一張照片就能唱歌，阿里EMO免費(fèi)上線

萬萬沒想到，國產(chǎn)AI技術(shù)的更新迭代真的是太快了。

在ChatGPT的余暉尚未消散之際，OpenAI攜Sora橫空出世。憑借精準(zhǔn)捕捉指令、細(xì)膩構(gòu)建場景、逼真演繹動(dòng)態(tài)的卓越能力，Sora被部分業(yè)內(nèi)人士稱其 “人工智能領(lǐng)域的一次突破”。逼真的畫面令人很難區(qū)分它們是由實(shí)拍而得，還是由AI生成。

讓人驚訝的是，不少人還在被Sora的視頻生成能力征服，而國產(chǎn)大模型已經(jīng)悄悄帶來新的變化。

早在今年2月份，阿里巴巴發(fā)布了一款全新的生成式AI模型EMO，并且公布了技術(shù)論文。

EMO生成視頻案例

具體來說，EMO不僅能夠生成唱歌和說話的視頻，還能在保持角色身份穩(wěn)定性的同時(shí)，根據(jù)輸入音頻的長度生成不同時(shí)長的視頻。

而EMO的視頻效果，真的讓人一愣一愣的。

比如我們上傳一張伏地魔的照片，EMO便能制作出他正在唱歌的真實(shí)視頻，而且形象逼真。仔細(xì)觀察EMO產(chǎn)出的視頻，可以發(fā)現(xiàn)人物的口型與背景音樂的同步性極佳，表情變化也十分豐富，使得角色仿佛賦予了生命，整體效果令人印象深刻。

伏地魔演唱《野狼disco》

這樣的效果自然引發(fā)了很多海外用戶、科技巨頭的驚嘆，大家震驚于EMO的技術(shù)實(shí)力直逼Sora，EMO也隨之成為繼Sora之后最受關(guān)注的AI模型之一。

很多網(wǎng)友紛紛感嘆：“我們正在走進(jìn)一個(gè)新的現(xiàn)實(shí)！”

EMO掀起用戶討論熱潮

隨著EMO模型在技術(shù)圈的火爆，為了讓所有人都能體驗(yàn)到EMO的強(qiáng)大功能，阿里通義實(shí)驗(yàn)室，決定將其全面開放給所有人：4月25日，EMO上線通義APP，阿里通義實(shí)驗(yàn)室將其免費(fèi)集成至通義APP的“全民舞臺(tái)”頻道，所有用戶均可免費(fèi)使用。

在我們實(shí)際體驗(yàn)之后發(fā)現(xiàn)，這個(gè)國產(chǎn)AI工具比論文中的使用步驟還簡單。從一張安靜的圖片，到一個(gè)活生生、會(huì)唱歌、會(huì)講段子的“人“，只需要十幾分鐘的時(shí)間。

毫無疑問，EMO的誕生以及媲美Sora的技術(shù)能力，標(biāo)志著中國AI大模型持續(xù)走在行業(yè)前列，正在與國際巨頭并駕齊驅(qū)。

國產(chǎn)AI進(jìn)化速度快的嚇人

實(shí)際上，在Sora模型推出之后，曾有人擔(dān)憂國產(chǎn)AI無法跟上步伐。有很多人認(rèn)為：國產(chǎn)AI與Sora之間的差距越來越大。

我們必須承認(rèn)，國產(chǎn)AI與美國大模型之間的差距的確存在，而明確差距的下一步，就是加速追趕。

目前來看，國產(chǎn)AI在語言模型、視頻生成模型、視覺理解模型等很多領(lǐng)域都在加速追趕，像EMO就在音頻生成視頻的領(lǐng)域做到了業(yè)界首創(chuàng)。

幾個(gè)月之前，國產(chǎn)AI也做過類似的視頻生成工作。當(dāng)時(shí)，整體生成的視頻時(shí)間比較短，基本在10秒以內(nèi)，并且視頻中經(jīng)常出現(xiàn)錯(cuò)誤，不連貫，視頻生成的速度也很慢。

可是萬萬沒想到，幾個(gè)月之后，當(dāng)前的國產(chǎn)大模型就已經(jīng)實(shí)現(xiàn)分鐘級(jí)別的audio2video生成，并且視頻的形象逼真，人物的表情變化也十分豐富。

