华为云MetaStudio全新升级 盘古数字人大模型助力数字人自由

AIGC正在重构数字内容生产模式，重新定义内容力

当前，数字人逐渐成为3D互联网时代各类应用的核心入口，进入千行百业。大家常见的数字人抖音直播，营业厅的数字人客服，还有各类综艺节目如湖南台《你好星期六》节目的综艺虚拟主持人小漾等等，多种场景应用层出不穷，新形象不断呈

在数字内容产业，内容力决定了企业的竞争力，它是由生产力、创造力和知识力逐步叠加和演进而成。PGC时代，头部电影中有90%的内容是通过计算机来生成的。生产力，也就是算力的强度决定了内容力；UGC时代，超过90%的数字内容由个人用户产生，创作者来自于千行百业，在生产力基础上增加了创造力，也就是行业的广度，共同决定内容力。当前，我们已经进入AI时代，AIGC正在重构数字内容生产模式。到2030年，90%的内容将通过AI产生。在生产力和创造力的基础上，进一步增加了知识力，也就是模型的深度，共同决定内容力。

人人都需要自己独一无二的个性化的数字人

华为云MetaStudio数字内容生产线，基于华为云盘古基础大模型能力、渲染引擎和实时音视频能力，使用PB级的音视频数据进行训练，构建了数字人通用大模型，包括数字人形象、动作、表情、口型、声音等；每个用户还可以结合个人数据进行训练，构建自己的数字人个性化大模型。数字人生成后，用户通过文字、语音、视频等方式生产驱动向量信息，从而驱动数字人生成高清视频。

通过发布现场的演示我们可以看到，用户可通过多种方式生成数字人模型：

• 文字生成数字人：输入文本，描述希望生成的数字人样子，10秒生成模型。比如通过Prompt文本输入，目前支持可选50多项参数来生成数字人形象，生成时间仅需10秒，而行业的一些大模型需要30秒或者更长的时间。
• 图片生成数字人：只需要上传一张照片，根据照片中的个人特征，生成不同类型的数字人，比如风格化和美型数字人，这个时间仅需30秒。
• 视频生成数字人：用户拍摄一段5分钟的视频，也能生成个性化数字人模型，包含用户自己的表情、口型、动作特征，整个模型训练过程只需要1个小时。而业界一般需要训练12个小时以上。基于个性化模型生成的数字人，将保留用户的个性化形象、表情、动作、声音和口型信息。生成数字人后，可以通过对话完成对数字人的二次编辑和背景融合，比如发型、配饰、服装等，真正做到每个人的数字人都独一无二。

多模态数字人模型驱动，数字人在各行业多场景中应用

数字人生成后，预训练模型对输入的驱动方式进行分析，从多模态信息中通过深度编码器提取特征向量信息，驱动生成数字人的表情、口型、肢体动作参数，并最终生成高清视频。

驱动的方式也有多种，文字驱动可基于识别文字的语义和情感，实现数字人动作和文字的精准匹配。通过多语言泛化技术，一种语言、一次训练，即可使用多种语言驱动数字人。除此之外，现在业界大部分数字人都是站在固定点讲解，无法支持移动，华为云通过2D视频，以及2D/3D数据的联合训练，实现数字人走动、侧身、手势的精确驱动。

多模态的数字人实时驱动服务，可以广泛应用到各种各样的行业场景，比如直播、在线教育、在线客服、线上会议等。

例如会议场景，通常我们默认都是关闭视频入会，一是大多数人长时间面对镜头感觉不自然、二是在办公室公共环境、酒店、家里等场合涉及隐私，不愿意打开摄像头，三是在运动的时候不方便打开摄像头。这种情况下，可以通过自己的数字人加入会议，展现形象的同时又保护了隐私，不再只显示简单的姓名信息，实现有温度的交互体验。会议过程会通过摄像头进行验证，确保是本人参会。实时驱动的时延在100ms以内，就跟我们现在开视频会议一样，没有明显延迟感觉。可以说，华为云MetaStudio数字人服务重塑了云会议的体验。

同样的，数字人在其他行业应用也可以一样简单、快速的集成数字人实时通信与互动能力，实现有温度的交互体验。华为云MetaStudio数字内容生产线全新升级，通过盘古大模型的赋能，让数字人具备个性化外形和灵魂，每个人都拥有个性化的数字人。