在最近的一份白皮书中，微软推出了一种新的人工智能模型，该模型可以产生一个看起来和听起来都很真实的会说话的头部，并且只需上传一张静态照片和一个语音样本即可生成。
新模型被命名为VASA-1，它只需要一张肖像风格的图片和一个语音音频文件，并将它们融合在一起制作一个带有面部表情、唇形同步和头部动作的头部说话的短视频。 制作出来的头甚至可以唱歌，并且是在创作时上传的声音。
Microsoft VASA-1 是动画领域的一项突破
微软表示，新的AI模型仍处于研究阶段，目前还没有向公众发布的计划，只有微软研究人员可以接触到。 然而，该公司分享了相当多的演示样本，这些样本显示出令人惊叹的真实感和嘴唇动作，看起来过于逼真。
该演示展示了看起来真实的人们，就好像他们坐在摄像机前并被拍摄一样。 头部的动作很真实，看起来很自然，与音频相匹配的嘴唇动作也非常出色，但似乎没有什么不自然的地方。 整体嘴巴的同步性是惊人的。
微软表示，该模型是为了制作虚拟角色动画而开发的，并声称演示中显示的所有人物都是合成的，正如他们所说，这些模型是由 OpenAI 的图像生成器 DALL-E 生成的。 因此，我们认为，如果它可以为人工智能生成的模型制作动画，那么显然它有更大的潜力为任何真人的照片制作动画，这应该更加真实，并且更容易处理。
Vasa-1 的用例及其潜在的误用
如果我们看看VASA-1在实际应用中的潜力，那么在基线上，它可以用来制作动画电影中的角色动画，这将通过自然的面部表情和头部动作给角色带来更真实的感觉。 出于同样的原因，另一个用途可能是在视频游戏中，例如《侠盗猎车手》等。 未来它可能会用于超现实的人工智能生成的电影或系列，其中的角色可以由图像生成器生成，并可以由 VASA-1 制作动画，观众甚至可能感觉不到角色不是人类。
除了创造性地使用该工具之外，它还可以被用来创建用于恶意目的的内容。 VASA-1 的潜在滥用可能是其用于深度伪造，因为它将使参与深度伪造创作的任何人都可以轻松扩大其不良策略并生成更现实的误导内容。 还记得拜登在初选前用声音阻止人们投票的机器人电话丑闻吗？ 现在，它可能是机器人通话之后的机器人视频，并且具有非常逼真的人类表情。
潜在的滥用风险可能是微软将测试仅限于其研究人员的原因。 据微软研究人员称，与其他一些工具一样，该工具可用于创建冒充人类的误导性和欺骗性内容，但他们的目标是积极使用应用程序。 Nvidia 和 Runway AI 也发布了具有相同功能的模型，但 VASA-1 似乎更现实，也是一个有前途的候选者。
