阿里巴巴集團(tuán)智能計(jì)算研究院在近日上線了一款新的AI圖片-音頻-視頻模型技術(shù)EMO，官方稱其為“一種富有表現(xiàn)力的音頻驅(qū)動的肖像視頻生成框架”。

目前，EMO框架上線到GitHub中，相關(guān)論文也在arxiv上公開。

據(jù)悉，用戶只需要提供一張照片和一段任意音頻文件，EMO即可生成會說話唱歌的AI視頻，以及實(shí)現(xiàn)無縫對接的動態(tài)小視頻，最長時間可達(dá)1分30秒左右。

表情非常到位，任意語音、任意語速、任意圖像都可以一一對應(yīng)。