3 月 19 日，Google 在其官方博客上發(fā)布了關(guān)于 VLOGGER AI 模型的相關(guān)信息。這是一款利用用戶提供的肖像照片和音頻內(nèi)容，使人物生動(dòng)地呈現(xiàn)音頻內(nèi)容并具備豐富面部表情的人工智能程序。

具體來(lái)說(shuō)，VLOGGER AI 采用一種適應(yīng)虛擬肖像的多模態(tài) Diffusion 模型，通過(guò) MENTOR 數(shù)據(jù)庫(kù)進(jìn)行訓(xùn)練，涵蓋了超80萬(wàn)個(gè)人物肖像及超過(guò)2200小時(shí)的視頻數(shù)據(jù)。得益于此，VLOGGER 可以生成各種族、各年齡段、穿著多樣、姿態(tài)各異的肖像視頻。

研發(fā)團(tuán)隊(duì)指出，相較于之前的同類產(chǎn)品，VLOGGER 的獨(dú)特之處在于無(wú)需針對(duì)每個(gè)使用者進(jìn)行單獨(dú)培訓(xùn)，且不受限于人臉檢測(cè)和裁剪，能產(chǎn)出完整的圖像，且能夠處理更多元化的情境如可見的身軀或者其他身份特征，這對(duì)于真實(shí)再現(xiàn)人物交流過(guò)程至關(guān)重要。

谷歌將 VLOGGER 視為通往“通用聊天機(jī)器人”未來(lái)的關(guān)鍵一步，使人工智能能以自然的語(yǔ)音、手勢(shì)和眼神等方式與人類交互。除此之外，VLOGGER 還可用作報(bào)告、教育領(lǐng)域以及旁白等方面的輔助工具，并能對(duì)已有的電影進(jìn)行剪輯和表情調(diào)整。