Microsoft Research presentó VASA-1 (Visual Affective Skills Animator), un revolucionario modelo fundacional capaz de generar videos fotorrealistas de rostros humanos parlantes a 40 fotogramas por segundo en resolución 512x512, requiriendo únicamente una sola imagen estática y una pista de audio arbitraria. A diferencia de las metodologías tradicionales que generan movimientos faciales rígidos o desincronizados, VASA-1 introduce una arquitectura de difusión holística que modela de forma conjunta la dinámica facial completa, los movimientos oculares, la gesticulación de los labios y las rotaciones naturales de la cabeza. Gracias a un espacio latente desacoplado, el sistema permite controlar interactivamente la mirada, la distancia de cámara y la expresividad emocional en tiempo real, operando con una latencia de inicio de apenas 170 milisegundos en tarjetas gráficas estándar de sobremesa.
Capítulo 01
La noticia en una frase
Microsoft Research presenta VASA-1, un modelo que sintetiza avatares parlantes fotorrealistas a 40 FPS en 512x512 a partir de una sola foto y audio con sincronización labial milimétrica.
El sistema alcanza una latencia de procesamiento de 45 ms por cuadro en una GPU NVIDIA RTX 4090 de consumo, permitiendo comunicación conversacional fluida sin saltos ni retardos perceptibles.
Capítulo 02
