英伟达让AI“演技”再上台阶：仅靠语音驱动1张照片说话，惊讶恐惧表情狠狠拿捏

Pine 发自 凹非寺

量子位 | 公众号 QbitAI

输入一段台词，让照片“演戏”又进阶了！

这次的AI直接让“演技”整体上了一个台阶，表演生气、开心、可怜……各种情绪都不在话下。

并且，口型、眼神、头部动作也都让这个AI狠狠拿捏住了！

甚至还能调节喜怒哀乐的程度。

这是英伟达最新推出的一款AI，名为SPACEx （此SPACEx非马斯克的SpaceX），全称是可控表达的语音驱动肖像动画（Speech-driven Portrait Animation with Controllable Expression）。

其实，在英伟达推出SPACEx之前，已经有不少语音驱动照片的AI问世，那相较于之前那些AI，SPACEx有什么优势呢？

人脸动作更稳定，更注重细节

此前，最常使用的语音驱动照片的AI主要有三个：PC-AVS、MakeItTalk和Wav2Lip。

但这三个AI都或多或少有些缺陷之处，并且要么只能对口型，要么就只是整体面部控制的比较好，多个功能往往不能兼顾。

先来说说PC-AVS，它在对图像和语音进行处理时，会对输入图像进行严格的剪裁，甚至还会改变姿势，此外，生成的人脸动作很不稳定。

而MakeItTalk，在对口型方面效果不是很好，有时候生成的视频中还会出现空白的地方。

Wav2Lip的功能则比较单一，它主要是配音AI，只改变唇部的动作，唇部之外的面部表情毫无变化。

而这些问题，在SPACEx身上通通都被解决掉了，话不多说，直接看看它们之间的效果对比！

可以看出，无论是细节的口型、眼神，还是整体的面部动作，SPACEx都会更加自然一些。

而细分到各个具体的功能，SPACEx都集成了哪些功能呢？

下面这个表格给出了答案，情绪控制、标记面部landmark、头部转动和动作生成，SPACEx都能很好地兼顾，不会像以往的模型顾此失彼。

值得注意的是，SPACEx生成视频的质量也整体上升了一个台阶，以往同类型的AI最高只能达到384的分辨率，而SPACEx这次已经达到了512X512。

兼顾这么多功能还能生成高质量视频，SPACEx又是怎样做到的呢？

其中，很大一部分功劳是face-vid2vid贡献的，它是英伟达两年前公布的一个AI算法。

它不仅能压缩视频的流量，还能保证视频的画质。

并且，face-vid2vid还能让视频中的人物随意扭头。

不过它要求输入的是一个视频，而SPACEx则是一个图片，它俩又是怎么关联到一起的？

这得从SPACEx生成视频的过程来看，主要分三个阶段。

第一个阶段可以概括为Speech2Landmarks，即从输入的语音中来预测各个音节所对应的标准面部landmarks。

在预测的过程中，还会插入对应的情绪标签。

预测好面部landmarks后，来到第二步：Landmarks2Latents，输入各个图像的face-vid2vid关键点，以控制整个面部表情。

然后将这些关键点对应到上一步输出的标准面部landmarks上。

最后一步便能通过face-vid2vid生成器来生成视频了。

话说回来，当然SPACEx也不是个全能选手，当输入有较大的头部旋转时，现有的方法表现就不是很好了。

不过还是值得一试的，感兴趣可以戳下文链接～

论文地址：
https://arxiv.org/pdf/2211.09809.pdf

参考链接：
https://deepimagination.cc/SPACEx/