世界人工智能大会｜首个面向端用户的可控人物视频生成大模型入选镇馆之宝

生活 2024年08月12日 14:35 704 蔓莹

图说：Vimi入选大会展览展示最高荣誉“镇馆之宝”商汤科技供图（下同）

7月4日，2024世界人工智能大会在上海开幕。由商汤科技打造的首个面向C端用户的可控人物视频生成大模型——Vimi入选大会展览展示最高荣誉“镇馆之宝”。

据介绍，Vimi依托商汤日日新大模型，仅通过一张任意风格的照片就能生成和目标动作一致的人物类视频，并支持多种驱动方式，可通过已有人物视频、动画、声音、文字等多种元素进行驱动。

随着大模型和生成式AI技术的快速发展，让照片中的人物动起来已经不是新鲜事，但目前市面上的相关产品在实际应用中存在诸多痛点，有的人物动作、表情无法精准控制，世界人工智能大会｜首个面向端用户的可控人物视频生成大模型入选镇馆之宝有的效果稳定性不高，有的时长有限只有三四秒钟，无法满足广大视频创作者的使用需求。为了解决这些应用中的实际问题，商汤可控人物视频生成大模型Vimi应运而生。

与图片表情控制类技术只能控制头部表情动作不同，Vimi不但可以实现精准的人物表情控制，还可实现在半身区域内控制照片中人物的自然肢体变化，并自动生成与人物相符的头发、服饰及背景变化。同时，光影变化也能做到合理生成，让人物动作和视觉效果流畅自然。Vimi可稳定生成长达1分钟的单镜头人物类视频，画面效果不会随着时间的变化而劣化或失真，可满足娱乐互动等需要长时间稳定视频生成的需求。

据悉，Vimi将面向C端用户开放使用。用户只需上传不同角度的高清人物图片，即可自动生成数字分身和不同风格的写真视频。由Vimi生成的视频人物不再只是呆板的五官运动，而是搭配手势、肢体、头发等，形成更完整、统一的人物动作，让创作者可基于生成的视频素材进行剪辑和再创作。

针对喜爱自拍的用户，Vimi可支持聊天、唱歌、舞动等多种娱乐互动场景；而对于热衷表情包的用户来说，Vimi通过单张图片即可驱动生成各种趣味的人物表情包，玩法多样，实现创作自由。此外，Vimi还提供唯美写真风、奇幻风等多种生成风格，让用户仿佛穿越不同次元，享受大片质感的沉浸式视觉效果。

目前，Vimi已在商汤科技官网开放预约体验。在明天（5日）商汤科技举办的“大爱无疆·向新力”人工智能论坛上，还将揭开Vimi的更多细节。

新民晚报记者郜阳

标签：世界人工智能大会｜首个面向端用户的可控人物视频生成大模型入选镇馆之宝

世界人工智能大会｜首个面向端用户的可控人物视频生成大模型入选镇馆之宝

波音和空客可能在飞机中用了假冒钛

华为云视频技术白皮书

最近发表

热门文章