微软亚洲研究院发布VASA-1模型，实现图片人物自动言语表达

4 月 19 日报道，近期微软亚洲研究院推出了名为 VASA-1 的创新模型，针对静态肖像照片和录音音频片段，其能实现图片中角色的自动化配音。

该模型，尤其擅长展现逼真的面部表情及各类情绪，且嘴唇动作高度拟真。然而，尽管研究员坦承目前仍有不足之处，如无法精准处理头发等纤维质元素，但相较于其他类似模型，VASA-1 的表现已属优异。

此外，研究员还透露，VASA-1 在离线批量处理模式下，可生成分辨率高达 512*512 的动态短片，帧速率为 45fps；在线直播模式下，帧速率也可达到 40fps，延迟时间仅为 170ms。而完成这一切，只需一台搭载 NVIDIA RTX 4090 显卡的计算机即可。