CN109377539B - 用于生成动画的方法和装置 - Google Patents

用于生成动画的方法和装置 Download PDF

Info

Publication number
CN109377539B
CN109377539B CN201811315036.3A CN201811315036A CN109377539B CN 109377539 B CN109377539 B CN 109377539B CN 201811315036 A CN201811315036 A CN 201811315036A CN 109377539 B CN109377539 B CN 109377539B
Authority
CN
China
Prior art keywords
mouth
sequence
information
sample
audio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811315036.3A
Other languages
English (en)
Other versions
CN109377539A (zh
Inventor
王建祥
吕复强
刘骁
纪建超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811315036.3A priority Critical patent/CN109377539B/zh
Publication of CN109377539A publication Critical patent/CN109377539A/zh
Priority to US16/564,546 priority patent/US10997764B2/en
Application granted granted Critical
Publication of CN109377539B publication Critical patent/CN109377539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/205—3D [Three Dimensional] animation driven by audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/06—Decision making techniques; Pattern matching strategies
    • G10L17/14—Use of phonemic categorisation or speech recognition prior to speaker recognition or verification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Processing Or Creating Images (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

本申请实施例公开了用于生成动画的方法和装置。该方法的一具体实施方式包括：逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；将该音频特征序列输入至预先训练的嘴型信息预测模型，得到与该音频特征序列相对应的嘴型信息序列；基于该嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。该实施方式丰富了动画的生成方式，且实现了所生成的动画中的嘴型与语音的同步。

Description

用于生成动画的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于生成动画的方法和装置。
背景技术
虚拟人像嘴型同步技术，旨在对给定的语音输入，利用计算机技术，为虚拟人像合成与语音同步的高度逼真的嘴型，并能够满足实时性要求。
相关的虚拟人像嘴型同步技术，通常依赖于专业的动画师，根据输入的语音，手动地为虚拟人像设置嘴型关键帧，从而实现嘴型同步。
发明内容
本申请实施例提出了用于生成动画的方法和装置。
第一方面，本申请实施例提供了一种用于生成动画的方法，该方法包括：逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；将音频特征序列输入至预先训练的嘴型信息预测模型，得到与音频特征序列相对应的嘴型信息序列，其中，音频特征序列中的音频特征与嘴型信息序列中的嘴型信息一一对应；对于嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。
在一些实施例中，嘴型信息序列中的嘴型信息包括所对应的语音片段与各预设音素相匹配的概率；以及对于嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像，包括：对于嘴型信息序列中的嘴型信息，将该嘴型信息中的概率最大值所对应的预设音素作为目标音素，基于预设的对应关系信息，确定与目标音素相对应的嘴型对象，生成包含嘴型对象的人脸图像，其中，对应关系信息用于表征音素与嘴型对象的对应关系。
在一些实施例中，嘴型信息预测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括样本语音和样本语音的各语音片段的音素标注；对于样本集中的样本，逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列；将该样本的音频特征序列作为输入，将该样本中的音素标注作为输出，利用机器学习方法训练得到嘴型信息预测模型。
在一些实施例中，嘴型信息序列中的嘴型信息包括嘴部区域的关键点信息；以及对于嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像，包括：对于嘴型信息序列中的嘴型信息，将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，生成人脸图像。
在一些实施例中，嘴型信息预测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括同步录制的样本视频和样本语音；对于样本集中的样本，将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列；逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列，其中，关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应；基于预设的延迟步长，对关键点信息序列和该样本的音频特征序列进行更新；将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。
