《嬛嬛朕emo啦》但马斯克!阿里这项技术开放试玩
AI魔法学院
2024-07-23
分享海报

等了7分多钟,刚从北京闪现闪离的马斯克,他终于夸我是个人才:

,时长00:03

好了,别骂诈骗,我全都招!

现在登录通义App(原通义千问),选择全民演唱功能,只需上传任意一张人物正面大头照,你也能玩儿了。

这个功能开放不到一周时间,但经量子位观察,还挺火。

热度一直没掉下去,关键是生成时间也跟热度一起高居不下,顺利的话几分钟生成的小视频,挤的时候排队能排出好几个小时开外,亏得是阿里云服务器没被挤爆(不是)

从国内外的网友分享反馈来看,大家还挺喜欢文艺复兴,最受欢迎的片段是让个路人马轮番演唱《野狼Disco》。

除了唱歌,还能把朋友放进(非)著名表情包念台词。

玩儿梗的人太多,以至于马斯克都给搞EMO了:

,时长00:05

而这背后的始作俑者,就是来自阿里通义实验室的EMO,继Sora之后热度第二高的AI视频项目。

如今一个月过去,星标数已经直奔7k而去。

趁此热度,我们也得到了一个与EMO背后大佬,阿里通义实验室XR实验室负责人薄列峰当面催更的机会。

他表示在放心把技术开源之前,首先还是要解决安全问题。

负责人讲解背后技术

距项目公开仅2个月,通义实验室团队就直接将这一技术免费开放,但所有人都可以在通义APP(原通义千问)体验全新的AIGC玩法。

如果你想亲自上手试试,打开对话输入“EMO”直达或进入频道选择全民舞台即可。

1719306170915

选择喜欢的音频片段,并上传一张大头照。

如果在热门时段,需要等待40分钟到几个小时不等,但其实主要是在排队。薄列峰透露,单纯生成10秒视频,只需要10-15分钟

对于上传的照片,系统首先会进行人脸检测,不过有些长得太像人的动物也能顺利蒙混过关!

比如撞脸莫言的小狗,就成功地骗过了系统。

但是撞脸余华的小狗就没那么幸运了,系统一下子就把它给识破了(没有任何对余华老师不敬的意思)。

,时长00:17

为什么只需要上传一张图就能立即做到逼真效果?

薄列峰介绍,EMO的核心思路是弱控制设计,无需对整个面部建模,这一点甚至体现在了论文标题上。

在生成过程中,面部定位器Face Locator用来编码面部的边界框区域。

速度编码器Speed Encoder确保头部运动的速度与音频的节奏和强度相匹配。

这些控制机制被称为弱控制是因为它们提供的控制不是强制性的或硬性的,而是允许一定程度的自然变化和表现力。

例如,面部区域控制器并不严格限定面部的具体位置,而是给出了一个允许面部运动的较大区域。同样,速度控制器并不精确控制每一帧的速度,而是提供一个速度范围,让生成的头部运动接近但不一定完全符合指定的速度水平。

通过使用这些弱条件,EMO框架能够在保持角色身份一致性的同时,生成具有丰富表情和自然头部运动的视频,从而在表达性和逼真度方面取得更好的效果。

比起传统的分别针对眼睛鼻子嘴等部位的建模方案,EMO更着重考虑整个面部的联合运动,最终效果也就可以做到自然流畅了。

另外薄列峰还透露,选择这个技术路线也是出于实用性、普及性的考虑。

一张图、一段音频,每个人都非常容易获取,门槛低一些,让大家都能玩起来。

关于EMO的技术选择,薄列峰还透露了一个消息。

虽然EMO使用传统基于U-net的扩散模型架构,但Pipeline是解耦的,如果后续尝试Sora同款DiT架构做到更好效果的话,也可以轻松切换过去

对于未来发展方向,EMO目前只做了人头,将来还会扩展到半身、全身。到时候,能实现一张照片让人物同时唱跳RAP篮球也说不定。

高于平均水平的AIGC内容才会被消费

在此之前,EMO背后通义实验室所推项目中,最火的是与EMO一脉相承的Animate Anyone模型。

代表杰作:奶牛猫跳舞

1719306227611

算法原理上,EMOAnimate Anyone都采用了Backbone + ReferenceNet的结构,实现有参考图像引导的去噪生成过程。

其中,Animate Anyone在实现了保留特定对象ID的生成式模型的基础上,进一步证明可以通过一些输入控制信号控制生成内容,特别是人物的动作。

所以其实背后团队是专注数字人的团队,没想到在通义App上包装成全民舞王后,大家对动物玩法更感兴趣。

1719306221923

一个多月前,团队还在全民舞王针对小猫小狗等动物主体检测做了一半优化,使上传动物照片的通过率大幅度提升。

即使检测出来用户上传的是动物,只要通过了骨骼检测,啥小动物都可以起来嗨。

现在技术确实可以生成很多的图片、视频,但如果他们都是平均甚至低于平均水平,大家不见得有兴趣去消费。薄列峰笑道,奶牛猫跳舞确实很妖娆,这给我们把链路打通带来更多的思考——把简单高质量的内容,通过新技术去实现可能。

聊天最后,薄列峰还给大家推荐了一个EMO的私房玩法:

可以试试拿自己5岁、10岁、15……的照片,自己对话,自己合唱。

值得一试哟~

出自:https://mp.weixin.qq.com/s/QTsKGGvHmb_UEet9qJ26_A

© THE END

转载请联系本网站获得授权

投稿或版权问题请加微信:skillupvip