VASA-1 - Microsoft Research vs Synthesia

VASA-1 es un marco de investigación desarrollado por Microsoft Research Asia que genera videos de rostros parlantes altamente realistas a partir de una sola imagen estática y audio de voz. Destaca por sincronizar de manera precisa los movimientos de los labios con el audio, además de producir una amplia gama de expresiones faciales y movimientos naturales de la cabeza, lo que mejora el realismo y la viveza de los avatares virtuales. El sistema utiliza un modelo holístico de la dinámica facial y el movimiento de la cabeza dentro de un espacio latente disentangled aprendido a partir de datos de video, lo que permite controlar de forma independiente la apariencia, la pose y la expresión. VASA-1 soporta generación de video en tiempo real con una resolución de 512x512 y hasta 40 cuadros por segundo con una latencia mínima, facilitando aplicaciones interactivas como asistentes virtuales, educación y herramientas de accesibilidad. Puede manejar entradas diversas, incluyendo fotos artísticas, canto y habla en idiomas distintos al inglés, demostrando una fuerte capacidad de generalización más allá de sus datos de entrenamiento. Aunque actualmente es un prototipo de investigación sin API comercial ni lanzamiento de producto, VASA-1 establece un nuevo estándar en animación de avatares en tiempo real y realista, con parámetros controlables de mirada, emoción y distancia de la cabeza. Microsoft enfatiza el uso responsable de la inteligencia artificial y se opone a su uso indebido para impersonaciones, destacando los esfuerzos en curso para mejorar la autenticidad de los videos y la detección de contenido generado.

Synthesia convierte guiones en videos con presentadores usando más de 240 avatares prediseñados, voces clonadas y doblaje sincronizado en más de 160 idiomas. Escribes el texto, eliges un avatar y exportas en MP4 o SCORM sin necesidad de cámaras, estudios o actores de voz. El plan Básico incluye 10 minutos de video generado por mes con 9 avatares prediseñados.

Mientras que la mayoría de las herramientas de video con avatares se detienen en la exportación, Synthesia permite crear, localizar, colaborar y publicar en un solo espacio de trabajo. Los videos incrustados se actualizan automáticamente al editar la fuente, los paquetes SCORM incluyen versiones traducidas y los equipos Enterprise obtienen Kits de Marca además de SAML/SSO. Las Sesiones de Roleplay añaden un enfoque novedoso: practicar conversaciones de ventas o soporte con avatares interactivos que califican tus respuestas.

Los equipos de L&D lo usan para cumplimiento y capacitación a gran escala. Los grupos de habilitación de ventas envían actualizaciones de presentaciones en minutos en lugar de programar grabaciones. Los equipos de marketing y comunicaciones internas localizan un video maestro en docenas de idiomas con traducción de un solo clic. Más de 50,000 empresas lo usan, incluyendo una gran parte del Fortune 100.