相信不少朋友一大早就被这首 “蚂蚁呀嘿”洗脑了，这个 BGM 原本出自新加坡歌手郭美美的《不怕不怕》（由 Dragostea Din Tei 演唱的 O-Zone 改编而来）。原歌词是 “Mai a hee ，mai a hu，Mai a ho mai a ha ha”，后来被网友们简称为 “蚂蚁呀嘿”。
昨日，一款以 “蚂蚁呀嘿”为 BGM 特效在抖音快手微博 B 站朋友圈等各大平台迅速走红，其仅在抖音上的超话就达到了 9.7 亿。
这款特效的玩法非常简单，只要上传一张照片，照片上的任何人物、动物、卡通人物都能和你一起扭动脖子唱上一首 “蚂蚁呀嘿，蚂蚁牙呼，蚂蚁牙呼呼呼~”简直不太太上头，一起来感受下~
巴菲特、马斯克、马云、雷军一起来 “蚂蚁呀嘿~~”。
还有德云天团，虽然是动图但感觉已经听到了声音 ...... 太魔幻了
蚂蚁呀嘿~~，尖沙咀闻风丧胆的浩南哥在出任务前也可以来上一段。
再魔幻的 BGM,THE9 唱起来画面还是那么美 ....
看到这里，你是不是已经打开抖音准备来个合拍了？不过你会发现在抖音上传照片后只有一个 BGM，不能达到特效的效果。
其实，这个 “蚂蚁呀嘿”并不是抖音特效，而是出自国外的一款 AI 软件——Avatarify。
最新神曲蚂蚁呀嘿~
有的朋友看到 “Avatarify”可能会有种莫名的熟悉感。其实这款 Avatarify 软件最早出现在 2020 年初，当时因一则 “马斯克换脸”视频在国内外一度刷屏。
年初，新冠疫情在全球迅速蔓延，很多人被迫宅在办公，一位来自俄罗斯的程序员 Ali Aliev 觉得整天在家里开视频会议太无趣，他决定用 AI 换脸恶搞一下同事，于是就有了 Avatarify。
在视频通话过程中，Ali Aliev 用 Avatarify 软件把自己的头像换成了世界首富马斯克，同事们看到大佬出现在了会议中，一时也是惊呆了。
可以看出，视频中的 AI 换脸从五官、发型的效果非常好看不出一点破绽，而且如果讲话面部表情也随之微动，不过不能讲话，一讲话可能就露馅了。
这则恶搞视频发布到 YouTube 网站后，受到网友们热捧，该项目在 GitHub 平台也迅速登上了热榜。不过其火爆程度远不如今日，因为当时还是一个代码库，用户需要有一定的机器学习基础，才能在电脑上设置。
正是考虑到这一点，最近 Ali Aliev 将 Avatarify 做成了一个 APP 的形式，大大降低了用户的使用门槛。
如图所示，它的产品评分超过了 4000+，排名一直高居 iOS 摄影录像榜第一。
APP 版的 Avatarify 进行了优化，它包含了十几种不同的换脸特效玩法，其中就包括在国内迅速出圈的 “蚂蚁呀嘿”。
就像前段时间的 “Clubhouse”，Avatarify 在国内也可以说是一夜爆火，而且其火爆程度可以说远超当下的抖音、快手、腾讯微视的 AI 特效。
那么它为什么能够做到呢？其中原因当然少不了简单易用，只需要一张照片，全民皆可参与；效果逼真，特效无违和感；还有就是无论是世界首富、娱乐明星、电影角色、动漫人物都可以被恶搞来娱乐大众。
不过最重要的还是它魔性的 BGM，以及随 BGM 实时匹配的五官表情，这个节奏简直不要太上头。
近几年，AI 在娱乐领域的应用越来越广泛，各种 AI 特效在短视频平台层出不穷，抖音、快手、微视也先后打造过款爆火特效。不过相比之下，更多处在 AI 换脸、换发型、秒变漫画脸等图像合成的阶段，还未有声音与图像合成的特效产品推出。
不过相信，这次 “蚂蚁呀嘿”特效爆火之后，各大平台会抓紧抄作业吧。
使用教程
想要制作这个同款特效，需要使用两个软件：
一个是 Avatarify 软件，它仅支持苹果手机下载，想办法完成数字验证。另一个是加速器，它可以解锁 Avatarify 上更多特效，其中包括 “蚂蚁呀嘿”。
全部下载完成后，接下来的操作就非常简单了，找到一张想要恶搞的照片，选择蚂蚁呀嘿”几秒钟就可以直接出效果视频了：
之后就可以任意上传至抖音、微博等各大社交平台了。
不过，目前 Avatarify 仅支持 iOS 系统。不少用户也是酸了，每次第一个吃螃蟹的都是 iOS.
