近日，字节跳动的研究团队向公众展示了一项前沿的AI技术——一款名为OmniHuman-1的模型，该模型能够仅凭一张图片和一段音频，自动生成半身乃至全身的动画视频。
据字节跳动介绍，与市面上那些仅能生成面部或上半身动画的深度伪造技术相比，OmniHuman-1展现出了更为强大的能力。它不仅能生成高度逼真的全身动画，还能确保动画中的手势和面部表情与输入的语音或音乐完美同步，为用户带来前所未有的视觉体验。
为了验证OmniHuman-1的实力，字节跳动在其OmniHuman-lab项目页面上发布了一系列测试视频。这些视频中，AI不仅成功“复刻”了一场TED演讲，还创造了一个栩栩如生的、会说话的阿尔伯特·爱因斯坦形象，令人叹为观止。
在本周一发布的一篇论文中，字节跳动进一步阐述了OmniHuman-1的技术特点。该模型支持多种体型和画面比例，能够根据输入的数据自适应调整，从而生成更加自然流畅的视频效果。这一特性使得OmniHuman-1在动画生成领域独树一帜。
据了解，OmniHuman-1的出色表现得益于其庞大的训练数据集。字节跳动表示，该模型基于约19000小时的人类运动数据进行训练，因此具备了强大的泛化能力。它能够在内存限制内生成任意长度的视频，并适应不同的输入信号，为用户提供了极大的灵活性。
研究人员还对OmniHuman-1的真实性和准确性给予了高度评价。他们指出，与其他同类动画工具相比，OmniHuman-1在生成动画时更加精准、自然，为用户带来了更加逼真的视觉享受。然而，目前该工具仍处于研发阶段，暂不提供下载或相关服务，未来是否会面向公众开放尚不得而知。
