Pine 发自凹非寺
量子位公众号 QbitAI
输入一段台词，让照片“演戏”又进阶了！
这次的 AI 直接让“演技”整体上了一个台阶，表演生气、开心、可怜……各种情绪都不在话下。
并且，口型、眼神、头部动作也都让这个 AI 狠狠拿捏住了！
甚至还能调节喜怒哀乐的程度。
这是英伟达最新推出的一款 AI，名为 SPACEx（此 SPACEx 非马斯克的 SpaceX），全称是可控表达的语音驱动肖像动画（Speech-driven Portrait Animation with Controllable Expression）。
其实，在英伟达推出 SPACEx 之前，已经有不少语音驱动照片的 AI 问世，那相较于之前那些 AI，SPACEx 有什么优势呢？
人脸动作更稳定，更注重细节
此前，最常使用的语音驱动照片的 AI 主要有三个：PC-AVS、MakeItTalk 和 Wav2Lip。
但这三个 AI 都或多或少有些缺陷之处，并且要么只能对口型，要么就只是整体面部控制的比较好，多个功能往往不能兼顾。
先来说说 PC-AVS，它在对图像和语音进行处理时，会对输入图像进行严格的剪裁，甚至还会改变姿势，此外，生成的人脸动作很不稳定。
而 MakeItTalk，在对口型方面效果不是很好，有时候生成的视频中还会出现空白的地方。
Wav2Lip 的功能则比较单一，它主要是配音 AI，只改变唇部的动作，唇部之外的面部表情毫无变化。
而这些问题，在 SPACEx 身上通通都被解决掉了，话不多说，直接看看它们之间的效果对比！
可以看出，无论是细节的口型、眼神，还是整体的面部动作，SPACEx 都会更加自然一些。
而细分到各个具体的功能，SPACEx 都集成了哪些功能呢？
下面这个表格给出了答案，情绪控制、标记面部 landmark、头部转动和动作生成，SPACEx 都能很好地兼顾，不会像以往的模型顾此失彼。
值得注意的是，SPACEx 生成视频的质量也整体上升了一个台阶，以往同类型的 AI 最高只能达到 384 的分辨率，而 SPACEx 这次已经达到了 512X512。
兼顾这么多功能还能生成高质量视频，SPACEx 又是怎样做到的呢？
具体原理
其中，很大一部分功劳是 face-vid2vid 贡献的，它是英伟达两年前公布的一个 AI 算法。
它不仅能压缩视频的流量，还能保证视频的画质。
并且，face-vid2vid 还能让视频中的人物随意扭头。
不过它要求输入的是一个视频，而 SPACEx 则是一个图片，它俩又是怎么关联到一起的？
这得从 SPACEx 生成视频的过程来看，主要分三个阶段。
第一个阶段可以概括为 Speech2Landmarks，即从输入的语音中来预测各个音节所对应的标准面部 landmarks。
在预测的过程中，还会插入对应的情绪标签。
预测好面部 landmarks 后，来到第二步：Landmarks2Latents，输入各个图像的 face-vid2vid 关键点，以控制整个面部表情。
然后将这些关键点对应到上一步输出的标准面部 landmarks 上。
最后一步便能通过 face-vid2vid 生成器来生成视频了。
话说回来，当然 SPACEx 也不是个全能选手，当输入有较大的头部旋转时，现有的方法表现就不是很好了。
不过还是值得一试的，感兴趣可以戳下文链接～
论文地址：
https://arxiv.org/pdf/2211.09809.pdf
参考链接：
