混元推出生成式AI视频Avatar

最近，中国互联网巨头腾讯的AI实验室Hunyuan发布了一项新功能——HunyuanVideo-Avatar，这一创新让使用者能够将静态照片和语音片段转化为带有情感和唇部同步效果的动态视频。这项技术虽然听起来类似于谷歌的Veo 3项目，但其独特之处在于采用开放权重模型，并可在个人计算机上运行，只要本地硬件条件满足要求。 HunyuanVideo-Avatar的核心是基于一种名为多模态扩散转换器（Multimodal Diffusion Transformer，简称MM-DiT）的架构，它能够同时生成富有动态感、情绪可控且支持多角色对话的视频。与传统方法不同的是，该功能引入了三个重要的技术提升： 首先，是“角色图像注入模块”，这是一套新机制，用于避免在训练过程中和实际应用中的角色信息不匹配问题。通过这一改进，即便是在不同的场景中生成视频时，也能确保角色外貌的一致性，并让动作显得更加自然，表情丰富多彩。其次，“音频情绪模块”（Audio Emotion Module，AEM）能够识别参考图片中的情绪元素，并将其融入到最终的输出视频中去，进而实现对生成视频情绪更为精准和细致的调节能力。最后，HunyuanVideo-Avatar不仅关注到单个虚拟形象的生成质量，还具备处理复杂场景下多个人物互动的效果，进一步拓宽了其应用场景。 自该项目宣布以来，业内专家给予了高度评价，认为其代表了AI生成技术领域内的一大进步，尤其是在开放性和灵活性方面。与封闭源代码的产品相比，开放权重使得研究者可以更容易地了解底层算法的工作原理，并在此基础上做出自己的调整和优化，这对于推动技术发展尤为重要。此外，能够在本地环境中高效运行的特点也预示着在未来，更多个性化和定制化的解决方案有望以较低的成本呈现给普通用户。 此次Hunyuan推出的Avatar模型是在去年发布的大规模语言模型之后再次引起广泛关注的技术成果。作为国内领先的技术企业之一，腾讯一直致力于探索AI领域的新方向，这次也不例外地展示出强大的技术研发能力和市场前瞻性。随着越来越多类似技术的应用落地，我们或许正站在一次多媒体内容创作革命的起点上，未来的娱乐行业、社交应用乃至教育培训等多个领域都可能因此而迎来新的增长点。 Hunyuan是隶属于腾讯公司的先进人工智能实验室，专注于开发前沿的机器学习算法及其各类应用场景。除了本次新推出的视频生成工具之外，Hunyuan此前还成功研发了多项重要的人工智能产品和服务，如大规模语言模型等，展示了公司在深度学习及图像处理等领域的卓越能力。行业分析师认为，此次发布的HunyuanVideo-Avatar不仅彰显了腾讯在技术创新方面的持续投入，也反映了该公司对于消费者体验提升的重视。该技术有望促进虚拟互动相关行业的快速发展，并为全球用户提供更多元化的数字内容创造手段。