据悉,EMO基于英伟达的Audio2Video扩散模型打造,号称使用了超过250小时的专业
视频进行训练,从而得到了相关AI框架。
IT之家注意到,研究团队分享了几段由EMO框架生成的DEMO演示片段,并在ArXiv上发布了模型的工作原理,感兴趣的小伙伴也可以访问GitHub查看项目。
▲图源研究人员发布的DEMO片段
据介绍,该框架工作过程分为两个主要阶段,研究人员首先利用参考网络(ReferenceNet)从参考图像和动作帧中提取特征,之后利用预训练的音频编码器处理声音并嵌入,再结合多帧噪声和面部区域掩码来生成
视频,该框架还融合了两种注意机制和时间模块,以确保视频中角色身份的一致性和动作的自然流畅。
研究人员援引一系列实验结果,声称EMO不仅能够产生令人信服的说话视频,还能生成各种风格的歌唱视频,号称“显著优于目前的DreamTalk、Wav2Lip、SadTalker等竞品”。