EchoMimicV2 – 阿里推出的开源数字人项目，能生成完整数字人半身动画-爱论文

EchoMimicV2是什么

EchoMimicV2是阿里蚂蚁集团推出的半身人体AI数字人项目，基于参考图片、音频剪辑和手部姿势序列生成高质量动画视频，确保音频内容与半身动作的一致性。EchoMimicV2在前代 EchoMimicV1 生成逼真人头动画的基础上，效果得到进一步提升，现在能生成完整的数字人半身动画，实现从中英文语音到动作的无缝转换。该方法用音频-姿势动态协调策略，包括姿势采样和音频扩散，增强细节表现力并减少条件冗余。EchoMimicV2用头部局部注意力技术整合头部数据，设计特定阶段去噪损失优化动画质量。

EchoMimicV2的主要功能

音频驱动的动画生成：用音频剪辑驱动人物的面部表情和身体动作，实现音频与动画的同步。半身动画制作：从仅生成头部动画扩展到生成包括上半身的动画。简化的控制条件：减少动画生成过程中所需的复杂条件，让动画制作更为简便。手势和表情同步：基于手部姿势序列与音频的结合，生成自然且同步的手势和面部表情。多语言支持：支持中文和英文驱动，根据语言内容生成相应的动画。

EchoMimicV2的技术原理

音频-姿势动态协调（APDH）：姿势采样（Pose Sampling）：逐步减少姿势条件的依赖，让音频条件在动画中扮演更重要的角色。音频扩散（Audio Diffusion）：将音频条件的影响从嘴唇扩散到整个面部，再到全身，增强音频与动画的同步性。头部局部注意力（Head Partial Attention, HPA）：在训练中整合头部数据，增强面部表情的细节，无需额外的插件或模块。特定阶段去噪损失（Phase-specific Denoising Loss, PhD Loss）：将去噪过程分为三个阶段：姿势主导、细节主导和质量主导，每个阶段都有特定的优化目标。Latent Diffusion Model（LDM）：用变分自编码器（VAE）将图像映射到潜在空间，在训练过程中逐步添加噪声，估计并去除每个时间步的噪声。ReferenceNet-based Backbone：用ReferenceNet从参考图像中提取特征，将其注入到去噪U-Net中，保持生成图像与参考图像之间的外观一致性。