6秒造一个「视频博主」，Pika让一切图片开口说话

机器之心报道
编辑：+0
制作一个视频需要几步？可以简单概括为：拍摄 + 配音 + 剪辑。
还记得 veo3 发布时引起的轰动吗？「音画同步」功能的革命性直接把其他视频生成模型按在地上摩擦，拍摄 + 配音 + 粗剪一键搞定。
那如果我就是想用自己迷人的声音呢？或者我自带精妙绝伦的配音？有没有其他解决方案？
有的朋友，有的！
8 月 11 日，Pika 推出了一个名为「音频驱动表演模型」（Audio-Driven Performance Model）的新模型。


Pika 允许用户上传音频文件（如语音、音乐、说唱或任何声音片段），并结合静态图像（如自拍或任意图片）生成高度同步的视频。视频中的角色会自动匹配音频，实现精确的口型同步（lip sync）、自然的表情变化和流畅的身体动作。


更通俗一点说就是，让任何一张静态图片，跟着你给的音频动起来，而且是活灵活现的那种。
你随便扔给它一张自拍，再配上一段马保国的「年轻人不讲武德」，你照片里那张帅气的脸，马上就能口型神同步，连眉毛挑动的时机都分毫不差，主打一个「本人亲授」。
这事儿要是放以前，你起码得是个顶级特效师，捣鼓个十天半个月才能弄出来。现在，Pika 告诉你，平均只要 6 秒
你没看错，就是 6 秒。你上个厕所的功夫，那边视频都生成好了，而且还是 720p 高清，长度不限，想让蒙娜丽莎给你唱一整首《忐忑》都行。
不过目前功能仅限 iOS 端，且需要邀请码，期待功能尽快开放。


话不多说，我们来看看网友测评。
首先来看看我们前面提到的自拍 + 音频，效果可以说是相当惊艳了。





址：https://x.com/WilliamLamkin/status/1954940047624372508
不论是说唱部分还是歌曲部分，唇同步准确性非常高，避免了以往 AI 视频中常见的「假唱」问题。
你如果仔细观察会发现说唱部分中间有一段停顿，人物的表情神态也很自然，活人感十足。不过也不是完美无缺，男歌手的手看起来就怪怪的。
Pika 官方也分享了几个用户制作的精彩视频。


地址：https://x.com/pika_labs/status/1955007656302924192
对于不同语言，Pika 生成的效果看起来也非常不错。


还可以生成一段不是吉米的吉米秀，AI 演员的表现力非常不错。


用来拍电影怎么样？让亚洲面孔的大叔一口印式英语，吐槽露营的糟糕体验。


还可以直接来一场 live 秀！


我们可以预见，它将很快成为社交媒体上的新宠，诞生无数有趣的 Meme 和创意短片。
但它的潜力远不止于此：独立游戏开发者可以用它快速生成 NPC 对话动画，教育工作者可以制作更生动的讲解视频，甚至在不远的将来，我们每个人都能拥有一个专属的、能言善辩的 AI 数字分身。
当然，技术总是一把双刃剑。当任何图片都能被赋予任何声音时，如何辨别信息的真伪也成了我们必须面对的新课题。
但无论如何，一个全民参与、创意迸发的视频新时代，似乎已经敲响了大门。下一个引爆全网的病毒视频，或许就将出自你我之手。
视频链接：https://mp.weixin.qq.com/s/EBQUtfKuPaXNLpAZcsM3NQ