MEMO ist ein fortschrittliches Open-Weight-Modell für die audiogesteuerte Erzeugung von sprechenden Videos. Durch ein zeitgesteuertes Modul mit Gedächtnisunterstützung und ein emotionserkennendes Audiomodul werden eine langfristige Identitätskonsistenz und eine fließende Bewegung verbessert. Gleichzeitig werden durch die Erkennung von Emotionen im Audio die Gesichtsausdrücke verfeinert, um identitätskonsistente und ausdrucksstarke sprechende Videos zu erzeugen. Die Hauptvorteile von MEMO sind realistischere Videogenerierung, bessere Audio-Lippensynchronisation, Identitätskonsistenz und Übereinstimmung von Ausdruck und Emotion. Hintergrundinformationen zeigen, dass MEMO in verschiedenen Bild- und Audiotypen realistischere sprechende Videos generiert und bestehende State-of-the-Art-Methoden übertrifft.