微軟炸裂級單圖生數字人，Sora同款思路，“比AI劉強東還真” 精華
AI偽造真人視頻，門檻再次降低。
微軟發布一張圖生成數字人技術VASA-1，網友看過直呼“炸裂級效果”，比“AI劉強東還真”。
做到以假亂真效果，不用針對特定人物訓練，只要上傳一張人臉圖片、一段音頻，哪怕不是真人也行。
比如可以讓蒙娜麗莎唱Rap，模仿安妮海瑟薇即興吐槽狗仔隊名場面。
或者讓素描人像念華強臺詞。
在項目主頁還有更多1分鐘視頻，以及更更多15秒視頻可看。
不同性別、年齡、種族的數字人，用著不同的口音在說話。
根據團隊在論文中的描述，VASA-1擁有如下特點：
- 唇形與語音的精準同步
這是最基本的，VASA-1在定量評估中也做到了頂尖水平。
- 豐富而自然的面部表情
不光做到讓照片“開口說話”，眉毛、眼神、微表情等也跟著協調運動，避免顯得呆板。
- 人性化的頭部動作
說話時適當的點頭、搖頭、歪頭等動作，能讓人物看起來更加鮮活、更有說服力。
總得來說，仔細看的話眼睛還有一些破綻，但已經被網友評為“迄今為止最佳演示”。
然而更恐怖的是，整個系統推理速度還是實時級的。
生成512x512分辨率的視頻，使用一塊英偉達RTX4090顯卡就能跑到40fps。
那么，VASA-1是如何做到這些的呢?
3大關鍵技術，Sora同款思路
一句話概括：
不是直接生成視頻幀，而是在潛空間中生成動作編碼，再還原成視頻。
?
是不是和Sora的思路很像了？
其實VASA-1的模型架構選擇Diffusion Transformer，也與Sora核心組件一致。
據論文描述，背后還有3大關鍵技術:
人臉潛編碼學習，這部分是高度解耦的。
團隊從大量個真實的說話視頻中，學習到一個理想的人臉特征空間。
把身份、外觀、表情、姿態等因素在隱空間里剝離開。這樣一來，同一個動作就能驅動不同的臉，換成誰都很自然。
頭部運動生成模型，這部分又是高度統一的。
不同于之前的方法分別建模嘴唇、眼神、眉毛、頭部姿態等局部動作，VASA-1把所有面部動態統一編碼，用Diffution Transfromer模型，也就是SORA同款核心組件，來建模其概率分布。
這樣既能生成更協調自然的整體動作，又能借助transformer強大的時序建模能力，學習長時依賴。
比如給定一組原始序列（下圖第一列），最終可以做到：
- 用原始頭部姿態，改變面部表情（第二列）
- 用原始面部表情，改變頭部姿態（第三列）
- 用原始面部表情，生成全新的頭部姿態（第四列）
最后是高效率推理。
為了實現秒實時合成，團隊對擴散模型的推理過程進行了大量優化。
此外，VASA-1還允許用戶輸入一些可選的控制信號，比如人物的視線方向、情緒基調等，進一步提升了可控性。
AI造假成本越來越低了
被VASA-1效果震驚過后，很多人開始思考，把AI數字人做到如此逼真，發布這樣一個技術真的合適嗎？
畢竟用AI偽造音頻視頻詐騙的例子，我們已經見過太多。
就在2個多月前，還有一起假冒公司CFO開視頻會議，直接騙走1.8個億的案件發生。
微軟團隊也意識到了這一問題，并作出如下聲明：
我們的研究重點是為數字人生成視覺情感，旨在實現積極的應用。無意創建用于誤導或欺騙的內容。
然而，與其他相關內容生成技術一樣，它仍然可能被濫用于模仿人類。
我們反對任何創造真實人物的誤導性或有害內容的行為，并且有興趣應用我們的技術來推進偽造檢測……
目前VASA-1只發布了論文，看來短時間內也不會發布Demo或開源代碼了。
微軟表示，該方法生成的視頻仍然包含可識別的痕跡，數值分析表明，距離真實視頻的真實性仍有差距。
不上專業評估手段，肉眼看的話，仔細挑刺或直接對比真人視頻，確實也能發現目前VASA-1演示視頻中的一些瑕疵。
比如牙齒偶爾會變形。
以及眼神還不像真人那么豐富。（眼睛確實是心靈的窗戶啊）
但是以“AIGC一天，人間一年”的進步速度來看，修復這些瑕疵恐怕也不用很久。
以及你能保證每時每刻都保持警惕分辨視頻真假么？
眼見不再為實。默認不相信任何視頻，成了很多人今天做出的選擇。
不管怎么樣，正如一位網友總結。
我們無法撤銷已經完成的發明，只能擁抱未來。
論文地址：https://arxiv.org/abs/2404.10667
本文轉自 量子位，作者：量子位
