谷歌发布 “Vlogger” 视频模型框架：单张图片生成 10 秒视频

　　谷歌最近发布了一项名为 “Vlogger” 的新视频框架，可以通过仅一张图片和录音即可生成一个本人演讲视频。

　　这一框架基于扩散模型，包含音频到人体动作和文本到图像模型两部分。其中，音频波形被用来生成人物的身体控制动作，包括眼神、表情、手势等，使生成的视频看起来自然且生动。该模型训练在一个包含80万个人物视频的大型数据集上完成。

　　Vlogger 的突出之处在于其多样性和完整性。与其他方法相比，Vlogger 不需要对每个人进行训练，也不依赖于面部检测和裁剪，生成的视频包括面部、唇部和肢体动作等。此外，Vlogger 还具有视频编辑和翻译等应用，能够让人物闭嘴、闭眼，甚至进行视频翻译。

　　虽然谷歌尚未发布具体模型，但通过展示效果和论文，可以看到 Vlogger 在视频生成领域的潜力和优势。然而，一些网友对其生成视频的画质、口型对不上等问题提出了质疑和吐槽。尽管如此，Vlogger 的发布仍引起了业界的广泛关注和讨论。

　　谷歌发布的 Vlogger 模型为视频生成领域带来了新的可能性，具备多样性和自然性，为视频编辑和翻译等应用提供了新的解决方案。随着技术的不断进步和完善，相信 Vlogger 将在未来有更广泛的应用和发展。