VASA-1

VASA-1 是微软研究院公开的一个研究项目，做的是「让照片开口说话」：给它一张静态人脸照片和一段音频，它生成一段人物说话的视频，口型跟着语音走，同时带上眨眼、微笑、头部轻微转动这类表情动作。项目页标题写的是「Lifelike Audio-Driven Talking Faces Generated in Real Time」，即实时生成逼真的音频驱动说话人脸。

它解决什么问题

传统做法要么只对口型、表情僵硬，要么需要大量目标人物的视频素材做训练。VASA-1 的思路是从单张照片出发，把音频里的语音信息映射到面部动作上，让生成结果看起来自然一些。对做虚拟人、数字主播、语音助手形象的研究者来说，这是一条可参考的技术路线。

适合谁

它更像论文和研究成果的展示页，而不是装好就能用的软件。适合关注生成式 AI、计算机视觉、虚拟形象方向的研究者和开发者阅读论文、看演示视频、了解方法细节。普通用户想拿它给自己的照片配音做视频，目前没有现成的入口。

费用与限制

页面没有给出可下载的产品、价格或使用方式，也没有说明是否需要登录。这类研究项目通常以论文和演示的形式发布，代码与模型是否开放要以官方后续公告为准。另外，用真人照片生成说话视频涉及肖像与深度伪造问题，实际使用前需要想清楚合规边界。