前言:谷歌提出了一种根据文本或音频自动生成说话和移动的人的视频的方法,是后来Echomimic2、CyberHost等技术的鼻祖,这篇博客详细解读谷歌这篇经典的工作《VLOGGER: Multimodal Diffusion for Embodied Avatar Synthesis》。
目录
贡献概述
我们提出了 VLOGGER,一种根据文本或音频自动生成说话和移动的人的视频的方法,并且只需要输入该人的单个图像。内容创作、娱乐或游戏等行业都对人类合成有很高的需求。然而,真实的人类视频的创作仍然很复杂,而且人工制品也很成熟。这需要大量的人工干预才能获得实际结果。然而,完全自动化不仅可以简化创作过程,还可以实现全新的用例,例如增强的在线通信、教育或个性化虚拟助理等等。鉴于聊天代理最近的成功,后者尤其重要[50,43]。研究表明,此类解决方案被认为不够自然,不足以培养同理心[103]和几位作者[
订阅专栏 解锁全文
206



被折叠的 条评论
为什么被折叠?



