长视频AI数字人来了！字节×浙大推出商用级音频驱动数字人模型InfinityHuman

主要观点总结

字节跳动商业化GenAI团队与浙江大学合作推出商用级长时序音频驱动人物视频生成模型——InfinityHuman，解决内容创作智能化需求中的长时长、高质量数字人视频生成的行业痛点。该模型通过创造性解决长期动画中的两大核心难题，实现了专业级的数字人视频生成。InfinityHuman已在多场景实现商用级应用，并展示了出色的技术性能。

关键观点总结

关键观点1: 推出商用级长时序音频驱动人物视频生成模型InfinityHuman

InfinityHuman能够生成连贯自然的高分辨率长视频，提供一张人物图像与对应音频素材即可生成视频。

关键观点2: 解决身份漂移和细节失真两大技术难题

通过“姿态引导优化”技术确保数字人在长时间视频中保持面部特征、光影风格的一致性，并精准捕捉并还原手部交互、面部微表情、情感起伏等细节。

关键观点3: 实现多场景商用级应用

InfinityHuman已应用于电商带货、企业培训、自媒体创作等领域，并展示了出色的中文语音支持效果。

关键观点4: 技术细节与展示

介绍了InfinityHuman的技术细节，包括低分辨率音视频生成模块、姿态引导细化模块、手部特定奖励反馈学习等，并提供了实验结果的定量指标和定性分析。

关键观点5: 字节跳动VIVID Avatar团队的技术实力与贡献

作为字节跳动旗下专注于音视频数字人生成的研发力量，商业化GenAI的VIVID Avatar团队始终站在技术前沿，致力于推动AI生成走向实用化。

免责声明