同樣以阿里EMO模型為例：

從今年2月份放開技術(shù)論文到現(xiàn)在，僅僅過去不到2個(gè)月的時(shí)間，EMO就實(shí)現(xiàn)了低門檻使用、全量免費(fèi)上線等創(chuàng)新體驗(yàn)。

我們實(shí)際體驗(yàn)發(fā)現(xiàn)，生成一段伏地魔唱歌的視頻，只需要等待10分鐘左右，即可完成。

令人驚艷的技術(shù)迭代速度，才是國產(chǎn)AI的真正實(shí)力所在。有媒體評(píng)論，talking head技術(shù)雖然才出現(xiàn)兩三年，但EMO一下子讓以前的技術(shù)方案變成了“老古董”。

具體來說，EMO是一種富有表現(xiàn)力的音頻驅(qū)動(dòng)的肖像視頻生成框架，可以根據(jù)輸入視頻的長度生成任何持續(xù)時(shí)間的視頻。區(qū)別于Sora的文生視頻技術(shù)，這種音頻驅(qū)動(dòng)的肖像視頻框架，無需建模就可驅(qū)動(dòng)肖像開口說話，不僅降低了視頻生成成本，還大幅提升了視頻生成質(zhì)量。

毫不夸張地說，我國視頻生成技術(shù)正在步入嶄新的2.0時(shí)代，加速縮小與國際先進(jìn)水平的差距。

見證歷史，見證國產(chǎn)AI的奇跡

不難看出，國產(chǎn)AI大模型與行業(yè)先進(jìn)技術(shù)并駕齊驅(qū)。以EMO模型和通義APP為代表的國產(chǎn)AI，在AI行業(yè)的激烈爭奪中，持續(xù)突破技術(shù)壁壘。

而目前國內(nèi)互聯(lián)網(wǎng)巨頭的大部分大模型都達(dá)到或者超過了GPT3.5的能力，全世界也只有中國有這個(gè)能力。

諸多行業(yè)相關(guān)數(shù)據(jù)也在證實(shí)，中國已經(jīng)成為AI成果和AI專利方面的全球領(lǐng)導(dǎo)者。

來自斯坦福大學(xué)人工智能研究院AI Index報(bào)告顯示，在AI專利方面，中國處于領(lǐng)先位置。2022年，中國以61.1%的比例領(lǐng)跑全球AI專利來源地，遠(yuǎn)超美國（20.9%）。對(duì)比2010年，當(dāng)時(shí)美國在AI專利方面的占比高達(dá)54.1%。

國家工業(yè)信息安全發(fā)展研究中心和工信部電子知識(shí)產(chǎn)權(quán)中心聯(lián)合發(fā)布的《新一代人工智能專利技術(shù)分析報(bào)告》同樣顯示，我國成為全球AI技術(shù)創(chuàng)新重要競爭者。

與此同時(shí)，國產(chǎn)AI的爆發(fā)，也在持續(xù)點(diǎn)燃普通用戶的參與熱情。

數(shù)據(jù)顯示，視頻生成模型EMO剛剛上線僅一天的時(shí)間，就吸引了400多萬用戶前來使用體驗(yàn)，其應(yīng)用全量開放的瞬間，通義APP甚至一度被擠爆，需要排隊(duì)數(shù)小時(shí)。

圖源：通義千問APP

除了EMO模型的驚艷之外，越來越多的AI創(chuàng)新應(yīng)用，也在一步步走到我們身邊。

前段時(shí)間，一款名為“全民舞王”的現(xiàn)象級(jí)應(yīng)用在社交平臺(tái)上引發(fā)熱議，用戶們紛紛利用該應(yīng)用讓兵馬俑跳出科目三的舞步，創(chuàng)意玩法層出不窮，熱度持續(xù)飆升。除此之外，通義APP也陸續(xù)推出了超長文檔解析、AI編碼助手、AI會(huì)議助手等一系列免費(fèi)且實(shí)用的功能，讓人工智能真正融入日常生活，提升效率，豐富娛樂體驗(yàn)。

從某種意義上來說，國產(chǎn)AI帶來的新一輪工業(yè)革命已經(jīng)開始了。

而作為普通人的我們，正共同見證國產(chǎn)AI行業(yè)的蓬勃發(fā)展，每一個(gè)人都在親歷這一歷史性的技術(shù)變革，共享國產(chǎn)AI創(chuàng)造的奇跡。