2024年の世界人工知能会議で、商湯科技は新しい制御可能な人物ビデオ生成大規模モデル「Vimi」を発表しました。このモデルは、商湯科技が独自開発した高度な大規模モデル技術を採用しており、1枚の写真から目標の動作に一致する人物ビデオを生成できます。正確な表情と体の動きを制御し、ビデオ、アニメーション、音声、テキストなど複数の駆動方式に対応しており、高度な整合性と自然な光の陰影を持つビデオを出力します。Vimiの優れた安定性により、1分以上の長尺人物ビデオを生成でき、画質も安定しています。