2024世界人工智能大会｜首个面向C端用户的可控人物视频生成大模型Vimi入选“镇馆之宝”
图说：Vimi入选大会展览展示最高荣誉“镇馆之宝” 商汤科技供图（下同）
7月4日，2024世界人工智能大会在上海开幕。由商汤科技打造的首个面向C端用户的可控人物视频生成大模型——Vimi入选大会展览展示最高荣誉“镇馆之宝”。
据介绍，Vimi依托商汤日日新大模型，仅通过一张任意风格的照片就能生成和目标动作一致的人物类视频，并支持多种驱动方式，可通过已有人物视频、动画、声音、文字等多种元素进行驱动。
随着大模型和生成式AI技术的快速发展，让照片中的人物动起来已经不是新鲜事，但目前市面上的相关产品在实际应用中存在诸多痛点，有的人物动作、表情无法精准控制，有的效果稳定性不高，有的时长有限只有三四秒钟，无法满足广大视频创作者的使用需求。为了解决这些应用中的实际问题，商汤可控人物视频生成大模型Vimi应运而生。
与图片表情控制类技术只能控制头部表情动作不同，Vimi不但可以实现精准的人物表情控制，还可实现在半身区域内控制照片中人物的自然肢体变化，并自动生成与人物相符的头发、服饰及背景变化。同时，光影变化也能做到合理生成，让人物动作和视觉效果流畅自然。Vimi可稳定生成长达1分钟的单镜头人物类视频，画面效果不会随着时间的变化而劣化或失真，可满足娱乐互动等需要长时间稳定视频生成的需求。
据悉，Vimi将面向C端用户开放使用。用户只需上传不同角度的高清人物图片，即可自动生成数字分身和不同风格的写真视频。由Vimi生成的视频人物不再只是呆板的五官运动，而是搭配手势、肢体、头发等，形成更完整、统一的人物动作，让创作者可基于生成的视频素材进行剪辑和再创作。
针对喜爱自拍的用户，Vimi可支持聊天、唱歌、舞动等多种娱乐互动场景；而对于热衷表情包的用户来说，Vimi通过单张图片即可驱动生成各种趣味的人物表情包，玩法多样，实现创作自由。此外，Vimi还提供唯美写真风、奇幻风等多种生成风格，让用户仿佛穿越不同次元，享受大片质感的沉浸式视觉效果。
目前，Vimi已在商汤科技官网开放预约体验。在明天（5日）商汤科技举办的“大爱无疆·向新力”人工智能论坛上，还将揭开Vimi的更多细节。
新民晚报记者 郜阳