随着人工智能霸主地位的争夺仍在继续，微软现在希望利用其最新工具 VASA-1 将人们的肖像照片转换为会说话的面孔或视频。
根据这家科技巨头的一份研究论文，微软正在将人工智能竞赛提升到另一个水平， 瓦萨 1，用于创建具有视觉情感技能（VAS）的虚拟角色的逼真说话面孔的框架，全部来自肖像。
也可以参考： 视频游戏行业急于就人工智能问题组建工会
从肖像到会说话的面孔
尽管该工具尚未向公众开放，但它可以拍摄单张肖像照片和语音音频，并生成超现实的说话脸部视频，具有精确的唇音同步、逼真的面部行为以及实时生成的自然头部运动。
该工具仍处于微软研究团队的研究预览阶段，演示视频“看起来令人印象深刻”。
据介绍，虽然 Nvidia 和 Runway 等公司已经拥有类似的头部运动和口型同步技术，但 VASA-1 似乎“具有更高的质量和真实感”，这减少了嘴部伪影。 汤姆指南.
此外，这种音频驱动动画的方法也类似于最近的 视频博主人工智能 谷歌研究的模型。
据微软称，虽然演示示例中的所有图像都是由 Dall-E 合成的，但 VASA-1 仍然可以为真实图片制作动画。
该演示展示了不同的人以几乎自然的动作、面部表情和眼睛运动进行交谈，“在其他工具中没有看到嘴顶部和底部周围的伪影。”
它也不需要正面肖像风格的图像即可工作。
Microsoft 刚刚推出了 VASA-1。
这是一种新的人工智能模型，可以将 1 张照片和 1 段音频变成完全逼真的人类 Deepfake。
很想在选举前放弃这个😬pic.twitter.com/MuLkZVOKRM
——张罗文 (@rowancheung) 2024 年 4 月 18 日
VASA-1 让人们议论纷纷
人工智能爱好者似乎已经被 X 平台上的这项技术迷住了，他们将其描述为“狂野”和“疯狂”。
“我们在每个版本之间获得的改进令人难以置信，” 说过 莱纳斯·埃肯斯坦。
其他人则认为，世界正在见证“媒体内容创建方式及其消费方式的巨大转变”。
“这太令人兴奋了，真实感是一流的，”另一位名叫 Sam 的爱好者说道。
尽管其他人认可该工具的能力，但他们也认为微软推出一个容易被操纵的工具有点不负责任。 选举深度造假.
“在选举前就放弃这个是很疯狂的，” 写 X平台上的Rowan Cheung。
另一个用户 埃文·克斯特尔 评论中严厉警告：“微软研究院的 VASA-1 是一个游戏规则改变者，它仅通过照片和音频即可创建超现实的人工智能生成视频。”
“从复兴经典电影传奇到个性化媒体，可能性是无限的。但让我们对深度造假风险保持警惕。”
世界上已经出现大量选举深度造假事件，政客的声音或图像被人工智能操纵以传播宣传。今年全球约有三分之一的人口将参加投票。
然而，微软的研究人员表示这只是为了演示，目前没有计划公开发布或向开发人员提供。
VASA-1 如何工作？
据 Tom's Guide 报道，研究人员自己对该模型“与歌曲完美口型同步，毫无问题地反映歌手的歌词，尽管训练数据集中没有使用音乐”的能力感到惊讶。
此外，VASA-1 还可以处理不同的图像风格，包括著名的历史肖像 蒙娜丽莎.
该工具凭借其先进的口型同步功能可用于游戏。专家表示，这可能会改变沉浸感。
此外，该技术还有助于为社交媒体视频创建头像，例如 Synthesia 和 HeyGen 等公司。
基于 AI 的电影和音乐视频制作还可以利用 VASA-1 技术制作更逼真的视频。
随着微软入股 OpenAI，VASA-1 有可能成为“未来副驾驶”的一部分 空 一体化。”
