一段音频就能驱动照片唱歌？是真的！EMO模型上线通义APP

不久前，这款名为EMO的模型因为阿里通义实验室的一篇论文火遍海内外，模型的产品化进程也广受关注。4月25日，EMO终于上线通义APP，并开放给所有用户免费使用。

25日，极目新闻记者打开通义APP，进入“全民舞台”频道，看到EMO产品页面显示有“全民唱演”。在歌曲、热梗、表情包中任选一款模板，上传肖像照片，EMO随即就能合成视频。

记者随机生成了一段会说话唱歌的 AI 视频，以及实现无缝对接的动态小视频，最长时间可达1分30秒左右。视频中，人物表情非常到位，任意语音、任意语速、任意图像都可以一一对应。

记者看到，首批上线了80多个EMO模板，包括热门歌曲《上春山》《野狼disco》等，更不乏网络热梗“钵钵鸡”“回手掏”等。不过，记者尝试自定义音频发现，目前暂不开放，只能选择APP预置的音频来生成视频。

据了解，EMO是通义实验室研发的AI模型，其背后的肖像说话（Talking Head）技术是当前大热的AIGC领域。EMO之前的Talking Head技术都需针对人脸、人头部或者身体部分做3D建模，通义实验室在业界率先提出了弱控制设计，无需建模就可驱动肖像开口说话，不仅降低视频生成成本，还大幅提升了视频生成质量。EMO学习并编码了人类表达情绪的能力，能将音频内容和人物的表情、嘴型匹配，还能把音频的语气特征和情绪色彩反映到人物微表情上。

今年2月底，通义实验室公布相关论文，EMO随之成为继SORA之后最受关注的AI模型之一。现在，通义APP让所有人都可免费体验前沿模型的创造力。未来，EMO技术有望应用于数字人、数字教育、影视制作、虚拟陪伴、电商直播等场景。

（来源：极目新闻）