仅通过一张任意风格的照片，就能生成和目标动作一致的人物类视频，并支持多种驱动方式，可通过已有人物视频、动画、声音、文字等多种元素进行驱动。
7月4日，世界人工智能大会（WAIC 2024）举行，由商汤科技打造的首个面向C端用户的可控人物视频生成大模型——Vimi入选WAIC展览展示最高荣誉“镇馆之宝”，成为本届大会最具创新展品。
首次实现分钟级可控、唯美人物视频生成
随着大模型和生成式AI技术的快速发展，让照片中的人物动起来已经不是新鲜事。但目前市面上的相关产品在实际应用中存在诸多痛点，有的人物动作、表情动作无法精准控制，只能频繁尝试各种Prompt抽卡；有的效果稳定性不高，人物长相、背景效果变幻莫测；有的时长有限，只能生成3~4秒视频等诸多限制创作的问题，无法满足广大视频创作者的使用需求。
为了解决这些应用中的实际问题，商汤可控人物视频生成大模型Vimi应运而生。
与图片表情控制类技术只能控制头部表情动作不同，Vimi不但可以实现精准的人物表情控制，还可实现在半身区域内控制照片中人物的自然肢体变化，并自动生成与人物相符的头发、服饰及背景变化。同时光影变化也能做到合理生成，让人物动作和视觉效果流畅自然，画面和谐唯美。
更重要的是，Vimi具备极强的稳定性，可稳定生成长达1分钟的单镜头人物类视频，画面效果不会随着时间的变化而劣化或失真，真正满足娱乐互动等需要长时间稳定视频生成需求。
轻松化身网红，满足用户娱乐创作需求
Vimi将完全面向C端用户开放使用，尤其能够满足广大女性用户的娱乐创作需求。用户只需上传不同角度的高清人物图片，即可自动生成数字分身和不同风格的写真视频。由Vimi生成的视频人物不再只是呆板的五官运动，而是搭配手势、肢体、头发等，形成更完整、统一的人物动作，让创作者可基于生成的视频素材进行剪辑和再创作。
针对喜爱自拍的用户，Vimi可支持聊天、唱歌、舞动等多种娱乐互动场景；而对于热衷表情包的用户来说，Vimi通过单张图片即可驱动生成各种趣味的人物表情包，玩法多样，实现创作自由。此外，Vimi还提供唯美写真风、奇幻风等多种生成风格，让用户仿佛穿越不同次元，享受大片质感的沉浸式视觉效果。
目前，行业里80%的视频都是以人物为主要内容，同时伴随短视频、直播平台的爆发，以人物为主体的视频需求量成指数级增长。然而，市面上缺少可控人物视频生成的AIGC产品，导致内容创作者的效率有待提升。Vimi的出现恰恰填补了这一需求空缺，为广大C端的视频创作者提供了简单、好用的创作工具，可以广泛应用于人物类短视频的创作。
Vimi以商汤日日新大模型体系为基础，结合商汤在计算机视觉领域的多年技术积淀和经验积累，能够精准识别和理解复杂的人物图片，并通过强大的AIGC能力，实现和谐、稳定的视频内容生成。