不过从 Clubhouse 的案例来看，相信没多久就会有类似 app 推出了吧。
小编提示，换脸特效毕竟涉及面部隐私，大家还是要注意隐私安全哦~
附：AI 换脸常见方法回顾
我们秉承以往的风格，从技术角度简单回顾一下近几年重要的 AI 换脸技术。
Cycle GAN
Cycle GAN 可以说是所有人脸转换尝试重要早期尝试。在对抗性生成式网络（GANs）的风潮中，大家发现只要给定源类别的样本和目标类别的样本，GANs 可以便捷地学习到两个类别之间的转换关系，就天然地适用于「图像到图像转换」问题，比如同一张风景照的冬天到夏天、一匹马到一匹斑马；Cycle GAN 核心思路在于，如果能从源转换到目标、还能从源转换回来，就可以认为模型很好地学习到了两个类别间的转换关系，也更好地保证了转换后的图像的品质。不过 Cycle GAN 的换脸效果并不怎么好，它毕竟是一个对所有类别的图像通用的方法。
Face2Face
Face2Face 可以说是一次「标准的、规矩的」的尝试，它借助 dlib 和 OpenCV，首先人脸检测器检测出源图片中的人脸、找到人脸上的关键标记点，然后再使用针对人脸的 pix2pix 转换模型把关键标记点转换为目标人脸图像。也许是因为这个方法没有给深度学习留下足够的发挥空间，所以它的效果也一般般。
在此之后，英伟达和 UC 伯克利的研究人员们根据 pix2pix 改进出了 pix2pixHD，提升了人脸图像的生成效果，而且也依然保持了原 pix2pix 模型的多类别通用能力。
DeepFakes
最火热、最广为流传的深度学习换脸模型无疑是 DeepFakes。出现于 2017 年底的 DeepFakes 是一个深度自动编解码器模型（Autoencoder-Decoder），通过用源人物和目标人物的几百张照片（越多越好）训练模型分别识别、还原两人面部的能力。最后用源人物的照片搭配目标人物的解码器就可以完成转换。它也对视频到视频的转换有良好支持。
DeepFakes 的缺点在于，它无法在小样本上工作，意味着无法凭一两张照片替换任意两个人的脸部；模型的训练过程也需要消耗大量资源。
DeepFakes 刚刚公开时也仅限于技术爱好者们之间交流，也并没有发布正式的论文。但一些盖尔 · 加朵的换脸动图一下子引爆了关注。今年年初曾经热炒的「杨幂换脸朱茵」视频也很可能是用这个方法实现的，因为 DeepFakes 中的编码器经过足够的训练后确实能够具有将任意输入人脸（比如朱茵的人脸）转换为高质量、高逼真度的目标人脸（杨幂人脸）的能力。
DeepFakes 的 GitHub 地址为 https://github.com/deepfakes/faceswap，如今它还在持续更新升级；后来推出了还名为 FakeApp 的桌面应用程序，便于更多 TensorFlow 玩不转的小白用户尝试。
DeepFakes 式的「把目标图像中的人脸换成另一张脸」可能未来也很难减小样本数量要求和资源要求，所以也有另一种思路，那就是给定一张人脸图像，然后根据给定的动作让图中的人「动起来」。三星莫斯科 AI 研究中心联合斯科尔科沃科学技术研究所在今年 5 月发表的一篇论文就带来了不错的结果。不仅是真人的照片，他们甚至可以让油画中的人自然地开口说话。
以上提到的论文和博客 PDF 打包：