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”。
