BETHASH官方网站(访问: hash.cyou 领取999USDT）第一个烦是速度。目前最厉害的AI视频生成技术叫扩散模型，它的工作原理有点像用橡皮擦慢慢擦掉一幅画上的涂鸦。想象一下，一幅被完全涂花的画，AI需要一点一点地把杂乱的涂鸦擦掉，最终还原出清晰的图像。这个擦除过程需要反复进行很多次（通常几十次甚至上百次），每次都要让整个超大模型运算一遍。对于140亿参数的模型来说，这简直就像让一头大象跳芭蕾舞，虽然理论上可能，但实际操作起来慢得让人抓狂。结果就是，生成一秒钟的视频可能需要好几秒甚至更长时间，完全无法实时使用。

　　第一个设计叫自适应注意力锚点（Adaptive Attention Sink，简称AAS）。一开始，AI会参考用户提供的原始参考图片。但是，当AI生成了第一帧视频画面后，系统会用这第一帧画面来替换原始参考图片。为什么要这样做呢？因为AI生成的画面和原始照片在风格上可能有微妙的差异。如果一直参考原始照片，这种差异会持续存在并慢慢累积。但如果参考的是AI自己生成的第一帧，后续所有画面都会和第一帧保持一致，整体风格也就统一了。这就像一个乐队在演奏时，指挥不是按照乐谱的节拍走，而是跟着乐队实际演奏的节奏来调整，这样虽然可能和原谱有一点点出入，但整个演奏会非常和谐统一。

　　研究团队还在训练阶段引入了一个叫历史污染（History Corrupt）的技术。这听起来有点反直觉，为什么要污染历史信息呢？原因是这样的：在实际使用时，AI参考的历史帧都是它自己生成的，难免有一些小瑕疵；但在训练时，如果给AI参考的都是完美的真实视频帧，AI就会变得娇气，一遇到有瑕疵的历史帧就不知道该怎么办了。通过在训练时故意给历史帧加一些噪声，AI学会了在不完美的条件下依然能做出好的判断，就像一个在嘈杂环境中练习过的歌手，到了正式演出时反而更稳定。

　　首先是速度测试。在5块H800显卡上，Live Avatar实现了每秒20帧的端到端生成速度，这意味着它可以流畅地实时生成视频。作为对比，其他使用类似规模模型的方法，速度通常只有每秒0.16到0.26帧，比Live Avatar慢了将近100倍。有一些方法确实能达到实时速度（比如Ditto方法能达到每秒21.8帧），但它们使用的模型规模只有Live Avatar的七十分之一（2亿参数对比140亿参数），画面质量自然也有差距。

　　更令人印象深刻的是长视频测试。研究团队测试了7分钟长度的视频生成，发现Live Avatar在所有指标上都大幅领先竞争对手。其他方法在长时间生成时普遍出现明显的画质下降，而Live Avatar的画面质量始终保持稳定。论文中的对比图清楚地展示了这一点：在生成400秒视频后，其他方法的数字人或者脸型变了，或者色调偏了，或者细节模糊了；而Live Avatar生成的数字人依然保持着和开始时一样的清晰面貌。

　　除了客观指标，研究团队还进行了主观评测。他们邀请了20位参与者，对各种方法生成的视频进行盲评，从自然度、同步性和一致性三个维度打分。结果显示，虽然有些方法在某些客观指标上表现更好（比如OmniAvatar在唇形同步度指标上得分很高），但人类评审反而给它的打分较低。原因是这些方法为了优化客观指标，让数字人的嘴巴动作变得过于夸张，反而显得不自然。而Live Avatar在三个维度上的人类评分都名列前茅，这说明它确实做到了让数字人看起来自然、同步、一致。