微軟公司的一篇新的人工智慧研究論文展望了未來：上傳一張照片和你的聲音樣本，然後創建一個活靈活現的會說話的人頭像。這款名為VASA-1的人工智慧模型可接收單張人像照片和音訊文件，並將其轉換成超逼真的人臉視頻，包括唇語同步、逼真的臉部特徵和頭部動作。

該模型目前只是研究預覽版，微軟研究團隊以外的任何人都無法試用，但演示影片看起來令人印象深刻。

Runway 和NVIDIA 已經推出了類似的唇部同步和頭部運動技術，但這種技術的品質和逼真度似乎要高得多，可以減少嘴部偽影。這種音訊驅動動畫的方法也與Google研究院最近推出的VLOGGER 人工智慧模型類似。

VASA-1 如何運作？

微軟表示，這是一個新的框架，用於創建栩栩如生的會說話的人臉，專門用於虛擬人物的動畫製作。範例中的所有人物都是合成的，是用DALL-E 製作的，但如果它能為逼真的人工智慧圖像製作動畫，那麼它也能為真實的照片製作動畫。

在演示中，我們看到人們說話時就像在被拍攝一樣，動作略顯生澀，但看起來非常自然。唇語同步令人印象深刻，動作自然，嘴部上下沒有其他工具中出現的假象。

VASA-1 最令人印象深刻的一點似乎是，它不需要正面朝上的人像圖像就能運作。

其中有面向不同方向拍攝的例子。該模型似乎還具有很強的控制能力，能夠將眼睛注視的方向、頭部距離甚至情緒作為輸入來引導生成。

VASA-1 的意義何在？

其中一個最明顯的應用案例就是遊戲中的高階唇語同步。如果能創造出具有自然唇部動作的人工智慧驅動的NPC，就能改變遊戲的沉浸感。

它還可用於為社交媒體影片創建虛擬化身，HeyGen 和Synthesia 等公司已經採用了這種技術。另一個領域是基於人工智慧的電影製作。如果能讓人工智慧歌手看起來像在唱歌，就能製作出更逼真的音樂影片。

儘管如此，該團隊表示，這只是研究演示，並沒有公開發布的計劃，甚至也不會提供給開發人員在產品中使用。

VASA-1 的效果如何？

讓研究人員感到驚訝的是，VASA-1 能夠完美地對歌曲進行歌詞嘴型同步，儘管訓練資料集中沒有使用音樂，但它仍能毫無問題地反映歌手的歌詞。它還能處理不同風格的圖像，包括蒙娜麗莎。

他們讓它以每秒45 幀的速度創建512×512 像素的圖像，使用桌面級NVIDIA RTX 4090 GPU 可在大約2 分鐘內完成。

雖然他們說這只是用於研究，但如果它不能進入公共領域，那就太可惜了，即使只是面向開發者，鑑於微軟在OpenAI中擁有巨大的股份，這甚至可能成為未來Copilot Sora 整合的一部分。