阿里云宣布自研 EMO 模型上线通义 App，用照片 + 音频生成唱歌视频

“本站4月25日消息，emo（emote portrait alive）是一个由阿里巴巴集团智能计算研究院开发的框架，一个音频驱动的ai肖像视频生成系统，能够通过输入单一的参考图像和语音音频，生成具有表现力的面部表情和各种头部姿势的视频。”

阿里云今日宣布，通过实验室研发的 AI 模型 —— EMO 正式上线通用 App，并开放给所有用户免费使用。借助这一功能，用户可以在歌曲、热梗、表情包中任选一款模板，然后通过上传一张肖像照片就能让 EMO 合成演唱视频。

根据介绍，通义 App 首批上线了80多个 EMO 模板，包括热门歌曲《上春山》《野狼 Disco》等，还有网络热梗“钵钵鸡”“回手掏”等，但目前暂未提供自定义音频。

本站附 EMO 官网入口：

• 官方项目主页：https://humanaigc.github.io/emote-portrait-alive/

• arXiv 研究论文：https://arxiv.org/abs/2402.17485

• GitHub：https://github.com/HumanAIGC/EMO（模型和源码待开源）

EMO 的主要特点

• 生成EMO音频的视频：EMO能够根据输入的音频（如对话或歌曲）直接生成视频，无需依赖于预先录制的视频片段或3D面部模型。

• 高表现力和逼真度：EMO 生成的视频具有高度的表现力，能够捕捉并再现人类面部表情的细微差别，包括微妙的微表情，以及与音频节奏相匹配的头部运动。

• 无缝帧过渡：EMO 确保视频帧之间的过渡自然流畅，避免了面部扭曲或帧间抖动的问题，从而提高了视频的整体质量。

• 身份保持：通过 FrameEncoding 模块，EMO 能够在视频生成过程中保持角色身份的一致性，确保角色的外观与输入的参考图像保持一致。

• 稳定的控制机制：EMO 采用了速度控制器和面部区域控制器等稳定控制机制，以增强视频生成过程中的稳定性，避免视频崩溃等问题。

• 灵活的视频时长：EMO 可以根据输入音频的长度生成任意时长的视频，为用户提供了灵活的创作空间。

• 跨语言和跨风格：EMO 的训练数据集涵盖了多种语言和风格，包括中文和英文，以及现实主义、动漫和 3D 风格，这使得 EMO 能够适应不同的文化和艺术风格。

以上就是阿里云宣布自研 EMO 模型上线通义 App，用照片 + 音频生成唱歌视频的详细内容，更多请关注叮当号网其它相关文章！