Sonic

收录理由

Sonic 只需一张静态人像和一段音频，就能生成口型同步的动画，且头部动作完全由音频本身驱动，无需参考动作帧。它先捕捉整段音频的全局语境，再将其拆分为短程与长程感知，让面部表情和头部姿态可以分别控制。这样一来，生成的片段即使拉长到几分钟也能保持稳定，头部运动相比许多早期的说话头模型显得更自然、更多样。CVPR 2025 的论文和参考实现为做音频驱动视频的研究者提供了扎实的起点。需要提醒的是，该项目采用非商业的 Creative Commons 许可，更适合学术实验，而非商业产品开发。