EchoMimic es un modelo de animación de imágenes de retratos avanzado que puede generar videos de retratos realistas impulsados por audio y puntos de características faciales seleccionados, individualmente o combinados. A través de una novedosa estrategia de entrenamiento, resuelve la inestabilidad que pueden presentar los métodos tradicionales al ser impulsados por audio, así como los resultados poco naturales que pueden producirse al usar solo puntos clave faciales. EchoMimic se ha comparado exhaustivamente en varios conjuntos de datos públicos y conjuntos de datos recopilados internamente, mostrando un rendimiento excelente en evaluaciones cuantitativas y cualitativas.