如果让《银魂》主角演绎春晚经典小品《卖拐》，会是怎么样的？
下面就请欣赏，《银魂》「从未公开」的一集：《如果你觉得自己的脸越来越大了，那么没事就请多走两步》。
效果有些粗糙，但你应该会留意到，人物不仅对上了口型，表情和身体也会随之运动起来，看起来是比较协调的。
我们用到的工具是， 字节的 AI 数字人技术 OmniHuman-1。
它不仅让 AI 对口型更接近真人说话的状态，还将过程变得更加简单： 一张图片、一段音频，就能生成逼真的对口型视频，最长 15 秒。
OmniHuman-1 目前正在即梦内测，点击「视频生成」，再点击「对口型」，如果你的账号出现了「大师模式」，那么恭喜你，已经体验到了。
正脸侧脸，是人非人，都能对上口型
你可能会问，人物的图片好找，但没有现成的音频，怎么办？没关系，可以在即梦的「文本朗读」框输入文案，然后选择喜欢的音色。
如果没有合适的选择，即梦还支持创建音色，只需 5 秒的音频素材，于是我上传了马斯克的演讲片段，生成了他的音色。
然后，再随便找一张马斯克的图片，输入文案「全世界最聪明的 AI，Grok 3，现在免费，直到我们的服务器崩溃」。
接下来我们就可以看到，马斯克摇头晃脑地讲着歪果仁味道的中文，语气还怪礼貌的，背景里隐隐约约有汽车开过。
真人正脸，属于挑战性最低的测试了，动漫正脸，即梦也能轻松驾驭。
我上传了之前用 AI 生成的一张图片，让主角演绎《武林外传》郭芙蓉的经典台词，「姑奶奶今天不把你打得桃花满天红，你就不知道姑奶奶心花为谁开 」。
表情的变化和台词的语气是对应的，主角甚至还会耸肩，演技至少在小鲜肉的及格线水平。
继续上强度，如果一张图片里有多个人，而且是难度更高的全身，AI 基本都能让他们参演，但离画面较远的，或者嘴巴被遮盖的，可能就在状况外。
虽然美中不足，但即梦的细节又弥补了这一点：背景的火光和烟雾是自然运动的。
刁钻角度的侧脸图片，即梦也能对上口型。少女的珍珠耳环自然地晃动，因为说话才完整露出的牙齿也很清晰，但她的脖子和嘴唇有些用力过猛。
比起单纯的说话，有乐器伴奏的对口型表现稍微差了一些，但拉琴的动作大抵是到位的。
当主角不是人，问题也不大。《机器人之梦》的狗狗唱起了《甜蜜蜜》，机器人虽然没开口，但它的眼神和狗狗互动了。
基于实践，我们可以总结 OmniHuman-1 的几个特点：
正脸、侧脸、多人、单人、非人、全身、半身，都能对上口型。
说话、唱歌，都能对上口型。
除了口型，表情、手势、身体动作、背景也会保持动态。
有时候口型会过于夸张，或者不完全准确。
当嘴唇被口罩等物体完全遮挡，可能会对不上口型，甚至生成失败。
分分钟二创小品、MV，让整活视频变得更加简单
当 AI 让对口型变得更简单也更自然，做一些整活向的、鬼畜的视频，也就比以前更加容易，不用再逐帧编辑和手动调整，或者让配音去配合人物的口型。
操作起来也非常简单， 首先，我截取了《卖拐》里超级经典的 30 秒音频，把它切分成了一段段的台词。
还差一个开头，我上传了万事屋的图片，用即梦生成了简单的镜头拉进效果。最后，用剪映把所有片段拼接在一起。 视频里的片段，都只生成了一次，虽然粗制滥造 ，但有点内味了 。
甚至，我们还可以用即梦生成一个漫威宇宙的 MV，让每个英雄深情地唱着属于自己的歌词，方法也很简单，用到了四种工具。
DeepSeek：根据每个英雄角色的性格特征生成歌词。
Suno：导进歌词，然后生成歌曲旋律。
即梦：对口型，开头和结尾图生视频。
剪映：拼接视频。
OmniHuman-1 的创新之处在于，团队为不同的训练任务，分配了不同质量的数据，克服了从前端到端方法由于高质量数据稀缺而面临的问题。
最终，OmniHuman-1 在基于弱信号输入（尤其是音频）生成极其逼真的人体视频方面，显著优于现有方法，它支持任何长宽比的图像输入，在各种场景中都能提供较高质量的结果。
对于普通的用户而言，这就意味着，OmniHuman-1 把视频生成的门槛打下来了。当不要求必须是正脸图片，不要求必须是特写，生成的限制变得更少，想象空间变得更大，更多的镜头语言，可以被实现了。
我们或许真的会迎来，AI 数字人的规模化，演讲、直播、演唱会，都可以有它们的身影。爱因斯坦演说，霉霉唱日语歌，不存在的现实，可以由 AI 创造。现在的一些视频或许还能肉眼辨别，但当更多数字人能够自然地说话，我们也要准备迎接一个眼见不再为实、耳听也可为虚的未来。