StableAvatar – 复旦推出的音频驱动视频生成模型

StableAvatar是什么

StableAvatar 是复旦大学、微软亚洲研究院等推出的创新音频驱动虚拟形象视频生成模型。模型通过端到端的视频扩散变换器，结合时间步感知音频适配器、音频原生引导机制和动态加权滑动窗口策略，能生成无限长度的高质量虚拟形象视频。模型解决了现有模型在长视频生成中出现的身份一致性、音频同步和视频平滑性问题，显著提升生成视频的自然度和连贯性，适用虚拟现实、数字人创建等场景。

StableAvatar的主要功能

• 高质量长视频生成：支持生成超过3分钟的高质量虚拟形象视频，保持身份一致性和音频同步。