近日，字节跳动公司宣布推出一种名为 INFP 的人工智能系统，能够让静态的人物肖像照片通过音频输入实现 “说话” 和反应。与传统技术不同，INFP 无需手动指定说话和倾听的角色，系统可以根据对话的流动自动判断角色。INFP 的工作流程分为两个主要步骤。第一步，称为 “基于运动的头部模仿”，该系统通过分析人们在对话中的面部表情和头部运动，从视频中提取细节。这些运动数据会被转化为可以用于后续动画的格式，使静态照片能够与原始人物的运动相匹配。第二步是 “音频引导