VASA-1，由微软亚洲研究员开发的项目，可以实现从单一静态图像和一段语音音频生成逼真的对话面部动画。VASA-1不仅能够精确同步音频和唇部动作，还能捕捉到丰富的面部细微表情和自然的头部动作，增强了真实感和生动感。

项目及演示:

https://www.microsoft.com/en-us/research/project/vasa-1/

论文: https://arxiv.org/abs/2404.10667