让四郎开口唱“朕EMO啦”，硬刚Sora的国产AI视频工具爆红！

作者 | Bamboo 石濑‍‍‍‍

编辑 | 张洁‍‍

“嬛嬛，朕emo啦！”

此前，一位名为“奶茶小肥仔”的博主靠模仿陈建斌的声线唱歌走红，“朕emo啦”“朕能不能睡中间”等网络热梗广为流传。新榜旗下数据工具新抖显示，“奶茶小肥仔”在抖音半年粉丝量飙升370万。

在他的视频中，网友往往只能看到《甄嬛传》的素材剪辑，如今，一款EMO模型的出现，让网友直接看到了“皇上开口唱歌”这一毫无违和感的画面。

近期，阿里通义实验室研发的AI视频生成模型“EMO”上线通义APP“全民舞台”频道，经测试，只需上传一张大头照，就可以让人物照片动起来，根据App预置的音频模板生成演唱视频。

阿里EMO模型于今年2月公开技术论文，产品化仅用了两个多月的时间。

从官方演示被一众科技圈KOL轮番转发、引爆话题度，到4月25日正式上线通义App，传出服务器一度被挤爆。

这款被外媒誉为“Sora之后最受期待的大模型之一”，真实使用效果究竟如何？Sora引发新一轮AI视频生成浪潮，国内大厂中为什么频频出圈的是阿里？“头号AI玩家”进行了一番探究。

让四郎开口唱上春山，阿里EMO模型上线通义App

一张图片就能生成唱歌视频了！

想听玛丽莲梦露唱《科目三》？ 安排！

想让《甄嬛传》的四郎开口唱“嬛嬛朕想睡中间”？安排！

以上两段视频，都是在通义App中用一张图片自动生成的。

4月25日，EMO模型正式上线通义App，EMO是Emote Portrait Alive的缩写，作为一款音频驱动的肖像视频生成框架，EMO可以根据输入视频的长度生成任意持续时间的视频。今年2月，阿里巴巴发布了这款全新的生成式AI模型EMO并公布了技术论文（链接已同步至文末）。

论文信息显示，在EMO之前的肖像说话（Talking Head）技术需针对人脸或身体部分做3D建模，通义实验室率先提出了弱控制设计，无需建模就可驱动肖像开口说话，大大降低了视频制作成本；

此外，EMO还学习并编码了人类表达情绪的能力，可以匹配音频内容和人物的表情、嘴型，还能将音频语气特征和情绪色彩呈现到人物微表情上。

通义实验室给出了诸多视频案例，比如，重温张国荣开口唱歌的魅力；为高启强配上罗翔老师的讲法律的语音，演一出遵纪守法的小课堂。

目前，通义App上线了80多个EMO模板，包括“啊哈哈”李玉玲语音、“钵钵鸡”等网络热梗语音素材，还有《上春山》《野狼disco》等热门歌曲。

打开通义App，进入“全民舞台”频道，选择相应音频模板，上传人物大头照，就可以制作出打破次元壁的视频。

有网友打开脑洞，让兵马俑穿越到现代，唱起《科目三》；还有网友让蒙娜丽莎和玛丽莲梦露开口说起中文；甚至让灭霸唱起《野狼Disco》。

据头号AI玩家观察，语音模板时长集中在10秒到20秒之间，EMO刚上线时需排队数小时，目前一条视频的制作等待时间在十分钟到二十分钟左右。

玩家实测制作了十余条视频发现，通义App生成的AI视频人物的不仅嘴型和声音贴合自然，连眨眼细节也处理得不错，表情生动栩栩如生，堪称毫无违和感。

但若反复观看，仍能看出AI的痕迹，人物的情绪与台词贴合不够紧密，比如马斯克笑着唱“不想上班”，山姆奥特曼略带凶狠地喊“你算是踢到棉花啦”。

虽然EMO对人类情绪的学习捕捉能力仍有进步空间，但当下的AI视频已经达到以假乱真的程度，存在被滥用的风险。

据澎湃新闻报道，为防止对口型技术被滥用，通义实验室团队在应用内预置了经过审核的音频模板，暂不开放用户在EMO中自定义音频功能和API（应用程序编程接口）；此外，平台会对用户生成内容进行算法和人工两道审核，确保内容安全。