在一些实施例中，基于预设的延迟步长，对关键点信息序列和该样本的音频特征序列进行更新，包括：删除该样本的音频特征序列中的所在次序不大于延迟步长的音频特征，以对该样本的音频特征序列进行更新；确定更新后的音频特征序列中的音频特征的数量；删除关键点信息序列中的所在次序大于数量的关键点信息，以对关键点信息序列进行更新。
第二方面，本申请实施例提供了一种用于生成动画的装置，该装置包括：汇总单元，被配置成逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；输入单元，被配置成将音频特征序列输入至预先训练的嘴型信息预测模型，得到与音频特征序列相对应的嘴型信息序列，其中，音频特征序列中的音频特征与嘴型信息序列中的嘴型信息一一对应；第一生成单元，被配置成对于嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；第二生成单元，被配置成将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。
在一些实施例中，嘴型信息序列中的嘴型信息包括所对应的语音片段与各预设音素相匹配的概率；以及输入单元进一步被配置成：对于嘴型信息序列中的嘴型信息，将该嘴型信息中的概率最大值所对应的预设音素作为目标音素，基于预设的对应关系信息，确定与目标音素相对应的嘴型对象，生成包含嘴型对象的人脸图像，其中，对应关系信息用于表征音素与嘴型对象的对应关系。
在一些实施例中，嘴型信息预测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括样本语音和样本语音的各语音片段的音素标注；对于样本集中的样本，逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列；将该样本的音频特征序列作为输入，将该样本中的音素标注作为输出，利用机器学习方法训练得到嘴型信息预测模型。
在一些实施例中，嘴型信息序列中的嘴型信息包括嘴部区域的关键点信息；以及输入单元进一步被配置成：对于嘴型信息序列中的嘴型信息，将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，生成人脸图像。
在一些实施例中，嘴型信息预测模型通过如下步骤训练得到：提取样本集，其中，样本集中的样本包括同步录制的样本视频和样本语音；对于样本集中的样本，将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列；逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列，其中，关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应；基于预设的延迟步长，对关键点信息序列和该样本的音频特征序列进行更新；将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。
在一些实施例中，基于预设的延迟步长，对关键点信息序列和该样本的音频特征序列进行更新，包括：删除该样本的音频特征序列中的所在次序不大于延迟步长的音频特征，以对该样本的音频特征序列进行更新；确定更新后的音频特征序列中的音频特征的数量；删除关键点信息序列中的所在次序大于数量的关键点信息，以对关键点信息序列进行更新。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面中任一实施例的方法。
本申请实施例提供的用于生成动画的方法和装置，通过逐段从目标语音中提取音频特征，以便汇总为由各语音片段的音频特征所构成的音频特征序列。将该音频特征序列输入至预先训练的嘴型信息预测模型，就可以得到与音频特征序列相对应的嘴型信息序列。而后，可以基于嘴型信息序列中的嘴型信息，生成包含嘴型对象的人脸图像。最后，可以将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。从而，可以根据从目标语音中提取的语音特征，自动生成相对应的关键帧，丰富了动画的生成方式，且实现了所生成的动画中的嘴型与语音的同步。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例可以应用于其中的示例性***架构图；
图2是根据本申请的用于生成动画的方法的一个实施例的流程图；
图3是根据本申请的用于生成动画的方法的一个应用场景的示意图；
图4是根据本申请的用于生成动画的方法的又一个实施例的流程图；
图5是根据本申请的用于生成动画的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成动画的方法或用于生成动画的装置的示例性***架构100。
如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如语音交互类应用、动画制作类应用、音视频播放类应用、搜索类应用、即时通信工具、社交平台软件等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持音视频播放的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
当终端设备101、102、103为硬件时，其上还可以安装有音频采集设备。音频采集设备可以是各种能实现采集音频功能的设备，如麦克风等等。用户可以利用终端设备101、102、103上的音频采集设备，来采集语音。
终端设备101、102、103可以对其所采集的目标语音进行特征提取、分析等处理，得到处理结果(例如包含嘴型对象的人脸图像)。此外，终端设备101、102、103还可以利用其所安装的动画制作类应用进行动画制作，得到人脸动画。
服务器105可以是提供各种服务的服务器，例如用于对终端设备101、102、103上传的语音、动画等文件进行存储、管理的管理服务器。管理服务器还可以存储有大量的图像素材(例如虚拟三维人脸素材等)，并可以向终端设备101、102、103发送素材。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的检测方法一般由终端设备101、102、103执行，相应地，检测装置一般设置于终端设备101、102、103中。
