史上最快对话视频AI来了，延迟不到一秒！
端到端，能听、能看、会说、有形象。
这个产品并不是出自OpenAI或HeyGen这样此前已经大展身手的公司，也没有一个具体的名字。
因为来自创业团队Tavus，因此也被称为Conversational Replicas by Tavus。
主要功能，就是搭建一个身临其境般的AI生成视频体验。
今日上线后，已经冲上Producthunt今日新品热榜第一，点赞数还在不断上升中。
Tavus官方为大家把产品特点总结了一把：
- 延迟小于一秒
- 现实、智能的数字孪生
- 即插即用的端到端构建块
- 模块化、可定制的组件，例如LLM语音合成
看得网友热血沸腾的：
好了，这下有“人”替我开ZOOM视频会议了哈哈哈哈！
也有不少网友把这视为比阅读文档or聊天更好的人机交互界面。
这个会话视频界面改变了游戏规则！我已经可以想象沉浸式体验的无限可能性。
可在网页端试玩2分钟
看到这则讯息，量子位一秒冲到了Tavus的官方网站。
在官网上，可以在线体验2分钟这个“史上最快对话视频”。
根据既有设定，体验时的对话对象是Tavus塑造的卡特。
卡特的形象定位是AI视频研究公司Tavus的一名员工，以幽默的方式回应，同时很乐于助人。
就是下面这个男人：
虽然卡特是个虚拟人形象，但和他视频，就像和自己朋友视频一样。
官方建议，授权摄像头和麦克风后，和卡特聊天的时候尽量呆在一个安静的房间里。
卡特在交谈中提到，人们最喜欢跟他讨论的几个话题，除了跟他打听Tavus运用的AI技术，就是分享自己的每日心路历程，以及讲笑话。
他当场就讲了个笑话：
问，为什么自行车不能靠自己就站在那儿？答案是，因为它too tired（Two tires）。
讲完过后，卡特自己还自己给自己捧场，哈哈了两声。
量子位也实际体验了2分钟，总体感受如下：
首先，Tavus的响应速度确实非常快，符合官方号称的“一秒以内”。
哪怕是他在说话的过程中你突然出声，卡特也能立马停下来倾听你的最新发言。
其次，虽然官方号称它支持30多种语言，但不管是用中文还是英文发问，问来问去，他都无法开口说中文。
我们问他“Can u speak Chinese”时，卡特会回答：“我更愿意用英文对话呢！”
第三，Tavus的AI确实能“用眼睛看”。
量子位试玩儿过程中，一度尬住，不知问什么是好，只能傻笑。
卡特立马开口：
Oh！你对我露出了一个微笑呢～
第四，在试玩版本中，卡特的口型和所说的话几乎能做到完全同步。
这也就不难怪为什么有网友试玩后表示：
确实令人印象深刻，它拥有快速响应、出色的视频和音频生成能力。
现在，只要注册就可以使用Tavus的对话视频AI。
正式版本中，可供对话的AI形象就不只有卡特了，有男有女，身份设定从销售到生活指导等，应有尽有。
聊天所在的背景也能根据用户选择进行更换，不拘泥在办公室场景中。
同时，还能手动输入对话内容的上下文。
可以说个性化定制程度算很高了。
目前有免费版本，也有收费形式，对应不同的生成权益。
基于自研模型开发
Tavus对话视频AI背后，是Tavus团队自研的Phoenix-2模型。
这是一个用音频和文本驱动的3D模型和2D GANs的组合，能生成1-2分钟的逼真短视频。
生成过程大致分为以下四个步骤：
TTS（文本转语音）——头部和肩部的3D重建——提示词脚本驱动的面部动画——高保真渲染。
通过差分渲染微调面部几何细节
为了让和用户对话的AI形象更逼真，Tavus团队在构建Phoenix-2的视频渲染pipeline的时候，结合了GAN和3D高斯泼溅。
这样做的原因，是传统的GAN通常受到图像分辨率的限制，而体积模型总在时间一致性的问题上有所欠缺。
因此，Tavus想到把两者结合起来。
训练GAN时，需要大量的数据集和昂贵的计算资源，且因为其二维性质和时间一致性问题，通常推理时间和视频质量都会受限。
Tavus把3D模型作为“中间体”，实现了超过100 FPS的渲染，并且由于动态物体周围的物理感知约束，实现更高程度的可控性和通用性。
比较2D和3D头部说话模型之间的差异
另外，Phoenix-2模型比起系列前作的改进之处，就是替换掉了初代Phoenix模型的NeRF。
转而利用3D高斯泼溅来学习引入如何驱动3D空间中的面部动态变形，并利用该信息根据看不见的音频来渲染视图。
团队成员表示，比起NeRF，3D高斯泼溅在数据、内存、计算复杂度、流程、渲染效率等方面都表现更好。
基于3D高斯泼溅的Phoenix-2模型的pipeline，能够以比初代模型快70%的速度进行训练，以60+FPS的速度进行渲染。
Tavus表示，对话过程中，有回合结束检测和可中断性，让用户感觉进行的对话更真实。
此外，由于面部信息非常敏感，团队提供安全检查、安全协议、自动内容审核和反幻觉检查来保护信息安全。
值得一提的是，Phoenix系列模型还支撑了Tavus的另一个产品——
生成用户数字孪生形象的对话视频。
只需要提供2分钟素材、花费1美元（起），就能调用API生成视频内容。
官方提示可提供端到端的解决方案，有以下能力：
- 使用API，构建安全、真实的数字孪生或AI Agent
- 定制LLM、对话的人物角色和背景
- 在嵌入式会议室中流式传输对话
- 记录、转录并分享对话
- 通过生产级可扩展性处理高流量
“不<1s，就不是人了”
Tavus团队是一家成立四年的AI视频初创公司，规模不大。
成员大多来自Amazon、Descript、Google和Apple等。
公开资料显示，截至今年3月，该公司已经获得了红杉、Scale VC、YC的A轮投资，融资额约1800万美元。
Tavus的联合创始人兼CEO，名叫Hassaan Raza。
曾在谷歌和苹果工作过。
而该公司的联合创始人兼COO在Producthunt留言表示，对话视频AI的制作花费了很长时间，研究、工程和建造大约花费了数千个小时。
至于为什么要追求1秒或者更短的延迟？
官方也给出了答案，是在尽可能模拟人类和人类的视频对话：
因为如果反应速度不低于1秒，那（对面跟你聊天的）就不是人了。
参考链接
[1]https://www.tavus.io/careers
[2]https://x.com/heytavus/status/1824075891271749903
[3]https://www.producthunt.com/posts/conversational-replicas-by-tavus
本文来自微信公众号“量子位”，作者：衡宇，36氪经授权发布。
相关文章
粤ICP备2024279727