阿里云一项新技术，在外网已彻底炸锅，没想到国内却有人质疑。 今天通义APP低调上线了一个新功能，用户传音频和人物照片，就能让人物唱歌、说话。比如赫本几十年前的老照片，可以唱中文歌，蒙娜丽莎也能开口说话。 这项技术，正是2个月前阿里云发布的EMO模型，只是今天才在通义APP正式上线。此前有不少老外体验EMO模型，给予了不错的评价：“英伟达的Audio2Face虽然只有2年历史，但和EMO比起来，像是一个老古董”。 不过，国内却有网友质疑，认为国外的AI技术更先进，甚至有人说“国外一上新、国内马上就有了”。 殊不知，EMO和传统的talking head不同，它首次提出弱控制的设计，剔除掉针对人脸的显示表征建模，转而采用一些相对较弱的控制条件来引导diffusion去噪过程。也就是说，EMO的技术原理有区别和创新，而且比国外同类大模型更逼真。 这件事给我一种感受，似乎不管哪个国家的人，对于新生事物尝鲜，都固执认为国外的月亮更圆。像老外觉得阿里云的EMO很不错，国内却有人觉得Sora、Pika等模型更好。 如果客观对比，整体上大模型赛道，暂时老美的实力确实比我们强。去年美国AI行业投资额达到672亿美元，国内才78亿美元。但是我们也要承认，国产大模型的进步很迅速，除了这次的EMO，通义APP上很多功能，其实不比微软谷歌的大模型差。
