生成式AI通过从语言提示中创造出复杂且看似真实的文本和图像，激发了公众的想象力。但问题在于——通常总会有些问题——当你仔细查看时，结果往往远非完美。
人们指出，奇怪的手指、地板瓷砖滑走以及数学题恰恰就是问题所在：它们有时根本算不对。
如今，Synthesia——一家在视频领域雄心勃勃的AI初创公司，专门为企业用户设计定制头像以创建宣传、培训及其他企业视频内容——正在发布一项更新，希望借此在其特定领域实现跨越式发展。其最新版本中的头像基于工作室中捕捉的真实人类构建，能够提供更丰富的情感、更精准的口型追踪，以及在输入文本生成视频时展现出更具表现力的自然和人性化动作。
此次发布紧随该公司迄今为止取得的令人印象深刻的进展之后。与其他生成式AI玩家如OpenAI不同，后者采取了双管齐下的策略——通过ChatGPT等消费者工具提升公众知名度，同时构建B2B产品，其API被独立开发者以及大型企业所使用——Synthesia则倾向于采取其他一些知名AI初创公司所采用的方法。
类似于Perplexity专注于真正掌握生成式AI搜索，Synthesia也专注于真正掌握如何构建最像人类的生成式视频头像。更具体地说，它只针对仅商业市场和培训及营销等用例来实现这一目标。
这种专注帮助Synthesia在日益拥挤的AI市场中脱颖而出，而该市场在炒作平息后，可能会因长期关注ARR（年度经常性收入）、单位经济学以及与AI实施相关的运营成本等问题而趋于商品化。
Synthesia将其周四发布的“Expressive Avatars”（表情头像）描述为同类首创：“世界上首批完全由AI生成的头像。”基于大型预训练模型，Synthesia表示其突破在于如何组合这些模型以实现多模态分布，从而更贴近真实人类的说话方式。
Synthesia称，这些头像是实时生成的，旨在更接近我们在生活中说话或反应时的体验。这与当前许多基于头像的AI视频工具的工作方式形成对比：通常，这些工具是将许多视频片段快速拼接在一起，以创建与输入脚本大致对齐的面部反应。其目的是让头像看起来不那么机械，更加逼真。
旧版本：
新版本：
正如你在两个示例中所见，一个来自Synthesia的旧版本，另一个是周四发布的版本，仍有不少改进空间，CEO Victor Riparbelli本人也承认了这一点。
“当然，它还没有达到100%的完美，但很快——到今年年底就会实现。那将令人惊叹。”他告诉TechCrunch。“我认为你也可以看到，其中的AI部分非常微妙。在人类身上，最微小的细节中蕴含着大量信息，比如面部肌肉的最细微运动。我们永远无法坐下来描述说：‘是的，你高兴时会这样笑，但那是假的，对吧？’对人类的这种复杂表情进行描述是非常困难的，但它可以被[捕捉并应用于]深度学习网络中。它们实际上能够找出模式，并以可预测的方式将其复制出来。”他补充道，接下来他们正在攻克的是手部动作。
“手部动作非常难搞。”他说。
对B2B业务的关注也有助于Synthesia将其信息和产品更锚定在“安全”的AI使用上。这一点至关重要，尤其是在当今人们对深度伪造和利用AI进行虚假信息传播和欺诈等恶意用途存在巨大担忧的背景下。即便如此，Synthesia并未完全避免这方面的争议。Synthesia的技术此前曾被滥用来在委内瑞拉制作宣传材料，并被亲华社交媒体账户用于推广虚假新闻报道。
该公司表示，已采取进一步措施试图限制此类使用。该公司称，上个月更新了其政策，“以限制人们可以制作的内容类型，投资于早期识别恶意行为者，增加负责AI安全的团队，并试验C2PA等内容凭证技术。”
尽管面临这些挑战，该公司仍在持续增长。
Synthesia在筹集9000万美元时，估值为10亿美元。值得注意的是，那次融资几乎是在一年前的2023年6月进行的。
Riparbelli在本月初的一次采访中表示，目前暂无更多融资计划，但这并没有真正回答Synthesia是否正在被主动接洽的问题。（注：我们非常期待真正的真人Riparbelli将在五月的伦敦出席我们的活动，届时我肯定会再次就此提问。）
我们可以确定的一点是，构建和运行AI成本高昂，而Synthesia一直在大量地构建和运行。
该公司表示，在今日版本发布之前，已有约20万人使用Synthesia的225个传统虚拟形象，制作了超过1800万份视频演示文稿，涵盖约130种语言。（该公司未披露付费用户的具体数量，但其客户名单中包含Zoom、BBC、杜邦等知名企业和众多大型企业，且企业客户确实会付费。）当然，该公司的期望是，随着新版本的推出，这些数字将进一步增长。