LatentSync – 字节联合北交大开源的端到端唇形同步框架-爱论文

LatentSync是什么

LatentSync是字节跳动、北京交通大学联合推出的端到端唇形同步框架，基于音频条件的潜在扩散模型，无需任何中间的3D表示或2D特征点。LatentSync用Stable Diffusion的强大生成能力，捕捉复杂的视听关联，生成动态逼真的说话视频。为解决扩散模型在不同帧间扩散过程不一致导致的时间一致性问题，推出Temporal REPresentation Alignment (TREPA)方法，用大规模自监督视频模型提取时间表示，增强生成帧与真实帧的时间一致性，同时保持唇同步准确性。LatentSync基于综合实验研究，解决了SyncNet的收敛问题，提高唇形同步的准确性。

LatentSync的主要功能

唇形同步生成：根据输入的音频，生成与之匹配的唇部运动，让视频中的人物嘴唇与音频同步，适用于配音、虚拟头像等场景。高分辨率视频生成：生成高分辨率的视频，克服传统扩散模型在像素空间进行扩散时对硬件要求高的限制。动态逼真效果：生成的视频具有动态逼真的效果，能捕捉到与情感语调相关的细微表情，让人物的说话更加自然生动。时间一致性增强：基于Temporal REPresentation Alignment (TREPA)方法，提高生成视频的时间一致性，减少视频闪烁现象，让视频播放更加流畅。

LatentSync的技术原理

音频条件潜在扩散模型：以音频为条件，用潜在扩散模型直接在潜在空间进行建模，无需经过像素空间扩散或两阶段生成过程。潜在扩散模型能更好地捕捉音频与视觉之间的复杂关联，生成高质量的唇同步视频。端到端框架：基于端到端的框架结构，将音频特征提取、潜在表示生成、唇同步生成等过程集成在一个统一的模型中，简化中间步骤，提高生成效率和准确性。Temporal REPresentation Alignment (TREPA)：推出TREPA方法，用大规模自监督视频模型VideoMAE-v2提取时间表示，计算生成连续帧和真实连续帧的时间表示之间的距离作为额外损失，增强生成视频的时间一致性。SyncNet监督：在训练过程中，用预训练的SyncNet对生成的视频进行监督，确保生成的视频具有良好的唇同步效果。在像素空间添加SyncNet损失，让模型更好地学习音频与唇部运动之间的对应关系。

LatentSync的项目地址

GitHub仓库：https://github.com/bytedance/LatentSyncarXiv技术论文：https://arxiv.org/pdf/2412.09262

LatentSync的应用场景

影视后期制作：在电影配音时根据配音音频自动生成匹配的唇部动画，提高制作效率并保持角色形象连贯性。教育领域：在线英语课中，教师将语音转换为唇同步视频，帮助学生更准确地学习发音。广告视频制作：汽车广告里为虚拟代言人生成唇同步视频，让广告词表达更自然，增强广告吸引力。远程会议：跨国远程会议中实时生成唇同步视频，解决网络延迟导致的音画不同步问题，提升沟通效果。游戏开发：RPG游戏中让NPC在对话时唇部动作与语音同步，增强游戏沉浸感和角色互动体验。