Kandinsky S2V 1.0：音频驱动的虚拟形象视频生成

英文标题：Kandinsky S2V 1.0: Audio-Driven Avatar Video Generation

Kandinsky S2V 1.0 是一套开源的语音转视频模型，用于实现可控的音频驱动人物动画生成。该系列包含 Kandinsky S2V 1.0 Lite（20 亿参数）和 Kandinsky S2V 1.0 Pro（210 亿参数）两个版本。模型可基于单张参考图像和语音输入生成虚拟人物视频，为开发者构建数字人、口播视频及语音驱动角色动画提供了开源模型选择。原始摘要内容在“speech”处截断，未提供进一步的技术细节、评测数据或使用条件。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB