即梦数字人1.5深度评测：AI演员诞生，不止对口型 | AI资讯

type

status

date

slug

summary

超越指令：从语义理解到自主表演

传统数字人生成依赖精确的指令，而OmniHuman 1.5展示了惊人的语义理解和推理能力。它能从模糊的文本提示和音频内容中，推断出角色的意图和行为。

在一个测试场景中，我们设定一个女性在衣柜前寻找衣服，输入的音频是：“我的红色外套呢？我今天要穿呢，诶，找到了，在这里，太好啦！”。值得注意的是，动作提示语非常模糊，仅描述“她拿到了想要的衣服”。

结果令人惊艳： * 动作推理：模型生成的数字人不仅做出了翻找衣物的动作，而且精准地从衣柜中拿出了一件暗红色的外套。这表明模型不仅听懂了“红色外套”，还能在视觉场景中将其识别并与之互动。 * 无提示生成：在另一个更极限的测试中，我们仅上传了一段双人对话的音频，未提供任何动作提示。OmniHuman 1.5不仅识别出画面中的动态（两人边走边聊），还准确判断出对话方向，让男性角色自然地转头面向女性说话。

这种从音频和场景中自主推理动作的能力，标志着数字人从被动执行者向主动表演者的转变。

动态世界：复杂的动作调度与环境互动

OmniHuman 1.5的另一大突破在于其处理复杂时序动作和环境互动的能力。它让数字人真正“动”了起来，并能融入到动态的场景中。

我们设计了一个连续动作指令：“男人一直向前走，然后停下抬头仰望天空，然后抬起右手摘下眼镜，然后叹了口气”，同时配合镜头从远景拉近到脸部特写。OmniHuman 1.5完美地执行了这一系列连贯动作，镜头运动也十分流畅，最终聚焦于角色带有情绪的面部表情。

更进一步，模型还能在生成过程中动态补充场景元素并与之互动。在一个场景中，指令是“男人慌张地快步走进办公室，然后慌张地坐下，然后打开桌子上的笔记本电脑”。输入的初始画面中并没有椅子和电脑，但模型自主生成了这些物品，并让角色完成了坐下、开电脑、打字等一系列与“新生成”物品的流畅互动。这展示了模型对空间逻辑和对象关系的深刻理解。

灵魂注入：音频驱动的细腻情绪演绎

一个真正的“演员”，核心在于情感的表达。OmniHuman 1.5能够深度解析音频中的情绪起伏，并将其转化为细腻、可信的面部表情和肢体语言。

通过对比测试可以清晰地看到这一点： * 克制与爆发：使用同一张图片，当输入一段情绪克制、缓缓流露悲伤的音频时，角色表现出的是迷茫、无奈，最终缓缓坐倒在地；而当换成一段情绪激烈的音频时，角色的动作幅度和表情张力则会相应增强，表现出更浓烈的痛苦。 * 情绪多样性：无论是悲伤的哭泣，还是“暴跳如雷”的愤怒，模型都能根据简单的文字提示或音频情感，生成匹配度极高的表演。这赋予了创作者通过声音直接“执导”角色情绪的能力。

这种音频驱动的情感表达，为数字人注入了前所未有的“灵魂感”，使其表演更具感染力。

从独角戏到群像剧：智能的多人场景协同

OmniHuman 1.5最令人兴奋的特性之一，是它卓越的多人群戏处理能力。在包含多个角色的场景中，模型不再是孤立地处理单个角色，而是将他们视为一个整体进行智能协同。

在多人场景中，模型会自动识别所有角色，并允许用户指定说话者。其智能体现在： * 情景反应：在一个测试中，当女性角色说“小声点”时，她身边的男性角色不仅将目光投向她，还自主做出了一个用手“比嘘”的动作。这个反应并非来自直接指令，而是模型基于对话内容的合理推断。 * 氛围营造：当一个角色讲完笑话后，场景中的其他角色会同步做出拍桌大笑的反应，共同营造出欢乐的氛围。

这种能力意味着，创作者可以轻松制作出角色间有真实互动、反应自然的群像戏，极大地扩展了AI视频的应用场景，从简单的个人口播，延伸至复杂的多人短剧。

结论：数字演员的黎明，AIGC的新纪元

即梦OmniHuman 1.5的发布，不仅仅是一次技术迭代，它更像是一个宣言：数字人正从“提线木偶”进化为能够自主思考和表演的“数字演员”。它听得懂言外之意，驾驭得了复杂动作，表达得出细腻情感，更能融入群体、协同表演。

这项技术的成熟，为内容创作打开了无限可能。从个人创作者独立完成一部多角色短剧，到为影视制作提供高效的预演方案，再到游戏开发中生成更具智能的NPC，我们正站在一个AIGC内容爆发的新起点。

想要了解更多关于AI、大模型、AIGC的前沿资讯和实用工具，欢迎访问AI门户网站 AIGC.bar，探索人工智能的无限可能。