需要指出的是，在终端设备101、102、103可以实现服务器105的相关功能的情况下，***架构100中可以不设置服务器105。
还需要指出的是，服务器105也可以对其所存储的语音或者终端设备101、102、103所上传的语音进行特征提取、解析等处理，并将处理结果(例如人脸动画)返回给终端设备101、102、103。此时，本申请实施例所提供的检测方法也可以由服务器105执行，相应地，检测装置也可以设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的用于生成动画的方法的一个实施例的流程200。该用于生成动画的方法，包括以下步骤：
步骤201，逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列。
在本实施例中，用于生成动画的方法的执行主体(例如图1所示的终端设备101、102、103)可以首先获取当前待进行处理的语音，作为目标语音。其中，上述目标语音可以是上述执行主体所录制的语音；也可以是预先存储在上述执行主体中的语音；还可以是上述执行主体通过有线连接或者无线连接方式，从其他电子设备中所获取的语音。而后，上述执行主体可以逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列。
此处，可以按照预设间隔(例如10毫秒的数据量)进行语音片段(例如25毫秒的语音片段，每一个语音片段可以视为一帧)的特征提取。每个语音片段的时长相同。作为示例，可以首先将上述目标语音中的其实时刻至25毫秒的语音片段作为第一个语音片段，提取该语音片段的音频特征。而后，可以将第10毫秒至第35毫秒的语音片段作为第二个语音片段，提取该语音片段的音频特征。接着，可以将第20毫秒至第45毫秒的语音片段确定为第三个语音片段，提取该语音片段的音频特征。以此类推。最后，依次将各个语音片段的音频特征进行汇总，生成音频特征序列。
在本实施例中，上述执行主体可以按照各种音频特征提取方式，提取语音片段中的特征。实践中，特征可以是某一类对象区别于其他类对象的特点或特性，或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于音频而言，音频特征可以是音频所具有的能够区别于其他类音频的自身特征。例如，可以包括但不限于MFCC(Mel-scaleFrequency Cepstral Coefficients，梅尔频率倒谱系数)特征、MFB(Mel Filter Bank，梅尔滤波器组)特征、SSC(Spectral Subband Centroid，频谱子带质心)特征等。
作为示例，MFCC特征可以通过如下步骤提取：首先，可以利用离散傅氏变换的快速算法(Fast Fourier Transformation，FFT)对上述语音片段进行从时域至频域的转换，得到能量频率；之后，可以利用三角带通滤波方法，依照梅尔刻度分布，将上述能量频谱进行卷积计算，得到多个输出对数能量，最后对上述多个输出对数能量构成的向量进行离散余弦变换(Discrete Cosine Transform，DCT)，生成MFCC特征。
需要说明的是，从每一个语音片段中所提取的音频特征，可以使用向量的形式来表示。作为示例，对于每一个语音片段，可以提取13维的MFCC特征、26维的MFB特征和26维的SSC特征。上述执行主体可以将这65维的特征进行拼接，得到65维的特征向量。对于每一个语音片段，将所得到的65维的特征向量作为该语音片段的音频特征，依次将各个语音片段的音频特征进行汇总，即可得到目标语音的音频特征序列。
步骤202，将音频特征序列输入至预先训练的嘴型信息预测模型，得到与音频特征序列相对应的嘴型信息序列。
在本实施例中，上述执行主体可以上述将音频特征序列输入至预先训练的嘴型信息预测模型，得到与音频特征序列相对应的嘴型信息序列。其中，音频特征序列中的音频特征与嘴型信息序列中的嘴型信息一一对应。此处，嘴型信息预测模型可以用于表征音频特征序列与嘴型信息序列的对应关系。例如，嘴型信息预测模型可以是技术人员基于大量数据统计而预先制定的对应关系表。该对应关系表可以表征音频特征与嘴型信息的对应关系。依次从该对应关系表征中查找上述音频特征序列中的各音频特征对应的嘴型信息，即可得到与该音频特征序列相对应的嘴型信息序列。
此处，嘴型信息可以是用于确定或者辅助确定语音片段或者语音片段的音频特征所对应的嘴型对象的各种信息。作为示例，嘴型信息可以是与语音片段相匹配的音素；也可以是语音片段与各预设音素相匹配的概率；还可以是嘴部区域的关键点信息。此外，嘴型信息也可以是上述列举的组合，且不限于上述列举。
在本实施例的一些可选的实现方式中，上述嘴型信息预测模型可以是利用机器学习方法，基于样本集(包含样本语音，以及，包含用于指示样本语音的各语音片段对应的嘴型信息)，对现有的用于进行音频特征提取的模型进行有监督训练得到的。作为示例，上述模型可以使用RNN(Recurrent Neural Network，递归神经网络)、LSTM(Long Short-TermMemory，是长短期记忆网络)、隐马尔科夫模型(HMM,Hidden Markov Model)等。需要说明的是，上述机器学习方法、有监督训练方法是目前广泛研究和应用的公知技术，在此不再赘述。
步骤203，对于嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像。
在本实施例中，对于嘴型信息序列中的嘴型信息，上述执行主体可以生成包含该嘴型信息所指示的嘴型对象的人脸图像。具体地，首先，对于嘴型信息序列中的每一个嘴型信息，上述执行主体可以利用各种方式确定该嘴型信息所指示的嘴型对象。作为示例，上述执行主体中可以存储有嘴型信息与嘴型对象的对应关系。对于上述嘴型信息序列中的嘴型信息，上述执行主体可以从依照该对应关系，查找出与该嘴型信息对应的嘴型对象。实践中，嘴型对象可以是用于构成人脸图像中的嘴部区域的相关信息(例如可以包括但不限于嘴巴轮廓、牙齿轮廓、鼻子轮廓、下巴轮廓、脸颊轮廓等)。其中，上述嘴部区域可以是与嘴部运动相关的区域。例如嘴巴、鼻子、下巴、牙齿、脸颊等等。
而后，对于嘴型信息序列中的每一个嘴型信息，上述执行主体可以生成包含该嘴型信息所指示的嘴型对象的人脸图像。此处，上述执行主体可以预先存储有除去嘴部区域以外的其他人脸部位的信息。在得到该嘴型信息匹配的嘴型对象后，可以直接将各信息进行汇总，利用现有的动画制作工具(例如Unity 3D，Maya等)，生成人脸图像。
