#人工智能[超话]#字节浙大联手搞大事！商用级数字人模型来了，长视频生成难题被破解

以前做数字人视频，稍微长点就“变脸”，手还总僵得像机器人？现在不用愁了！字节跳动和浙江大学刚联手推出商用级音频驱动数字人模型InfinityHuman，直接把AI数字人从“花架子”变成能干活的“实用工具”。

这款模型最牛的地方，就是解决了俩行业老难题。一是“身份漂移”，以前生成30秒以上视频，数字人可能越变越不像最初的样子，现在靠姿态引导技术，不管是3分钟的产品讲解，还是电影角色“复活”，数字人五官、风格都能稳到底。二是“细节拉胯”，之前虚拟人做手势总变形、表情呆板，现在用手部校正和多模态注意力技术，虚拟主播握商品、翻包装，讲师点头、比手势，都跟真人一样自然。

技术上它也不复杂，走的是“先搭框架再细化”的路子。先整合图片、文字、音频，生成带大概动作的低清视频，再根据初始形象调整姿态，最后专门优化手部细节。实验数据也靠谱，在视觉真实感、时序连贯性上，比市面上主流技术都强，尤其是对中文语音适配特别好，唇形和说话节奏能精准对上。

现在这模型已经能落地干活了，覆盖的场景特别实用。电商商家能用虚拟主播24小时带货，演示3C产品时，数字人手指点屏幕都跟真的一样；企业做培训，不用反复拍真人讲师，虚拟讲师能快速出标准化课程，效率提了80%；自媒体更爽，给张照片、一段音频，就能批量出3分钟以上口播视频，有MCN机构试过，单日产出从5条涨到30条。

这次合作也是字节和浙大的“强强联手”，之前就合作过快速训练3D数字人的技术，这次直接推进到商用阶段。现在模型已经放到字节的商业化平台上，用户在网页端就能调用，能生成每秒30帧的视频。未来还会优化多语言、多风格，往元宇宙社交、智能客服方向探索。

对行业来说，这可是个大变化。以前拍真人视频每分钟要花上万元，现在用这模型成本能降到千元级，中小商家也用得起；出视频的时间从几天压缩到几小时，追热点、赶促销都来得及。不过，数字人身份认证、伦理这些问题也得跟上，才能让技术好好发挥作用。

总的来说，这个模型让AI数字人真正能“干活”了，以后电商、教育、传媒行业的内容生产方式可能都要变。说不定再过阵子，我们身边会出现更多能聊天、能办事的数字人伙伴，数字经济又多了个新引擎。 http://t.cn/AXPxcj5S