/ Модель

Характеристики

Размер весов
80,7 ГБ
Лицензия
Apache 2.0
Опубликована
9 июн 2025

MeiGen-MultiTalk

Видео из изображенияИзображение, текст → видео3 профессии

Модель MeiGen-AI создаёт короткие синхронизированные с аудио видео диалогов с одним или несколькими персонажами по референсному изображению.

906скачиваний за 30 дней198лайковвеса обновлены12 июл 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MeiGen-MultiTalk — открытая модель MeiGen-AI для генерации видео с говорящими людьми по изображению и аудио. Она предназначена для создания диалогов с одним или несколькими персонажами, синхронизируя движения губ с речью и связывая аудио с нужным человеком в кадре. В README описаны управление персонажами с помощью текстовых подсказок, поддержка мультяшных персонажей и пения, разрешения 480p и 720p, произвольные соотношения сторон и длительность видео до 15 секунд.

Модель использует аудио-ориентированный подход к генерации видео, метод Label Rotary Position Embedding для связывания аудио и видеолатентов, а также адаптивную локализацию человека по референсному изображению. В репозитории находятся веса в формате Safetensors; заявлена лицензия Apache-2.0. Для установки и запуска разработчики отсылают к своему GitHub-репозиторию.

Сценарии применения

  • создание видео говорящего человека по изображению и аудиозаписи
  • генерация диалога нескольких персонажей с синхронизацией речи и движений губ
  • анимация мультяшного персонажа по аудио
  • создание видео поющего персонажа
  • генерация коротких разговорных видео с управлением персонажами через текстовые подсказки

Ограничения

Длительность генерации ограничена 15 секундами; заявлены выходные разрешения 480p и 720p. Инструкции по установке и использованию находятся во внешнем GitHub-репозитории.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MeiGen-MultiTalk • Audio-Driven Multi-Person Conversational Video Generation

We present MultiTalk, an open-source audio-driven multi-person conversational video generation model with the state-of-the-art lip synchronization accuracy. ​​Key features:​​

  • 💬 ​​Realistic Conversations​​ - Supports single & multi-person generation
  • 👥 ​​Interactive Character Control​​ - Direct virtual humans via prompts
  • 🎤 ​​Generalization Performances​​ - Supports the generation of cartoon character and singing
  • 📺 ​​Resolution Flexibility​​: 480p & 720p output at arbitrary aspect ratios
  • ⏱️ Long Video Generation: Support video generation up to 15 seconds

This repository hosts the model weights for MultiTalk. For installation, usage instructions, and further documentation, please visit our GitHub repository.

Method

We propose a novel framework, MultiTalk, for audio-driven multi-person conversational video generation. We investigate several schemes for audio injection and introduce the Label Rotary Position Embedding (L-RoPE) method. By assigning identical labels to audio embeddings and video latents, it effectively activates specific regions within the audio cross-attention map, thereby resolving incorrect binding issues. To localize the region of the specified person, we introduce the adaptive person localization by computing the similarity between the features of the given region of a person in the reference image and all the features of the whole video.

Citation

If you find our work helpful, please cite us.

@article{kong2025let,
  title={Let Them Talk: Audio-Driven Multi-Person Conversational Video Generation},
  author={Kong, Zhe and Gao, Feng and Zhang, Yong and Kang, Zhuoliang and Wei, Xiaoming and Cai, Xunliang and Chen, Guanying and Luo, Wenhan},
  journal={arXiv preprint arXiv:2505.22647},
  year={2025}
}

License Agreement

The models in this repository are licensed under the Apache 2.0 License. We claim no rights over the your generated contents, granting you the freedom to use them while ensuring that your usage complies with the provisions of this license. You are fully accountable for your use of the models, which must not involve sharing any content that violates applicable laws, causes harm to individuals or groups, disseminates personal information intended for harm, spreads misinformation, or targets vulnerable populations.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
b3ccbea

0 моделей