在本实施例的一些可选的实现方式中，上述嘴型信息序列中的嘴型信息可以包括所对应的语音片段与各预设音素相匹配的概率。此处，音素是根据语音的自然属性划分出来的最小语音单位。从声学性质来看，音素是从音质角度划分出来的最小语音单位。一个字或词可由一个或多个音节组成，一个音节可由一个或多个音素组成。每一个音素对应于一种特定的发音，从而对应于一种特定的嘴型。此处，音素的可以采用TIMIT(The DARPATIMIT Acoustic-Phonetic Continuous Speech Corpus，声学－音素连续语音语料库)中的表示方式。上述执行主体中可以存储有用于表征各音素与嘴型对象的对应关系的对应关系信息。
在本实施例的一些可选的实现方式中，某些音素(例如，“p”,“b”,“m”这三个音素)在发音时，嘴型非常相近。因此，可以将发音时嘴型相近的音素进行合并,作为一个音素组。上述执行主体中可以存储有用于表征各音素组与嘴型对象的对应关系的对应关系信息。
在本实施例的一些可选的实现方式中，当上述嘴型信息序列中的嘴型信息包括所对应的语音片段与各预设音素相匹配的概率时，对于上述嘴型信息序列中的嘴型信息，上述执行主体可以按照如下步骤生成人脸图像：首先，可以将该嘴型信息中的概率最大值所对应的预设音素作为目标音素。而后，可以基于预设的对应关系信息，确定与上述目标音素相对应的嘴型对象，生成包含上述嘴型对象的人脸图像，其中，上述对应关系信息可以用于表征音素与嘴型对象的对应关系，或者，可以用于表征音素组与嘴型对象的对应关系。
在本实施例的一些可选的实现方式中，当上述嘴型信息序列中的嘴型信息包括所对应的语音片段与各预设音素相匹配的概率时，上述嘴型信息预测模型通过如下步骤训练得到：首先，可以提取样本集。其中，上述样本集中的样本可以包括样本语音和上述样本语音的各语音片段的音素标注。而后，对于样本集中的样本，可以逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列。此处，逐段提取样本语音的音频特征的操作方式，与步骤201中逐段提取目标语音的音频特征的操作方式基本相同。此处不再赘述。之后，可以将该样本的音频特征序列作为输入，将该样本中的音素标注作为输出，利用机器学习方法训练得到嘴型信息预测模型。此处，可以选用LSTM(Long Short-Term Memory，是长短期记忆网络)进行嘴型信息预测模型的训练，以解决传统递归神经网络中的中长距离依赖(Long term dependency)问题，使训练出的嘴型信息预测模型更准确。
在本实施例的一些可选的实现方式中，上述嘴型信息序列中的嘴型信息可以包括嘴部区域的关键点信息。此时，对于上述嘴型信息序列中的嘴型信息，上述执行主体可以将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，利用现有的动画制作应用(例如Unity 3D，Maya等)，生成人脸图像。
在本实施例的一些可选的实现方式中，上述嘴型信息序列中的嘴型信息包括嘴部区域的关键点信息时，上述嘴型信息预测模型可以通过如下步骤训练得到：
第一步，可以提取样本集。其中，上述样本集中的样本可以包括同步录制的样本视频和样本语音。此处，样本视频可以被调整(例如采用插值方式)至预设帧率(例如100fps)，以便使单位时间所抽取的帧与单位时间所抽取的语音片段数量相同。
第二步，对于样本集中的样本，可以将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列。此处，可以使用现有的人脸检测方法或工具(例如Dlib工具)对各帧进行人脸检测，并将识别后的人脸转成正脸。而后，可以利用各种现有的人脸关键点检测方法或工具对化后的正脸进行人脸关键点检测，识别出关键点，得到关键点信息。此处，关键点信息可以是关键点的坐标(可以是二维坐标，也可以是三维坐标)。实践中，关键点可以是人脸中的关键的点(例如具有语义信息的点，或者影响脸部轮廓或者五官形状的点等)。例如，关键点可以包括但不限于眼角、嘴角、轮廓中的点等。此处，嘴部区域上述嘴部区域可以是与嘴部运动相关的区域。例如嘴巴、鼻子、下巴、牙齿、脸颊等等。嘴部区域的关键点，可以是影响嘴巴、鼻子、下巴、牙齿、脸颊的轮廓或者形状的点。
第三步，可以逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列。其中，上述关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应。此处，逐段提取样本语音的音频特征的操作方式，与步骤201中逐段提取目标语音的音频特征的操作方式基本相同。此处不再赘述。
第四步，可以基于预设的延迟步长，对上述关键点信息序列和该样本的音频特征序列进行更新。这里，考虑到当人们在说话的时候，嘴型与声音存在一定的延时。例如，当在说“我”的时候，往往先张嘴，然后再发声。因此，可以利用预先设置的延迟步长，对上述关键点信息序列和该样本的音频特征序列进行更新，以变使关键点信息与音频特征的对应关系考虑到延迟的影响。此处，延迟步长可以是技术人员基于大量数据统计和试验而预先设置的数值。可选的，可以按照如下步骤进行更新：首先，删除该样本的音频特征序列中的所在次序不大于上述延迟步长的音频特征，以对该样本的音频特征序列进行更新。而后，确定更新后的音频特征序列中的音频特征的数量，最后，删除上述关键点信息序列中的所在次序大于上述数量的关键点信息，以对上述关键点信息序列进行更新。
第五步，可以将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。此处，可以选用LSTM进行嘴型信息预测模型的训练，以解决传统递归神经网络中的中长距离依赖问题，使训练出的嘴型信息预测模型更准确。
步骤204，将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。
在本实施例中，上述执行主体可以将所生成的人脸图像作为人脸动画的关键帧，利用现有的动画制作工具(例如Unity 3D)，来对关键帧渲染，并生成关键帧之间的过渡动画，从而生成人脸动画。由此，实现嘴型与语音的同步以及动画的自动生成。
继续参见图3，图3是根据本实施例的用于生成动画的方法的应用场景的一个示意图。在图3的应用场景中，用户可以利用终端设备301进行目标语音录制。终端设备301中可以安装有动画制作工具。
在录制目标语音后，终端设备301首先可以逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列302。而后，可以将上述音频特征序列输入至预先训练的嘴型信息预测模型，得到与上述音频特征序列相对应的嘴型信息序列303。其中，上述音频特征序列中的音频特征与上述嘴型信息序列中的嘴型信息一一对应。之后，可以基于上述嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像304。最后，将所生成的人脸图像作为人脸动画的关键帧，可以调用所安装的动画制作工具，生成人脸动画305。