大厂逐鹿AI视频生成赛道，为什么阿里能屡屡破圈？

无论是，还是让照片演戏唱歌的“全民唱演”，这些搭载在通义App（原通义千问App）上的AI视频热门玩法，都是基于阿里巴巴通义实验室在人物视频生成模型上的研究成果。

阿里巴巴通义实验室XR团队负责人薄列峰曾在2024中国生成式AI大会上透露，人物视频生成模型是其团队研究的重点，基于人物动作、人物换装、人物替身、人物唱演4个框架的应用正逐步落地通义App。

“全名舞王”背后的技术是人物动作视频生成框架Animate Anyone，该框架能够根据单张图和动作序列，输出可控的人物动作视频。而“全民唱演”则基于人物唱演视频生成框架Emote Portrait Alive，它能够根据单张图和音频，输出准确的人物唱演视频。

目前，“全民舞王”和“全民唱演”都已整合在通义App频道菜单栏的“全民舞台”入口中。

据头号AI玩家不完全统计，自去年11月份以来，国内大厂加大了在AI视频生成领域的研发投入。其中，无论是高层人事调整还是模型研发，都显露出字节积极布局AI视频生成领域的决心。

然而，在引爆C端话题上，阿里却始终更胜一筹。

一键让照片跳舞的“全民舞王”是基于视频生成模型Animate Anyone打造的。去年12月，该项目对外只发布了研究论文和演示。同一时期，字节跳动也发布了一个主打TikTok热舞的，还率先上线开源模型社区HuggingFace方便用户在线体验。

不过，由于使用步骤繁琐且生成等待时间较长，Magic Animate并没有在AI圈之外的C端用户群体中引起较大波澜。

相比之下，与EMO模型一样，Animate Anyone也迅速在2个月不到的时间里从模型正式落地应用端。由于使用门槛足够低，内置舞蹈模版足够丰富——涵盖科目三、鬼步舞和DJ慢摇等12种热门舞蹈，吸引了不少网友下载试玩。

最终凭借某西安网友整活的兵马俑跳“科目三”冲上微博热搜，背后的阿里通义App也随之一举破圈。

颇有意思的是，字节跳动的MagicAnimate和阿里的Animate Anyone，双方项目论文发布时间仅相差一天。

彼时，有网友戏称这是“淘宝买家秀”与“抖音舞蹈秀”之间的对决。

但恐怕所有人都没预料到的剧情是，原本在抖音上走红的魔性舞蹈“科目三”，阴差阳错之下成了“全民舞王”破圈的契机。

如今，国内各大平台上涌入了大量“全民舞王”生成的舞蹈视频。

顶流之一莫过于这只舞姿妖娆动人的奶牛猫。

目前，话题#会跳舞的奶牛猫#在小红书上已有9000万次浏览。

围绕萌宠跳舞，不少博主出的制作教程都获得了不错的流量。此外，一些网友不仅将跳舞的奶牛猫制作成了表情包，还通过绿幕抠像将其运用在了猫meme视频的创作中，促进了内容二次传播。

2024中国生成式AI大会上，薄列峰提出了一个关于AIGC内容的思考：很多生成的视频画质是OK的，模型可以生成这个世界上不存在的物种也很有意思，但你会长期去消费这样的内容吗？

“我觉得在做AIGC内容生成之前，不管是基础研究还是应用思考，大家都在高速迭代，每个人都有自己的思考和对这个问题的答案。”薄列峰表示。

从“全民舞王”到如今的“全民唱演”，阿里或许给出了问题的答案，让AI技术与用户建立起真正的联系，与人们的生活、娱乐和社交紧密联系在一起，才是AIGC内容发展的长远之道。

EMO技术论文：

https://humanaigc.github.io/emote-portrait-alive/?ref=top.aibase.com

「头号AI玩家交流群」进群方式：添加微信“banggebangmei”并备注姓名+职业/公司+进群，欢迎玩家们来群里交流，一起探索见证AI的进化。

欢迎分享、点赞、在看

一起研究AI