字节跳动推新AI模型 用一张照片可制逼真视频

（北京12日综合电）TikTok背后的科技巨头字节跳动推出了一种人工智能（AI）模型，可将照片和声音片段转换为逼真的视频，引起广泛关注，并突显了中国在AI领域日益增长的能力。

字节跳动团队在一篇论文中表示，字节跳动的OmniHuman-1模型可以创造出人们对话、唱歌和移动的生动视频，其质量“明显优于现有的音频人类视频生成方法”。AI生成的真实人物的图像、视频和音频通常被称为深度造假（Deepfake），这种技术在欺诈案件中越来越突出，也越来越无害地用于娱乐。

字节跳动已成为中国最热门的AI公司之一。旗下的豆包目前是国内最受欢迎的面向消费者的AI应用。该公司尚未向公众发布OmniHuman-1，但样本片段已经在网上疯传。

一个值得注意的演示是一段23秒的视频，内容是已故伟大科学家爱因斯坦正发表演讲。TechCrunch的威格斯将这款应用的输出描述为“令人震惊的好”，“可能是迄今为止最逼真的深度假视频”。

该模型突显出，尽管华盛顿努力遏制中国的AI发展，但中国开发商正在取得进展。在此之前，OpenAI扩大了其视频生成工具Sora的发布范围，该工具于去年12月向ChatGPT Plus和Pro用户公开。

在周二发表的技术论文中，字节跳动的林高杰等研究人员详细介绍了一种新的训练策略，该策略结合了不同的文本、音频和运动数据集，建立了更先进的视频生成模型，以解决全球研究人员在扩展此类模型时面临的挑战。

字节跳动表示，其方法改进了传统的视频生成方法，但没有具体指出与之竞争的AI工具。该团队表示，其数据混合方法允许生成具有不同长宽比和身体比例的逼真视频，从脸部特写到全身镜头。