本申请的上述实施例提供的方法，通过逐段从目标语音中提取音频特征，以便汇总为由各语音片段的音频特征所构成的音频特征序列。将该音频特征序列输入至预先训练的嘴型信息预测模型，就可以得到与上述音频特征序列相对应的嘴型信息序列。而后，可以基于嘴型信息序列中的嘴型信息，生成包含嘴型对象的人脸图像。最后，可以将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。从而，可以根据从目标语音中提取的语音特征，无需依赖于人工操作，能够根据输入的语音特征，自动生成相应的嘴型关键帧，丰富了动画的生成方式。同时，实现了所生成的动画中的嘴型与语音的同步。
进一步参考图4，其示出了用于生成动画的方法的又一个实施例的流程400。该用于生成动画的方法的流程400，包括以下步骤：
步骤401，逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列。
在本实施例中，用于生成动画的方法的执行主体(例如图1所示的终端设备101、102、103)可以逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列。此处，可以按照预设间隔(例如10毫秒的数据量)进行语音片段(例如25毫秒的语音片段，每一个语音片段可以视为一帧)的特征提取。每个语音片段的时长相同。此处，对于每一个语音片段，上述执行主体可以分别提取MFCC特征、MFB特征和SSC特征。将各特征进行汇总，得到该语音片段的音频特征。而后，依次将各个语音片段的音频特征进行汇总，即可得到目标语音的音频特征序列。
步骤402，将音频特征序列输入至预先训练的嘴型信息预测模型，得到与音频特征序列相对应的嘴型信息序列。
在本实施例中，上述执行主体可以上述将音频特征序列输入至预先训练的嘴型信息预测模型，得到与音频特征序列相对应的嘴型信息序列。此处，上述嘴型信息序列中的嘴型信息可以包括嘴部区域的关键点信息。
这里，上述嘴型信息预测模型可以通过如下步骤训练得到：
第一步，可以提取样本集。其中，上述样本集中的样本可以包括同步录制的样本视频和样本语音。此处，样本视频可以被调整(例如采用插值方式)至预设帧率(例如100fps)，以便使单位时间所抽取的帧与单位时间所抽取的语音片段数量相同。
第二步，对于样本集中的样本，可以将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列。此处，可以使用现有的人脸检测方法或工具(例如Dlib工具)对各帧进行人脸检测，并将识别后的人脸转成正脸。而后，可以利用各种现有的人脸关键点检测方法或工具对化后的正脸进行人脸关键点检测，识别出关键点，得到关键点信息。此处，关键点信息可以是关键点的坐标(可以是二维坐标，也可以是三维坐标)。实践中，关键点可以是人脸中的关键的点(例如具有语义信息的点，或者影响脸部轮廓或者五官形状的点等)。例如，关键点可以包括但不限于眼角、嘴角、轮廓中的点等。此处，嘴部区域上述嘴部区域可以是与嘴部运动相关的区域。例如嘴巴、鼻子、下巴、牙齿、脸颊等等。嘴部区域的关键点，可以是影响嘴巴、鼻子、下巴、牙齿、脸颊的轮廓或者形状的点。
第三步，可以逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列。其中，上述关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应。
第四步，可以基于预设的延迟步长，对上述关键点信息序列和该样本的音频特征序列进行更新。这里，考虑到当人们在说话的时候，嘴型与声音存在一定的延时。例如，当在说“我”的时候，往往先张嘴，然后再发声。因此，可以利用预先设置的延迟步长，对上述关键点信息序列和该样本的音频特征序列进行更新，以变使关键点信息与音频特征的对应关系考虑到延迟的影响。此处，延迟步长可以是技术人员基于大量数据统计和试验而预先设置的数值。可选的，可以按照如下步骤进行更新：首先，删除该样本的音频特征序列中的所在次序不大于上述延迟步长的音频特征，以对该样本的音频特征序列进行更新。而后，确定更新后的音频特征序列中的音频特征的数量，最后，删除上述关键点信息序列中的所在次序大于上述数量的关键点信息，以对上述关键点信息序列进行更新。
第五步，可以将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。此处，可以选用LSTM进行嘴型信息预测模型的训练，以解决传统递归神经网络中的中长距离依赖问题，使训练出的嘴型信息预测模型更准确。
步骤403，对于嘴型信息序列中的嘴型信息，将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，生成人脸图像。
在本实施例中，对于上述嘴型信息序列中的嘴型信息，上述执行主体可以将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，利用现有的动画制作应用(例如Unity 3D，Maya等)，生成人脸图像。
步骤404，将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。
在本实施例中，上述执行主体可以将所生成的人脸图像作为人脸动画的关键帧，利用现有的动画制作工具(例如Unity 3D)，来对关键帧渲染，并生成关键帧之间的过渡动画，从而生成人脸动画。由此，实现嘴型与语音的同步以及动画的自动生成。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成动画的方法的流程400涉及了利用使用LSTM模型训练得到的嘴型信息预测模型，得到嘴部区域的关键点信息的内容。从而，可以根据所得到的关键点信息，得到人脸图像。该方案中，训练嘴型信息预测模型的样本集更容易获得，只需包含人说话的视频即可，无需依赖人工进行音素的标注。由此，本实施例描述的方案可以更加灵活便捷地进行嘴型信息的预测。同时，可以捕捉到语音中的情绪，音量大小等信息，从而根据输入语音确定出更加丰富的人脸图像。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成动画的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例所述的用于生成动画的装置500包括：汇总单元501，被配置成逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；输入单元502，被配置成将上述音频特征序列输入至预先训练的嘴型信息预测模型，得到与上述音频特征序列相对应的嘴型信息序列，其中，上述音频特征序列中的音频特征与上述嘴型信息序列中的嘴型信息一一对应；第一生成单元503，被配置成基于上述嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；第二生成单元504，被配置成将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。
