谷歌發(fā)布 “Vlogger” 視頻模型框架：單張圖片生成 10 秒視頻

　　谷歌最近發(fā)布了一項名為 “Vlogger” 的新視頻框架，可以通過僅一張圖片和錄音即可生成一個本人演講視頻。

　　這一框架基于擴(kuò)散模型，包含音頻到人體動作和文本到圖像模型兩部分。其中，音頻波形被用來生成人物的身體控制動作，包括眼神、表情、手勢等，使生成的視頻看起來自然且生動。該模型訓(xùn)練在一個包含80萬個人物視頻的大型數(shù)據(jù)集上完成。

　　Vlogger 的突出之處在于其多樣性和完整性。與其他方法相比，Vlogger 不需要對每個人進(jìn)行訓(xùn)練，也不依賴于面部檢測和裁剪，生成的視頻包括面部、唇部和肢體動作等。此外，Vlogger 還具有視頻編輯和翻譯等應(yīng)用，能夠讓人物閉嘴、閉眼，甚至進(jìn)行視頻翻譯。

　　雖然谷歌尚未發(fā)布具體模型，但通過展示效果和論文，可以看到 Vlogger 在視頻生成領(lǐng)域的潛力和優(yōu)勢。然而，一些網(wǎng)友對其生成視頻的畫質(zhì)、口型對不上等問題提出了質(zhì)疑和吐槽。盡管如此，Vlogger 的發(fā)布仍引起了業(yè)界的廣泛關(guān)注和討論。

　　谷歌發(fā)布的 Vlogger 模型為視頻生成領(lǐng)域帶來了新的可能性，具備多樣性和自然性，為視頻編輯和翻譯等應(yīng)用提供了新的解決方案。隨著技術(shù)的不斷進(jìn)步和完善，相信 Vlogger 將在未來有更廣泛的應(yīng)用和發(fā)展。