daVinci-MagiHuman

该项目强调文本、视频和音频的统一标记序列，允许自注意力处理整个生成过程，而无需交叉注意力开销。该设计支持更简单的训练和推理堆栈，同时仍然致力于实现强大的视觉质量、语音对齐和运动真实感。结果被定位为一个模型，可以从研究扩展到可用的生产式生成工作流程。

公开演示和 GitHub 发布使探索该系统变得容易，该项目突出了基准性能、推理速度和多语言支持。这些特性共同使 daVinci-MagiHuman 成为跟踪开放视频生成、头部说话合成或人体动作和语音生成的任何人的一个值得注意的版本。