微软炸裂级单图生数字人，Sora同款思路，“比AI刘强东还真”
梦晨 发自 凹非寺
量子位 | 公众号 QbitAI
AI伪造真人视频，门槛再次降低。
微软发布一张图生成数字人技术VASA-1，网友看过直呼“炸裂级效果”，比“AI刘强东还真”。
话不多说，直接上一分钟演示视频：
做到以假乱真效果，不用针对特定人物训练，只要上传一张人脸图片、一段音频，哪怕不是真人也行。
比如可以让蒙娜丽莎唱Rap，模仿安妮海瑟薇即兴吐槽狗仔队名场面。
或者让素描人像念华强台词。
在项目主页还有更多1分钟视频，以及更更多15秒视频可看。
不同性别、年龄、种族的数字人，用着不同的口音在说话。
根据团队在论文中的描述，VASA-1拥有如下特点：
唇形与语音的精准同步
这是最基本的，VASA-1在定量评估中也做到了顶尖水平。
丰富而自然的面部表情
不光做到让照片“开口说话”，眉毛、眼神、微表情等也跟着协调运动，避免显得呆板。
人性化的头部动作
说话时适当的点头、摇头、歪头等动作，能让人物看起来更加鲜活、更有说服力。
总得来说，仔细看的话眼睛还有一些破绽，但已经被网友评为“迄今为止最佳演示”。
然而更恐怖的是，整个系统推理速度还是实时级的。
生成512x512分辨率的视频，使用一块英伟达RTX4090显卡就能跑到40fps。
那么，Vasa-1是如何做到这些的呢?
3大关键技术，Sora同款思路
一句话概括：
不是直接生成视频帧，而是在潜空间中生成动作编码，再还原成视频。
是不是和Sora的思路很像了？
其实VASA-1的模型架构选择Diffusion Transformer，也与Sora核心组件一致。
据论文描述，背后还有3大关键技术:
人脸潜编码学习，这部分是高度解耦的。
团队从数百万个真实的说话视频中，学习到一个理想的人脸特征空间。
把身份、外观、表情、姿态等因素在隐空间里剥离开。这样一来，同一个动作就能驱动不同的脸，换成谁都很自然。
头部运动生成模型，这部分又是高度统一的。
不同于之前的方法分别建模嘴唇、眼神、眉毛、头部姿态等局部动作，VASA-1把所有面部动态统一编码，用Diffution Transfromer模型，也就是SORA同款核心组件，来建模其概率分布。
这样既能生成更协调自然的整体动作，又能借助transformer强大的时序建模能力，学习长时依赖。
比如给定一组原始序列（下图第一列），最终可以做到：
用原始头部姿态，改变面部表情（第二列）
用原始面部表情，改变头部姿态（第三列）
用原始面部表情，生成全新的头部姿态（第四列）
最后是高效率推理。
为了实现秒实时合成，团队对扩散模型的推理过程进行了大量优化。
此外，Vasa-1还允许用户输入一些可选的控制信号，比如人物的视线方向、情绪基调等，进一步提升了可控性。
AI造假成本越来越低了
被VASA-1效果震惊过后，很多人开始思考，把AI数字人做到如此逼真，发布这样一个技术真的合适吗？
毕竟用AI伪造音频视频诈骗的例子，我们已经见过太多。
就在2个多月前，还有一起假冒公司CFO开视频会议，直接骗走1.8个亿的案件发生。
微软团队也意识到了这一问题，并作出如下声明：
我们的研究重点是为数字人生成视觉情感，旨在实现积极的应用。无意创建用于误导或欺骗的内容。
然而，与其他相关内容生成技术一样，它仍然可能被滥用于模仿人类。
我们反对任何创造真实人物的误导性或有害内容的行为，并且有兴趣应用我们的技术来推进伪造检测……
目前VASA-1只发布了论文，看来短时间内也不会发布Demo或开源代码了。
微软表示，该方法生成的视频仍然包含可识别的痕迹，数值分析表明，距离真实视频的真实性仍有差距。
不上专业评估手段，肉眼看的话，仔细挑刺或直接对比真人视频，确实也能发现目前VASA-1演示视频中的一些瑕疵。
比如牙齿偶尔会变形。
以及眼神还不像真人那么丰富。（眼睛确实是心灵的窗户啊）
但是以“AIGC一天，人间一年”的进步速度来看，修复这些瑕疵恐怕也不用很久。
以及你能保证每时每刻都保持警惕分辨视频真假么？
眼见不再为实。默认不相信任何视频，成了很多人今天做出的选择。
不管怎么样，正如一位网友总结。
我们无法撤销已经完成的发明，只能拥抱未来。
论文地址：
https://arxiv.org/abs/2404.10667
参考链接：
[1]https://www.microsoft.com/en-us/research/project/vasa-1/
[2]https://x.com/bindureddy/status/1780737428715950460
— 完 —
点这里👇关注我，记得标星哦～
微信扫码关注该文公众号作者