谷歌還創建了一個項目，照片+音頻可以生成說話和唱歌的視頻
VLOGGER：從一張照片中生成文本和音頻驅動的說話人視頻
VLOGER的獨特之處在於：
- 沒有必要訓練每個人。
- 不依賴於面部檢測和裁剪。
- 生成的是完整的圖像（不僅僅是臉或嘴唇）。
- 廣泛的場景（例如，考慮了可見的軀幹或多樣化的身份），這對於人類正確合成和交流至關重要。
但看演示視頻，效果似乎不如阿里的EMO……
項目地址：https://enriccorona.github.io/vlogger/
論文：https://arxiv.org/abs/2403.08764
在視頻翻譯方面，VLOGER可以以特定語言拍攝現有視頻，並編輯嘴唇和面部區域以容納新音頻，例如西班牙語。
視頻：