LatentSync – 字节联合北交大开源的端到端唇形同步框架

baidu09_com 2025-08-29 8 0

LatentSync是字节跳动、北京交通大学联合推出的端到端唇形同步框架，基于音频条件的潜在扩散模型，无需任何中间的3D表示或2D特征点。LatentSync用Stable Diffusion的强大生成能力，捕捉复杂的视听关联，生成动态逼真的说话视频。为解决扩散模型在不同帧间扩散过程不一致导致的时间一致性问题，推出Temporal REPresentation Alignment (TREPA)方法，用大规模自监督视频模型提取时间表示，增强生成帧与真实帧的时间一致性，同时保持唇同步准确性。LatentSync基于综合实验研究，解决了SyncNet的收敛问题，提高唇形同步的准确性。