3 月 19 日消息，谷歌近日在 GitHub 頁面發(fā)布博文，介紹了 VLOGGER AI 模型，用戶只需要輸入一張肖像照片和一段音頻內(nèi)容，該模型可以讓這些人物“動起來”，富有面部表情地朗讀音頻內(nèi)容。eX228資訊網(wǎng)——每日最新資訊28at.com

eX228資訊網(wǎng)——每日最新資訊28at.com

VLOGGER AI 是一種適用于虛擬肖像的多模態(tài) Diffusion 模型，使用 MENTOR 數(shù)據(jù)庫進行訓練，該數(shù)據(jù)庫中包含超過 80 萬名人物肖像，以及累計超過 2200 小時的影片，從而讓 VLOGGER 生成不同種族、不同年齡、不同穿著、不同姿勢的肖像影片。eX228資訊網(wǎng)——每日最新資訊28at.com

eX228資訊網(wǎng)——每日最新資訊28at.com

研究人員表示：“和此前的多模態(tài)相比，VLOGGER 的優(yōu)勢在于不需要對每個人進行訓練，不依賴于人臉檢測和裁剪，可以生成完整的圖像（而不僅僅是人臉或嘴唇），并且考慮了廣泛的場景（例如可見軀干或不同的主體身份），這些對于正確合成交流的人類至關重要”。eX228資訊網(wǎng)——每日最新資訊28at.com

Google 將 VLOGGER 視為邁向“通用聊天機器人”的一步，之后 AI 就可以通過語音、手勢和眼神交流以自然的方式與人類互動。eX228資訊網(wǎng)——每日最新資訊28at.com

VLOGGER 的應用場景還包括可以用于報告、教育場域和旁白等，也可剪輯既有的影片，如果對影片中的表情不滿意就能加以調(diào)整。eX228資訊網(wǎng)——每日最新資訊28at.com

附上論文參考eX228資訊網(wǎng)——每日最新資訊28at.com

VLOGGER: Multimodal Diffusion for Embodied Avatar SynthesiseX228資訊網(wǎng)——每日最新資訊28at.com

本文鏈接：http://www.www897cc.com/showinfo-45-3644-0.html谷歌推出多模態(tài) VLOGGER AI：讓靜態(tài)肖像圖動起來“說話”

聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com

上一篇： 聯(lián)想與英偉達合作，推出全新混合 AI 解決方案

下一篇： Canalys 預估 2025 年 AI PC 占全球 PC 出貨量的 40%