据微软官方新闻稿，微软今天公布了一项图生的VASA-1框架，该AI框架只需使用一张真人肖像照片和一段个人语音音频，就能够生成精确逼真的对口型，据称在表情和头部动作方面特别自然。

　　获悉，目前业界相关许多研究都集中在对口型上，而面部动态行为及头部运动情况通常被忽视，因此生成的面部也会显得僵硬、缺乏说服力且存在恐怖谷现象。

　　而微软的VASA-1框架克服了以往面部生成技术的限制，研究人员利用了扩散Transformer模型，在整体面部动态和头部运动方面进行训练，该模型将所有可能的面部动态，包括嘴唇动作、表情、眼睛注视和眨眼等行为均视为单一潜在变量，号称能够即时生成512×512分辨率40 FPS的。

　　同时微软还利用了3D技术辅助标记人脸面部特征，并额外设计了损失函数，号称能够让 VASA-1不仅能够生成高品质的面部，还能够有效地捕捉和重现面部3D结构。