在本实施例的一些可选的实现方式中，上述嘴型信息序列中的嘴型信息可以包括所对应的语音片段与各预设音素相匹配的概率；以及上述输入单元502可以进一步被配置成：对于上述嘴型信息序列中的嘴型信息，将该嘴型信息中的概率最大值所对应的预设音素作为目标音素，基于预设的对应关系信息，确定与上述目标音素相对应的嘴型对象，生成包含上述嘴型对象的人脸图像，其中，上述对应关系信息用于表征音素与嘴型对象的对应关系。
在本实施例的一些可选的实现方式中，上述嘴型信息预测模型可以通过如下步骤训练得到：提取样本集，其中，上述样本集中的样本包括样本语音和上述样本语音的各语音片段的音素标注；对于样本集中的样本，逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列；将该样本的音频特征序列作为输入，将该样本中的音素标注作为输出，利用机器学习方法训练得到嘴型信息预测模型。
在本实施例的一些可选的实现方式中，上述嘴型信息序列中的嘴型信息可以包括嘴部区域的关键点信息；以及上述输入单元502可以进一步被配置成：对于上述嘴型信息序列中的嘴型信息，将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，生成人脸图像。
在本实施例的一些可选的实现方式中，上述嘴型信息预测模型可以通过如下步骤训练得到：提取样本集，其中，上述样本集中的样本包括同步录制的样本视频和样本语音；对于样本集中的样本，将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列；逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列，其中，上述关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应；基于预设的延迟步长，对上述关键点信息序列和该样本的音频特征序列进行更新；将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。
在本实施例的一些可选的实现方式中，上述基于预设的延迟步长，对上述关键点信息序列和该样本的音频特征序列进行更新，包括：删除该样本的音频特征序列中的所在次序不大于上述延迟步长的音频特征，以对该样本的音频特征序列进行更新；确定更新后的音频特征序列中的音频特征的数量；删除上述关键点信息序列中的所在次序大于上述数量的关键点信息，以对上述关键点信息序列进行更新。
本申请的上述实施例提供的装置，通过汇总单元501逐段从目标语音中提取音频特征，以便汇总为由各语音片段的音频特征所构成的音频特征序列。输入单元502将该音频特征序列输入至预先训练的嘴型信息预测模型，就可以得到与上述音频特征序列相对应的嘴型信息序列。而后，第一生成单元503可以基于嘴型信息序列中的嘴型信息，生成包含嘴型对象的人脸图像。最后，第二生成单元504可以将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。从而，可以根据从目标语音中提取的语音特征，无需依赖于人工操作，能够根据输入的语音特征，自动生成相应的嘴型关键帧，丰富了动画的生成方式。同时，实现了所生成的动画中的嘴型与语音的同步。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括触摸屏、触摸板等的输入部分606；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括汇总单元、输入单元、第一生成单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，汇总单元还可以被描述为“逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；将该音频特征序列输入至预先训练的嘴型信息预测模型，得到与该音频特征序列相对应的嘴型信息序列；基于该嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于生成动画的方法，包括：
逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；
将所述音频特征序列输入至预先训练的嘴型信息预测模型，得到与所述音频特征序列相对应的嘴型信息序列，其中，所述音频特征序列中的音频特征与所述嘴型信息序列中的嘴型信息一一对应；
对于所述嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；
将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画；
其中，所述嘴型信息序列中的嘴型信息包括所对应的语音片段与各预设音素相匹配的概率；以及所述对于所述嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像，包括：
对于所述嘴型信息序列中的嘴型信息，将该嘴型信息中的概率最大值所对应的预设音素作为目标音素，基于预设的对应关系信息，确定与所述目标音素相对应的嘴型对象，生成包含所述嘴型对象的人脸图像，其中，所述对应关系信息用于表征音素与嘴型对象的对应关系；或者
所述嘴型信息序列中的嘴型信息包括嘴部区域的关键点信息；以及所述对于所述嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像，包括：
对于所述嘴型信息序列中的嘴型信息，将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，生成人脸图像。
2.根据权利要求1所述的用于生成动画的方法，其中，若所述嘴型信息包括所对应的语音片段与各预设音素相匹配的概率，所述嘴型信息预测模型通过如下步骤训练得到：
提取样本集，其中，所述样本集中的样本包括样本语音和所述样本语音的各语音片段的音素标注；
