微软炸裂级单图生数字人，Sora同款思路，“比AI刘强东还真”

微软发布一张图生成数字人技术VASA-1，网友看过直呼“炸裂级效果”，比“AI刘强东还真”。

话不多说，直接上一分钟演示视频：

做到以假乱真效果，不用针对特定人物训练，只要上传一张人脸图片、一段音频，哪怕不是真人也行。

比如可以让蒙娜丽莎唱Rap，模仿安妮海瑟薇即兴吐槽狗仔队名场面。

或者让素描人像念华强台词。

在项目主页还有更多1分钟视频，以及更更多15秒视频可看。

不同性别、年龄、种族的数字人，用着不同的口音在说话。

根据团队在论文中的描述，VASA-1拥有如下特点：

• 唇形与语音的精准同步

这是最基本的，VASA-1在定量评估中也做到了顶尖水平。

• 丰富而自然的面部表情

不光做到让照片“开口说话”，眉毛、眼神、微表情等也跟着协调运动，避免显得呆板。

• 人性化的头部动作

说话时适当的点头、摇头、歪头等动作，能让人物看起来更加鲜活、更有说服力。

总得来说，仔细看的话眼睛还有一些破绽，但已经被网友评为“迄今为止最佳演示”。

然而更恐怖的是，整个系统推理速度还是实时级的。

生成512x512分辨率的视频，使用一块英伟达RTX4090显卡就能跑到40fps。

那么，VASA-1是如何做到这些的呢?

3大关键技术，Sora同款思路‍‍‍‍‍

一句话概括：

不是直接生成视频帧，而是在潜空间中生成动作编码，再还原成视频。

是不是和Sora的思路很像了？

其实VASA-1的模型架构选择Diffusion Transformer，也与Sora核心组件一致。

据论文描述，背后还有3大关键技术:

人脸潜编码学习，这部分是高度解耦的。

团队从大量个真实的说话视频中，学习到一个理想的人脸特征空间。

把身份、外观、表情、姿态等因素在隐空间里剥离开。这样一来，同一个动作就能驱动不同的脸，换成谁都很自然。

头部运动生成模型，这部分又是高度统一的。

不同于之前的方法分别建模嘴唇、眼神、眉毛、头部姿态等局部动作，VASA-1把所有面部动态统一编码，用Diffution Transfromer模型，也就是SORA同款核心组件，来建模其概率分布。

这样既能生成更协调自然的整体动作，又能借助transformer强大的时序建模能力，学习长时依赖。

比如给定一组原始序列（下图第一列），最终可以做到：

• 用原始头部姿态，改变面部表情（第二列）
• 用原始面部表情，改变头部姿态（第三列）
• 用原始面部表情，生成全新的头部姿态（第四列）

最后是高效率推理。

为了实现秒实时合成，团队对扩散模型的推理过程进行了大量优化。

此外，VASA-1还允许用户输入一些可选的控制信号，比如人物的视线方向、情绪基调等，进一步提升了可控性。

AI造假成本越来越低了‍

被VASA-1效果震惊过后，很多人开始思考，把AI数字人做到如此逼真，发布这样一个技术真的合适吗？

毕竟用AI伪造音频视频诈骗的例子，我们已经见过太多。

就在2个多月前，还有一起假冒公司CFO开视频会议，直接骗走1.8个亿的案件发生。

微软团队也意识到了这一问题，并作出如下声明：

我们的研究重点是为数字人生成视觉情感，旨在实现积极的应用。无意创建用于误导或欺骗的内容。 然而，与其他相关内容生成技术一样，它仍然可能被滥用于模仿人类。 我们反对任何创造真实人物的误导性或有害内容的行为，并且有兴趣应用我们的技术来推进伪造检测……

目前VASA-1只发布了论文，看来短时间内也不会发布Demo或开源代码了。

微软表示，该方法生成的视频仍然包含可识别的痕迹，数值分析表明，距离真实视频的真实性仍有差距。

不上专业评估手段，肉眼看的话，仔细挑刺或直接对比真人视频，确实也能发现目前VASA-1演示视频中的一些瑕疵。

比如牙齿偶尔会变形。

以及眼神还不像真人那么丰富。（眼睛确实是心灵的窗户啊）

但是以“AIGC一天，人间一年”的进步速度来看，修复这些瑕疵恐怕也不用很久。

以及你能保证每时每刻都保持警惕分辨视频真假么？

眼见不再为实。默认不相信任何视频，成了很多人今天做出的选择。

不管怎么样，正如一位网友总结。

我们无法撤销已经完成的发明，只能拥抱未来。

论文地址： https://arxiv.org/abs/2404.10667

参考链接： [1]https://www.microsoft.com/en-us/research/project/vasa-1/ [2]https://x.com/bindureddy/status/1780737428715950460