Исследователи Microsoft представили VASA-1, новую модель искусственного интеллекта (ИИ), которая генерирует поразительно реалистичные видео с говорящими лицами на основе всего лишь одного изображения и аудиоклипа. Созданные видеоролики демонстрируют естественные движения рта, яркую мимику и движения головы в режиме реального времени.

Модель может генерировать видео с разрешением 512x512 пикселей со скоростью до 40 кадров в секунду с минимальной задержкой, что делает ее перспективной для приложений реального времени. VASA-1 также виртуозно управляет направлением взгляда и эмоциями и справляется с такими сложными сценариями, как художественные фотографии, пение и речь на разных языках.

Исследователи Microsoft рассматривают VASA-1 как важный шаг на пути к созданию реалистичных цифровых аватаров ИИ, которые смогут взаимодействовать с людьми так же естественно и интуитивно, как настоящие люди. Потенциальные области применения варьируются от обогащения цифрового общения до интерактивного ИИ-репетиторства и терапевтической поддержки.