Pika 公布音频驱动表演模型：6 秒生成超逼真表情，速度快 20 倍

Pika 在 X 上公布了一款全新的音频驱动表演模型，主打超逼真的面部表情，而且生成速度接近实时。

6 秒出片，速度和成本省了 20 倍

按照 Pika 的说法，无论视频有多长、是什么风格，这个新模型都能在 6 秒甚至更短的时间内生成 HD 高清画面。

同时，他们把生成速度提升了 20 倍，成本也降到了原来的二十分之一。

Pika 表示这项能力很快就会在自家的 Pika 社交应用中上线。他们希望这项技术不只是给创作者用的工具，而是让更多人能拿它在社交中互相连接。

为什么重要

对普通用户来说，以往音频驱动口型和表情的工具要么生成很慢，要么表情僵硬，往往要排队等几分钟。

如果真能做到 6 秒内搞定任意长度的 HD 表情视频，普通人发一段语音就能迅速生成动态视频，用来做表情包或日常互动，使用门槛会彻底被拉平。

从行业来看，视频生成正在从单纯卷画质走向拼推理速度和成本。成本降低 20 倍意味着服务商的算力压力大幅减轻，才有可能把 AI 视频塞进移动端社交场景。

不过在我们看来，Pika 宣称的「任意长度都在 6 秒内完成」听起来有些反常识，实际效果和画质稳定性如何，还要等它正式在社交应用上线后接受考验。