Stable Video Portraits是一种创新的混合2D/3D生成方法，利用预训练的文本到图像模型（2D）和3D形态模型（3D）生成逼真的动态人脸视频。该技术通过人特定的微调，将一般2D稳定扩散模型提升到视频模型，通过提供时间序列的3D形态模型作为条件，并引入时间去噪过程，生成具有时间平滑性的人脸影像，可以编辑和变形为文本定义的名人形象，无需额外的测试时微调。该方法在定量和定性分析中均优于现有的单目头部化身方法。