对于样本集中的样本，逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列；将该样本的音频特征序列作为输入，将该样本中的音素标注作为输出，利用机器学习方法训练得到嘴型信息预测模型。
3.根据权利要求1所述的用于生成动画的方法，其中，若所述嘴型信息包括嘴部区域的关键点信息，所述嘴型信息预测模型通过如下步骤训练得到：
提取样本集，其中，所述样本集中的样本包括同步录制的样本视频和样本语音；
对于样本集中的样本，将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列；逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列，其中，所述关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应；基于预设的延迟步长，对所述关键点信息序列和该样本的音频特征序列进行更新；将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。
4.根据权利要求3所述的用于生成动画的方法，其中，所述基于预设的延迟步长，对所述关键点信息序列和该样本的音频特征序列进行更新，包括：
删除该样本的音频特征序列中的所在次序不大于所述延迟步长的音频特征，以对该样本的音频特征序列进行更新；
确定更新后的音频特征序列中的音频特征的数量；
删除所述关键点信息序列中的所在次序大于所述数量的关键点信息，以对所述关键点信息序列进行更新。
5.一种用于生成动画的装置，包括：
汇总单元，被配置成逐段从目标语音中提取音频特征，汇总为由各语音片段的音频特征所构成的音频特征序列；
输入单元，被配置成将所述音频特征序列输入至预先训练的嘴型信息预测模型，得到与所述音频特征序列相对应的嘴型信息序列，其中，所述音频特征序列中的音频特征与所述嘴型信息序列中的嘴型信息一一对应；
第一生成单元，被配置成对于所述嘴型信息序列中的嘴型信息，生成包含该嘴型信息所指示的嘴型对象的人脸图像；
第二生成单元，被配置成将所生成的人脸图像作为人脸动画的关键帧，生成人脸动画；
其中，所述嘴型信息序列中的嘴型信息包括所对应的语音片段与各预设音素相匹配的概率；以及所述输入单元进一步被配置成：
对于所述嘴型信息序列中的嘴型信息，将该嘴型信息中的概率最大值所对应的预设音素作为目标音素，基于预设的对应关系信息，确定与所述目标音素相对应的嘴型对象，生成包含所述嘴型对象的人脸图像，其中，所述对应关系信息用于表征音素与嘴型对象的对应关系；或者
所述嘴型信息序列中的嘴型信息包括嘴部区域的关键点信息；以及所述输入单元进一步被配置成：
对于所述嘴型信息序列中的嘴型信息，将该嘴型信息中的关键点信息所指示的关键点作为人脸的嘴部区域的骨骼点，生成人脸图像。
6.根据权利要求5所述的用于生成动画的装置，其中，若所述嘴型信息包括所对应的语音片段与各预设音素相匹配的概率，所述嘴型信息预测模型通过如下步骤训练得到：
提取样本集，其中，所述样本集中的样本包括样本语音和所述样本语音的各语音片段的音素标注；
对于样本集中的样本，逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列；将该样本的音频特征序列作为输入，将该样本中的音素标注作为输出，利用机器学习方法训练得到嘴型信息预测模型。
7.根据权利要求5所述的用于生成动画的装置，其中，若所述嘴型信息包括嘴部区域的关键点信息，所述嘴型信息预测模型通过如下步骤训练得到：
提取样本集，其中，所述样本集中的样本包括同步录制的样本视频和样本语音；
对于样本集中的样本，将该样本中的样本视频中的帧依次进行人脸检测和人脸关键点检测，得到各帧的嘴部区域的关键点信息，汇总为关键点信息序列；逐段从该样本的样本语音中提取音频特征，汇总该样本的音频特征序列，其中，所述关键点信息序列中的关键点信息与该样本的音频特征序列中的音频特征一一对应；基于预设的延迟步长，对所述关键点信息序列和该样本的音频特征序列进行更新；将更新后的音频特征序列作为输入，将更新后的关键点信息序列作为输出，利用机器学习方法训练得到嘴型信息预测模型。
8.根据权利要求7所述的用于生成动画的装置，其中，所述基于预设的延迟步长，对所述关键点信息序列和该样本的音频特征序列进行更新，包括：
删除该样本的音频特征序列中的所在次序不大于所述延迟步长的音频特征，以对该样本的音频特征序列进行更新；
确定更新后的音频特征序列中的音频特征的数量；
删除所述关键点信息序列中的所在次序大于所述数量的关键点信息，以对所述关键点信息序列进行更新。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN201811315036.3A 2018-11-06 2018-11-06 用于生成动画的方法和装置 Active CN109377539B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811315036.3A CN109377539B (zh) 2018-11-06 2018-11-06 用于生成动画的方法和装置
US16/564,546 US10997764B2 (en) 2018-11-06 2019-09-09 Method and apparatus for generating animation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811315036.3A CN109377539B (zh) 2018-11-06 2018-11-06 用于生成动画的方法和装置

Publications (2)

Publication Number Publication Date
CN109377539A CN109377539A (zh) 2019-02-22
CN109377539B true CN109377539B (zh) 2023-04-11

Family

ID=65397418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811315036.3A Active CN109377539B (zh) 2018-11-06 2018-11-06 用于生成动画的方法和装置

Country Status (2)

Country Link
US (1) US10997764B2 (zh)
CN (1) CN109377539B (zh)

Families Citing this family (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136698B (zh) * 2019-04-11 2021-09-24 北京百度网讯科技有限公司 用于确定嘴型的方法、装置、设备和存储介质
