洗脑感。

但除了初代教父的霸气与rap的完美结合、凶狠的眼神和近乎完美的口型匹配（尤其是最后那一句“哎呀我去”）之外，成品视频其实还有几秒的残次画面。

成品视频里出错的画面
我们看到，视频左上角的人脸会有膨胀收缩的变化，远景中的另外一只手出现了残影。更夸张的是，画面右侧在 25 秒左右的时候出现了一团漂浮的幻影。
出现这种现象的原因可能是，这张图片并不符合官方要求，只是侥幸通过了机审判定。
官方要求是，单人、大头照、没有手部。而这张图片有手，还有两个人，或许EMO的模型还没办法处理这么多的元素，所以出现了上述Bug。

自定义功能有限，生成需数十分钟

目前，用户直接下载登录通义千问，就能免费体验到 EMO 。
从打开通义千问App，到进入生成等待页面，用户会经历三个步骤：找到功能入口、找到生成视频入口、上传素材图片。

EMO功能的宣传页
打开通义千问后，直接在下方对话框中输入 “EMO”，就能直接跳转至 EMO 功能。

通义千问初始页面
EMO在通义千问中的名字叫「全民唱演」，点击底部的「立即体验」后，就能跳转至全民唱演的功能页面。

全民唱演首页

进入全民唱演模块，首页会有一些官方的热门模板，包含歌曲演唱、影视台词、及表情包。
全民唱演的首页，其实没有新建生成视频的入口，用户需要点击进入某个模板示例，才能找到对应的生成入口。
这也意味着用户无法自行上传音频内容，只能通过官方创建好的模板来上传图片，生成固定音频内容的视频。
换句话说，全民唱演目前还不支持定制化生成视频内容。
目前，官方模板库中有 22 首歌曲片段，42 个影视台词片段，27 个表情包素材。等于，用户现在只能体验一共 91 种不同的视频模版。

官方热门模板中排在首位的视频
进入首页某一个视频模板后，点击右下角的“演同款”，即可开始使用该模板来上传图片进行创作。
而上传图片的限制，可能会让用户进行多次尝试——系统会校验图片像素大小、人脸清晰程度、非多人、版权风控、画风检测、不能有头部倾斜、露出手部等条件。

根据模板创作的上传照片页面
如果上传的图片不符合某一个要求，比如尝试上传一张动漫画风的图片，系统会进行报错。

对用户上传图片的要求及错误示例

动漫画风图片无法检测到人脸

除了不符合画风、角度等的限制条件外，图片上传功能还加入了风控检测逻辑。
我们尝试上传了一张高清的蒙娜丽莎图片，就被直接拦截，提示“图片内容存在风险，请重新上传”。

上传图片命中了风控拦截逻辑
如果成功上传符合要求的图片，下一步EMO会让用户对图片进行手动截取，保证脸部完整出现在画面中。

手动调整人脸位置的操作
最后，确认调整脸部位置之后，点击右下角的“完成”，就能开始生成。
此时，页面中会显示该条任务的剩余处理时间。以本次体验选中的大约 14 秒的歌曲片段为例，生成视频的时间大约为 20 分钟。

生成视频的等待页面

暂时还只是“玩具”

经过初步体验，EMO 的主要优缺点表现明显：

优点：

· 

口型能够做到近乎完美的同步；

· 

人物主体能够自然地进行眨眼、头部运动等；

· 

缺点：

· 

强制使用模板，不支持定制；

· 

生成所需的等待时间太长；

· 

从生成视频的质量来说，EMO 确实令人惊艳。
但它的缺点也非常明显，就是不支持定制。
而不支持定制主要体现在，EMO目前不允许用户自行上传音频。
这或许有几个考量：
首先，过于定制化的音频内容，可能会影响生成的视频质量。比如，如果用户上传相对比较小众的方言，由于模型训练数据不足的问题，口型生成可能会出错，导致最终的视频里口型与音频对不上。
此外，还有风控和版权方面的问题。
相比于图片，音频的风控拦截会更困难，而一旦拦截失败，违规的音频所生成的成品视频可能会带来非常大的负面影响。
比如上方小姐姐唱歌的视频最后，系统会自动拼接通义千问的 Logo 页面。
这就意味着一旦用户想办法规避了风控规则，很可能会生成一条包含品牌名称的问题视频。
最后，算力和存储的消耗也是非常重要的考量因素。
目前通义千问上的全民唱演，是允许用户免费进行体验的。
如果用户上传时间过长的音频文件，无论是存储音频，还是后续的算法生成视频所消耗的算力，都将是一笔高昂成本。
视频生成所需的长时间等待，也可能是在限制用户的整体生成次数，从而降低整体的算力消耗。
再加上，EMO结合固定的短时长模板，能将全民唱演的算力消耗控制在一个可以接受的体量内。
当然，也存在模型推理速度本身就比较慢的可能性。不过相比而言，控制算力消耗还是更有可能一些。
考虑到以上几个问题，EMO短期内完全放开限制看似不太可能。
如果它想被应用在更广阔的场景中（比如短视频、电影素材制作），可能只能寄希望于阿里能够早日将代码开源了。

出自：https://mp.weixin.qq.com/s/2VM9bZWkrnSIRULVilxDHw