OmniTalker 是什么？

OmniTalker是阿里巴巴通義實(shí)驗(yàn)室研發(fā)的一款實(shí)時(shí)文本驅(qū)動(dòng)的說話頭像ai多模態(tài)生成框架。它可以根據(jù)輸入的文本內(nèi)容，實(shí)時(shí)生成與之匹配的語音和視頻動(dòng)畫。生成的語音和視頻不僅高質(zhì)量，還能逼真地模擬面部表情和頭部動(dòng)作，仿佛是一個(gè)真實(shí)的“數(shù)字人”在與你對(duì)話。OmniTalker支持中英文互轉(zhuǎn)，支持情感表達(dá)，比如平靜、快樂、悲傷、憤怒等等情緒并支持長(zhǎng)視頻生成。

OmniTalker功能特點(diǎn)

• 多模態(tài)輸入處理：能夠感知文本、圖像、音頻和視頻等多種模態(tài)。

• 流式生成：以流式方式生成文本和自然語音響應(yīng)，音頻和視頻編碼器采用按塊處理方法，解耦了對(duì)長(zhǎng)序列多模態(tài)數(shù)據(jù)的處理。

• 音視頻精準(zhǔn)同步：通過 TMRoPE 技術(shù)，確保視頻與音頻輸入的精準(zhǔn)同步。

• 實(shí)時(shí)交互：支持分塊輸入和即時(shí)輸出，能夠進(jìn)行完全實(shí)時(shí)交互。

• 語音生成自然流暢：在語音生成的自然性和穩(wěn)定性方面表現(xiàn)優(yōu)異，超越了許多現(xiàn)有的流式和非流式替代方案。

• 性能優(yōu)勢(shì)：在多模態(tài)基準(zhǔn)測(cè)試中表現(xiàn)出色，音頻能力優(yōu)于類似大小的 Qwen2-Audio，并與 Qwen2.5-VL-7B 保持同等水平。

OmniTalker核心技術(shù)

1. 雙分支擴(kuò)散變換器（DiT）架構(gòu)

• 包含 音頻分支 和 視覺分支：

• 音頻分支：從文本中合成高質(zhì)量的語音。

• 視覺分支：預(yù)測(cè)頭部姿勢(shì)和面部動(dòng)態(tài)。

• 通過一個(gè)新穎的 音頻-視覺融合模塊，確保音頻和視頻輸出在時(shí)間上的同步性和風(fēng)格上的一致性。

2. 上下文參考學(xué)習(xí)

• OmniTalker 能夠從單個(gè)參考視頻中捕獲語音和面部風(fēng)格特征，無需額外的風(fēng)格提取模塊。這意味著，無論輸入的文本是什么，OmniTalker 都能夠生成與參考視頻風(fēng)格高度一致的語音和視頻內(nèi)容。

3. 實(shí)時(shí)性與高效性

• OmniTalker 能夠以 25 FPS 的速度實(shí)時(shí)生成語音和視頻，這在同類技術(shù)中是非常領(lǐng)先的。這種高效的推理速度使得 OmniTalker 可以應(yīng)用于實(shí)時(shí)視頻聊天、虛擬直播等場(chǎng)景，為用戶帶來流暢的交互體驗(yàn)。

OmniTalker應(yīng)用場(chǎng)景

• 智能語音助手：處理用戶的語音指令，實(shí)時(shí)生成語音回應(yīng)。

• 多模態(tài)內(nèi)容創(chuàng)作：同時(shí)處理文本、圖像和視頻輸入，生成相應(yīng)的文本或語音描述。

• 教育與培訓(xùn)：生成虛擬教師，根據(jù)教學(xué)內(nèi)容生成語音和視頻。

• 虛擬客服與助手：創(chuàng)建虛擬客服或助手，實(shí)時(shí)生成語音和視頻回應(yīng)。

• 娛樂與媒體：創(chuàng)建虛擬主播、演員，實(shí)時(shí)生成表演內(nèi)容。

OmniTalker優(yōu)勢(shì)

• 高質(zhì)量生成：生成的語音和視頻內(nèi)容質(zhì)量高，能精準(zhǔn)復(fù)制參考視頻的風(fēng)格，包括語音語調(diào)、節(jié)奏和面部表情的細(xì)微變化。

• 零樣本學(xué)習(xí)：無需大量訓(xùn)練數(shù)據(jù)，可根據(jù)輸入文本和參考視頻快速生成內(nèi)容，適應(yīng)不同場(chǎng)景和需求。

• 實(shí)時(shí)交互：以25 FPS的速度實(shí)時(shí)生成語音和視頻，延遲低，適用于實(shí)時(shí)視頻聊天、虛擬直播等場(chǎng)景。

項(xiàng)目官網(wǎng)：https://humanaigc.github.io/omnitalker/

技術(shù)論文：https://arxiv.org/pdf/2504.02433v1