谷歌近日在 GitHub 頁面發布博文，介紹了 VLOGGER AI 模型，用戶只需要輸入一張肖像照片和一段音頻內容，該模型可以讓這些人物“動起來”，富有面部表情地朗讀音頻內容。

　　VLOGGER AI 是一種適用于虛擬肖像的多模態 Diffusion 模型，使用 MENTOR 數據庫進行訓練，該數據庫中包含超過 80 萬名人物肖像，以及累計超過 2200 小時的影片，從而讓 VLOGGER 生成不同種族、不同年齡、不同穿著、不同姿勢的肖像影片。

　　研究人員表示：“和此前的多模態相比，VLOGGER 的優勢在于不需要對每個人進行訓練，不依賴于人臉檢測和裁剪，可以生成完整的圖像(而不僅僅是人臉或嘴唇)，并且考慮了廣泛的場景(例如可見軀干或不同的主體身份)，這些對于正確合成交流的人類至關重要”。

　　Google將 VLOGGER 視為邁向“通用聊天機器人”的一步，之后 AI 就可以通過語音、手勢和眼神交流以自然的方式與人類互動。

　　VLOGGER 的應用場景還包括可以用于報告、教育場域和旁白等，也可剪輯既有的影片，如果對影片中的表情不滿意就能加以調整。