Stable Video Portraits ist eine innovative, hybride 2D/3D-Generierungsmethode, die vorab trainierte Text-zu-Bild-Modelle (2D) und 3D-Morphologiemodelle (3D) nutzt, um realistische dynamische Gesichtsvideos zu generieren. Die Technologie verbessert ein allgemeines 2D-stabiles Diffusionsmodell durch personenspezifische Feinabstimmung zu einem Videomodell. Durch die Bereitstellung eines zeitlichen Verlaufs des 3D-Morphologiemodells als Bedingung und die Einführung eines zeitlichen Entrauschungsprozesses werden zeitlich geglättete Gesichtsbilder erzeugt. Diese können bearbeitet und in textdefinierte Prominenten-Bilder transformiert werden, ohne zusätzliche Testzeit-Feinabstimmung. Die Methode übertrifft bestehende Single-View-Head-Avatar-Methoden sowohl in quantitativen als auch in qualitativen Analysen.