EMO(Emote Portrait Alive)是一個由阿里巴巴集團智能計算研究院開發的框架，一個音頻驅動的 AI 肖像視頻生成系統，能夠通過輸入單一的參考圖像和語音音頻，生成具有表現力的面部表情和各種頭部姿勢的視頻。

　　阿里云宣布，通義實驗室研發的 AI 模型 ——EMO 正式上線通義 App，并開放給所有用戶免費使用。借助這一功能，用戶可以在歌曲、熱梗、表情包中任選一款模板，然后通過上傳一張肖像照片就能讓 EMO 合成演戲唱歌視頻。

　　據介紹，通義 App 首批上線了 80 多個 EMO 模板，包括熱門歌曲《上春山》《野狼 Disco》等，還有網絡熱梗“缽缽雞”“回手掏”等，但目前暫未不開放自定義音頻。

　　EMO 的主要特點

　　音頻驅動的視頻生成：EMO 能夠根據輸入的音頻(如說話或唱歌)直接生成視頻，無需依賴于預先錄制的視頻片段或 3D 面部模型。

　　高表現力和逼真度：EMO 生成的視頻具有高度的表現力，能夠捕捉并再現人類面部表情的細微差別，包括微妙的微表情，以及與音頻節奏相匹配的頭部運動。

　　無縫幀過渡：EMO 確保視頻幀之間的過渡自然流暢，避免了面部扭曲或幀間抖動的問題，從而提高了視頻的整體質量。

　　身份保持：通過 FrameEncoding 模塊，EMO 能夠在視頻生成過程中保持角色身份的一致性，確保角色的外觀與輸入的參考圖像保持一致。

　　穩定的控制機制：EMO 采用了速度控制器和面部區域控制器等穩定控制機制，以增強視頻生成過程中的穩定性，避免視頻崩潰等問題。

　　靈活的視頻時長：EMO 可以根據輸入音頻的長度生成任意時長的視頻，為用戶提供了靈活的創作空間。

　　跨語言和跨風格：EMO 的訓練數據集涵蓋了多種語言和風格，包括中文和英文，以及現實主義、動漫和 3D 風格，這使得 EMO 能夠適應不同的文化和藝術風格。

（邯鄲微信開發）