EchoMimic ist ein fortschrittliches Modell zur Animation von Porträtbildern, das durch Audio- und ausgewählte Gesichtskennzeichen – einzeln oder kombiniert – realistische Porträtvideos generieren kann. Durch eine neuartige Trainingsstrategie werden die Instabilitäten traditioneller Methoden bei der Audio-Steuerung und unnatürliche Ergebnisse durch die Steuerung mit Gesichts-Keypoints behoben. EchoMimic wurde in umfassenden Vergleichen auf mehreren öffentlichen und selbst gesammelten Datensätzen getestet und zeigte dabei sowohl in quantitativen als auch qualitativen Bewertungen eine herausragende Performance.