（取自微軟官網）

微軟亞洲研究院（Microsoft Research Asia）近日發表論文，介紹了全新的 VASA-1 模型，用戶只需要提供一張靜態肖像圖片和一段語音音訊片段，該模型就能自動讓圖片中的人物自動說話。

VASA-1 特別有趣的地方在於，它能夠模擬自然的臉部表情、各種情緒和唇部同步，最重要的是幾乎沒有人工痕跡，如果不細看很難發現。

研究人員還表示 VASA-1 支援離線 batch 處理模式下，以 45fps 生成分辨率為 512*512 的動態短影音，線上直播模式下可以達到 40 fps，且延遲僅為 170ms。

而且整個生成操作，只需要一台配備NVIDIA RTX 4090 顯卡的電腦上就能處理。

本文為品玩授權刊登，原文標題為「讓蒙娜麗莎唱饒舌，微軟發佈 VASA-1 模型：圖 + 音頻可生成短視頻」