TANGO – 东京大学和CyberAgent AI Lab推出声音驱动全身手势视频生成框架

TANGO是什么

TANGO 是一个由东京大学和 CyberAgent AI Lab 共同推出的开源框架，专注于生成与目标语音同步的全身手势视频。基于分层音频运动嵌入和扩散插值网络，将目标语音音频与参考视频库中的动作完美匹配，确保制作出高保真度、动作同步的视频。TANGO 技术突破极大地降低视频内容制作的成本，包含新闻播报、虚拟人解说和虚拟 YouTube 内容创作等领域，为用户提供一种高效且经济的解决方案。

TANGO的主要功能

• 语音驱动的全身手势生成：根据目标语音音频生成与之同步的全身手势视频。
• 高保真视频制作：确保生成的视频具有高保真度，动作自然且与语音内容精确匹配。
• 跨模态对齐：基于分层音频运动嵌入技术，实现音频信号与视频动作之间的精准对齐。
• 过渡帧生成：用扩散插值网络生成高质量的过渡帧，确保视频动作的连贯性。
• 外观一致性保持：在生成的视频中保持与参考视频相同的人物外观和背景，避免视觉不一致的问题。

TANGO的技术原理

• 分层音频运动嵌入（AuMoCLIP）：隐式的层次化音频-动作联合嵌入空间，用在编码配对的音频和动作数据。基于对比学习，将语音音频和动作数据映射到一个共同的潜在空间中，让匹配的音频和动作在空间中的距离更近，实现精准的动作检索。
• 扩散插值网络（ACInterp）：网络基于现有的视频生成扩散模型，用在生成高质量的过渡帧。包括一个参考运动模块和单应背景流，保持生成视频与参考视频间的外观一致性。有效消除传统基于流的插值方法中常见的模糊和重影伪影。
• 动作图检索方法：TANGO基于学习的方法，而非简单的音频起始特征和关键词匹配，检索与目标语音音频最匹配的动作路径。能更好地处理不同说话者的动作与音频起始不同步的情况，及参考视频中缺少特定关键词的问题。
• 图结构：TANGO用有向图结构来表示视频帧（节点）和之间有效的转换（边）。给定目标音频，系统提取时间特征，用时间特征检索视频播放路径的一个子集。当原始参考视频中不存在转换边时，用ACInterp生成平滑的过渡帧。

TANGO的项目地址

TANGO的应用场景

• 新闻广播：生成与新闻稿同步的全身手势视频，提高新闻播报的自然度和观众的观看体验。
• 虚拟YouTuber：为虚拟YouTuber创建与语音同步的全身动作视频，增强粉丝的互动和参与感。
• 在线教育：制作教育内容时，基于TANGO生成教师的全身手势视频，让远程教学更加生动和有效。
• 企业培训：在企业培训视频中加入与讲解同步的手势，提高学习材料的吸引力和信息的传达效率。
• 视频会议：在视频会议中，用TANGO生成的手势视频提升参与者的交流体验，尤其是在远程协作时。