Meta ai最近發布了一項炸裂的技術：Audio2PhotoReal，從音頻生成全身逼真的虛擬人物形象。它可以從多人對話中語音中生成與對話相對應的逼真面部表情、完整身體和手勢動作。

這些生成的虛擬人物不僅在視覺上很逼真，而且能夠準確地反映出對話中的手勢和表情細節，如指點、手腕抖動、聳肩、微笑、嘲笑等。

Audio2PhotoReal工作原理：

Audio2PhotoReal結合了向量量化的樣本多樣性和通過擴散獲得的高頻細節的優勢，以生成更具動態性和表現力的動作。

1、數據集捕獲：首先捕獲了一組豐富的雙人對話數據集，這些數據集允許進行逼真的重建。

2、運動模型構建：項目構建了一個包括面部運動模型、引導姿勢預測器和身體運動模型的復合運動模型。

3、面部運動生成：使用預訓練的唇部回歸器處理音頻，提取面部運動相關的特征。

利用條件擴散模型根據這些特征生成面部運動。

4、身體運動生成：以音頻為輸入，自回歸地輸出每秒1幀的向量量化（VQ）引導姿勢。將音頻和引導姿勢一起輸入到擴散模型中，以30幀/秒的速度生成高頻身體運動。

5、虛擬人物渲染：將生成的面部和身體運動傳入訓練好的虛擬人物渲染器，生成逼真的虛擬人物。

6、結果展示：最終展示的是根據音頻生成的全身逼真虛擬人物，這些虛擬人物能夠表現出對話中的細微表情和手勢動作。

Audio2Photoreal項目地址：https://github.com/facebookresearch/audio2photoreal/

Audio2Photoreal論文地址：https://arxiv.org/pdf/2401.01885.pdf