兵马俑开口唱华阴老腔！通义EMO技术助力央视AI盛典实现古今对唱

量子位的朋友们 2024-06-28 18:05:05 来源：量子位

沉睡2000多年的兵马俑与歌手董宝石 “跨时空同台”，用华阴老腔展现“大秦雄风”；从北宋“穿越”而来的苏轼，与歌手李玉刚共同演绎《水调歌头》……在阿里通义EMO技术的支持下，这些画面变为可能。6月28日，央视《2024中国·AI盛典》将为观众们展示一场融合中华文化与数字科技的视听盛宴。

（依托阿里通义EMO技术，沉睡2000多年的AI兵马俑用华阴老腔展现“大秦雄风”）

仅仅一张照片、一个音频就可以让静止的形象，伴随着音频的跌宕起伏、抑扬顿挫，演绎得惟妙惟肖。秦始皇帝陵博物院院长李岗表示，“我们希望随着AI技术的不断进步，未来的文化遗产保护和传播会更加多元化、智能化，更好地弘扬中华文化，讲述中国故事。”

打开通义APP，在主对话框搜索“EMO”，或找到“全民舞台”频道点击产品页面“全民唱演”，即可体验同款“兵马俑”同唱《从军行》。此外，用户还可以自定义唱演，选择喜欢的歌曲、热梗、表情包，上传肖像照片，EMO随即就能合成视频。

（打开通义APP，即可体验央视《2024中国·AI盛典》同款“兵马俑”，同唱《从军行》）

据了解，EMO是通义实验室研发的AI模型，其背后的肖像说话（Talking Head）技术是当前大热的AIGC领域。EMO之前的Talking Head技术都需针对人脸、人头或者身体部分做3D建模，通义实验室在业界率先提出了弱控制设计，无需建模就可驱动肖像开口说话，不仅降低视频生成成本，还大幅提升了视频生成质量。

EMO模型在海量的人物讲话视频上进行了训练，不仅能够找到音频中具体发音与人像口型的匹配关系，更重要的是能发现音频中的语气特征与人物表情的关联性，将音频暗含的情绪色彩反映到了人物微表情上。可以说，EMO在训练中慢慢学习并编码了人类表达情绪的能力。

通义实验室应用视觉团队负责人薄列峰表示，“未来我们希望用AI的力量将中国传统文化展现得更丰富，更加‘通情，达意’，让收藏在博物馆里的文物、陈列在广阔大地上的遗产、书写在古籍里的文字都‘活’起来。”

2月底，通义实验室公布相关论文，EMO随之成为继SORA之后最受关注的AI模型之一。EMO项目页此前已在Github展示，收获Stars数迅速超6600。仅仅两个月后，通义实验室就将EMO产品化，正式在通义APP推出，所有人都可免费使用，让照片开口唱歌、说段子。未来，EMO技术有望应用于数字人、数字教育、影视制作、虚拟陪伴、电商直播等场景。