近日，字节跳动推出视频生成模型OmniHuman-1.5。据Github页面显示，该模型可基于单张图像和一段语音轨道，生成与语音节奏、韵律及语义内容一致的角色动画，支持通过可选文本提示优化输出。

OmniHuman-1.5架构受大脑“系统1与系统2”认知理论启发，结合多模态大语言模型与扩散Transformer，模拟两种思维模式：缓慢审慎的规划与快速直觉的反应。该协同机制支持生成时长超一分钟的视频，实现高度动态动作、连续镜头移动及复杂多角色互动。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。