字节推出单图视频驱动模型 X-Portrait 2：一键生成相同表情神态，简化创作流程

GoodNav 在 11 月 6 日报道，采用单图视频驱动技术，只需一张静态照片和一段动态视频，即可制作出高质量的“电影级”视频。

字节跳动的智能创作团队推出了最新的单图视频驱动技术 X-Portrait 2，该模型不仅能够保留原始图像的 ID，还能捕捉并转移从细微到夸张的各种表情与情绪，简化了当前的动作捕捉、角色动画和内容创作流程。

不同于以往基于人脸关键点检测的单图驱动方案，X-Portrait 2 构建了一个表情编码器模型，通过端到端的自监督训练框架，能够在大量人像视频中自我学习与 ID 无关的运动隐式表征。

进一步将该编码器与强大的生成性扩散模型结合，即可生成流畅且富有表现力的视频。在大规模高质量表情视频的训练下，X-Portrait 2 在运动表现力和 ID 保持性方面比以往技术有显著提升。

项目地址：https://byteaigc.github.io/X-Portrait2/