随着多模态大模型的不断发展，生成式数字人的技术融合趋势也日益明显。通过结合视觉、语音和自然语言等多种模态数据，生成式数字人可以更加完整地呈现出真实世界中的人的行为和交流方式。这种技术融合趋势将进一步推动生成式数字人在虚拟现实、增强现实、人机交互等领域的广泛应用。

EchoMimic 是支付宝多模态应用实验室发布并开源的数字人技术项目，仅需输入一张参考图像、一段音频及一段手势序列，即可生成高质量人物动画视频，同时确保半身数字人与音频内容之间的协调。EchoMimic V1 论文中稿人工智能领域顶级国际会议 AAAI 2025，EchoMimic V2 论文中稿世界国际计算机视觉与模式识别会议 CVPR 2025。

本演讲将围绕 EchoMimic 系列开源生成式数字人项目，介绍生成式数字人领域最新进展、详细讲解 EchoMimic 背后的技术细节、以及生成式数字人相关应用场景，及该领域后续研究思路与方法。

演讲提纲

1. 传统数字人与生成式数字人技术背景

• 传统数字人技术介绍
• 生成式数字人技术介绍

2. EchoMimic（基于语音驱动的人像动画生成） 背后的技术

• 技术细节与亮点
• 实验结果分析

3. 应用场景探索

• 生成式数字人结合大语言模型的实时交互
• 生成式数字人结合音乐生成模型的 AI 创作
• 生成式数字人结合商品的直播带货

4. 总结与展望

• 生成式数字人存在的问题和挑战
• 生成式数字人开发新范式

您认为，这样的技术在实践过程中有哪些痛点？

• 高质量人物相关数据获取、训练和推理效率、生成数字人自然度和真实性

演讲亮点

• 生成式数字人领域的技术路线，最新进展，以及与多模态大模型应用结合趋势
• EchoMimic 系列生成式数字人开源项目的技术细节
• 生成式数字人领域后续研究方向

听众收益

• 了解生成式数字人领域最新进展
• 了解 EchoMimic 系列生成式数字人开源项目技术细节
• 了解生成式数字人相关应用场景，及该领域后续研究思路与方法