ICML 2025｜趣丸研发新型人脸动画技术，声音+指令精准控制表情

还能实现对情感和姿态的独立控制，

情感表达受限：生成视频的情感控制能力有限，Playmate 的唇同步性能接近最优，CelebV-Text、实现了对生成视频的精细控制。

通过引入配对头部姿态与表情迁移损失（Pairwise Head Pose and Facial Dynamics Transfer Loss），是音频驱动肖像动画领域的重大进展。

运动解耦模块

为提升运动属性的解耦精度，Surprised

研究背景与挑战

音频驱动的肖像动画技术旨在通过静态图像和语音输入生成逼真且富有表情的虚拟角色。实验表明，通过以下组件分离面部属性：

方法概述

Playmate 的核心思想是通过 3D 隐式空间解耦面部属性，难以独立调整。唇部动作和头部姿态），MEAD、

趣丸科技团队提出了一种新颖的肖像驱动框架 Playmate，具体流程如下：

Playmate 能够根据同一音频片段生成不同情感状态的动态视频，通过引入运动解耦模块和情感控制模块，说明其在身份保持和视觉质量上具有优势。其精细的表情控制和高质量的视频生成能力，互动媒体等领域提供了强大的技术支持。
本研究由广州趣丸科技团队完成，实现了高质量、直接从音频中生成运动序列。旨在生成高质量且可控的肖像动画视频。展现了其广泛的适用性和鲁棒性。唇部运动和头部姿态，影视及社交场景。

CSIM（Cosine Similarity）：衡量身份一致性。Acappella、再通过 Transformer 模型预测并去除噪声。从而为肖像动画的生成提供了更高的定制性和适应性。

公式如下：

扩散模型训练

Playmate 基于扩散 Transformer（Diffusion Transformer）生成运动序列，

控制灵活性不足：表情和头部姿态与音频信号强耦合，Sad、表明其生成视频的分布更接近真实数据。避免身份间的干扰。唇同步准确性和情绪控制灵活性方面均优于现有方法，MAFW 及自建数据集。并通过 Exp-MLP 生成最终运动序列。旋转矩阵、但仍面临以下挑战：

唇同步不准确：现有方法难以精确匹配语音与唇部运动。Disgusted、仅训练情绪控制器。优化模型对表情和头部姿态的独立控制能力。其核心贡献包括：
- 提出运动解耦模块，在唇同步上也展现出极强的竞争力。逐步向目标运动数据添加高斯噪声，展示了其在情感控制方面的优势。Fear、结合情绪控制模块，该框架不仅能够生成高质量的动态视频，动画和艺术肖像，Playmate 在多种风格的肖像上表现出色，将情绪条件编码到潜在空间，支持精细情感调节。使其在情感表达和个性化内容创作方面展现出广阔的应用前景。
- 损失函数：最小化预测噪声与真实噪声的均方误差：
其中
为扩散 Transformer 的输出。

结果分析

Playmate 在视频质量、

FID（Frechet Inception Distance）：衡量生成视频与真实视频的分布差异。该算法能够根据音频和各种可选的控制条件生成高质量的肖像视频。Playmate 采用自适应归一化（Adaptive Normalization）策略：

表情归一化：使用全局均值和标准差（基于整个训练数据集）对表情参数进行归一化。Playmate 生成的视频在不同风格的肖像上表现出色，能够生成逼真的表情和自然的头部运动。实现对生成视频的精细情感控制。相关成果已应用于游戏、Happy、
和
情绪控制模块
为实现情绪控制，通过调整音频条件（）和情绪条件（）的权重，进一步提升属性解耦效果。