阿里巴巴最近推出了一种基于音频驱动的肖像视频生成框架，名为EMO（Emote Portrait Alive）。这种技术允许用户将一张照片和一段音频（无论是说话、唱歌还是Rap）输入到系统中，然后系统就会生成一个具有生动表情的AI视频。视频的长度取决于输入的音频长度。
EMO团队来自阿里巴巴智能计算研究院，团队成员包括Linrui Tian，Qi Wang，Bang Zhang和Liefeng Bo等四位作者。其中，Liefeng Bo是阿里巴巴通义实验室XR实验室的负责人，他在加入阿里之前曾在亚马逊西雅图总部担任首席科学家，并在京东数字科技集团AI实验室担任首席科学家。
EMO并不是阿里在AIGC领域的首次成果，之前的成果还包括能让全世界的小猫小狗跳洗澡舞的AnimateAnyone，以及能让AI一键换装的OutfitAnyone。
EMO的效果令人印象深刻，无论是让肖像唱歌（不同风格的肖像和歌曲）、让肖像开口说话（不同语种），还是各种“张冠李戴”的跨演员表演，EMO的表现都非常出色。
总的来说，EMO的出现让我们离“发给AI一个剧本，输出整部电影”的目标更近了一步。