EMO是一个由阿里巴巴集团智能计算研究院开发的框架，一个音频驱动的 AI 肖像生成系统，能够通过输入单一的参考图像和语音音频，生成具有表现力的面部表情和各种头部姿势的。

　　阿里云今日宣布，通义实验室研发的 AI 模型 ——EMO 正式上线通义 App，并开放给所有用户免费使用。借助这一功能，用户可以在歌曲、热梗、表情包中任选一款模板，然后通过上传一张肖像照片就能让EMO 合成演戏唱歌。

　　据介绍，通义 App 首批上线 多个 EMO 模板，包括热门歌曲附 EMO 官网入口：

　　官方项目主页：arXiv 研究论文：GitHub：

　　EMO 的主要特点音频驱动的生成：EMO 能够根据输入的音频直接生成，无需依赖于预先录制的片段或 3D 面部模型。高表现力和逼真度：EMO 生成的具有高度的表现力，能够捕捉并再现人类面部表情的细微差别，包括微妙的微表情，以及与音频节奏相匹配的头部运动。无缝帧过渡：EMO 确保帧之间的过渡自然流畅，避免了面部扭曲或帧间抖动的问题，从而提高了的整体质量。身份保持：通过 FrameEncoding 模块，EMO 能够在生成过程中保持角色身份的一致性，确保角色的外观与输入的参考图像保持一致。稳定的控制机制：EMO 采用了速度控制器和面部区域控制器等稳定控制机制，以增强生成过程中的稳定性，避免崩溃等问题。灵活的时长：EMO 可以根据输入音频的长度生成任意时长的，为用户提供了灵活的创作空间。跨语言和跨风格：EMO 的训练数据集涵盖了多种语言和风格，包括中文和英文，以及现实主义、动漫和 3D 风格，这使得 EMO 能够适应不同的文化和艺术风格。