CN110277099A (zh) * 2019-06-13 2019-09-24 北京百度网讯科技有限公司 基于语音的嘴型生成方法和装置
CN110288682B (zh) * 2019-06-28 2023-09-26 北京百度网讯科技有限公司 用于控制三维虚拟人像口型变化的方法和装置
CN111739060A (zh) * 2019-08-01 2020-10-02 北京京东尚科信息技术有限公司 识别方法、设备及存储介质
CN110796000B (zh) * 2019-09-18 2023-12-22 平安科技（深圳）有限公司 基于双向lstm的唇形样本生成方法、装置和存储介质
CN110866968A (zh) * 2019-10-18 2020-03-06 平安科技（深圳）有限公司 基于神经网络生成虚拟人物视频的方法及相关设备
CN112992120A (zh) * 2019-12-02 2021-06-18 泛太丝亚企业管理顾问(上海)有限公司 语音转换虚拟脸部图像的方法
CN111212245B (zh) * 2020-01-15 2022-03-25 北京猿力未来科技有限公司 一种合成视频的方法和装置
CN113345057A (zh) * 2020-02-18 2021-09-03 京东方科技集团股份有限公司 动画形象的生成方法、设备及存储介质
CN111311712B (zh) * 2020-02-24 2023-06-16 北京百度网讯科技有限公司 视频帧处理方法和装置
CN113379874B (zh) * 2020-02-25 2023-04-07 武汉Tcl集团工业研究院有限公司 一种人脸动画生成方法、智能终端及存储介质
CN111429885B (zh) * 2020-03-02 2022-05-13 北京理工大学 一种将音频片段映射为人脸嘴型关键点的方法
CN113362353A (zh) * 2020-03-04 2021-09-07 上海分众软件技术有限公司 一种利用合成训练图片识别广告机边框的方法
CN111415677B (zh) * 2020-03-16 2020-12-25 北京字节跳动网络技术有限公司 用于生成视频的方法、装置、设备和介质
CN111432233B (zh) * 2020-03-20 2022-07-19 北京字节跳动网络技术有限公司 用于生成视频的方法、装置、设备和介质
CN111429948B (zh) * 2020-03-27 2023-04-28 南京工业大学 一种基于注意力卷积神经网络的语音情绪识别模型及方法
CN111428672A (zh) * 2020-03-31 2020-07-17 北京市商汤科技开发有限公司 交互对象的驱动方法、装置、设备以及存储介质
CN111459452B (zh) * 2020-03-31 2023-07-18 北京市商汤科技开发有限公司 交互对象的驱动方法、装置、设备以及存储介质
CN111698552A (zh) * 2020-05-15 2020-09-22 完美世界(北京)软件科技发展有限公司 一种视频资源的生成方法和装置
CN113744371B (zh) * 2020-05-29 2024-04-16 武汉Tcl集团工业研究院有限公司 一种生成人脸动画的方法、装置、终端及存储介质
CN113763531B (zh) * 2020-06-05 2023-11-28 北京达佳互联信息技术有限公司 三维人脸重建方法、装置、电子设备及存储介质
CN111741326B (zh) * 2020-06-30 2023-08-18 腾讯科技（深圳）有限公司 视频合成方法、装置、设备及存储介质
CN111915707B (zh) * 2020-07-01 2024-01-09 天津洪恩完美未来教育科技有限公司 一种基于音频信息的口型动画展示方法、装置及存储介质
KR20220012203A (ko) * 2020-07-22 2022-02-03 (주) 애니펜 애니메이션을 저작하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
CN111897976A (zh) * 2020-08-18 2020-11-06 北京字节跳动网络技术有限公司 一种虚拟形象合成方法、装置、电子设备及存储介质
CN112383722B (zh) * 2020-11-13 2023-04-07 北京有竹居网络技术有限公司 用于生成视频的方法和装置
CN112383721B (zh) * 2020-11-13 2023-04-07 北京有竹居网络技术有限公司 用于生成视频的方法、装置、设备和介质
CN112330781A (zh) * 2020-11-24 2021-02-05 北京百度网讯科技有限公司 生成模型和生成人脸动画的方法、装置、设备和存储介质
CN112668407A (zh) * 2020-12-11 2021-04-16 北京大米科技有限公司 人脸关键点生成方法、装置、存储介质及电子设备
CN112580669B (zh) * 2020-12-28 2023-08-01 出门问问(武汉)信息科技有限公司 一种对语音信息的训练方法及装置
CN112785671B (zh) * 2021-01-07 2024-05-17 中国科学技术大学 虚假人脸动画合成方法
CN113592986B (zh) * 2021-01-14 2023-05-23 腾讯科技（深圳）有限公司 基于神经网络的动作生成方法、装置及计算设备
CN112887789B (zh) * 2021-01-22 2023-02-21 北京百度网讯科技有限公司 视频生成模型的构建和视频生成方法、装置、设备及介质
CN112911192A (zh) * 2021-01-28 2021-06-04 维沃移动通信有限公司 视频处理方法、装置和电子设备
CN112861949B (zh) * 2021-01-29 2023-08-04 成都视海芯图微电子有限公司 一种基于人脸和声音的情绪预测方法和***
CN112907706A (zh) * 2021-01-31 2021-06-04 云知声智能科技股份有限公司 基于多模态的声音驱动动漫视频生成方法、装置及***
CN113129925B (zh) * 2021-04-20 2023-08-04 深圳追一科技有限公司 一种基于vc模型的嘴部动作驱动模型训练方法及组件
CN113111813A (zh) * 2021-04-20 2021-07-13 深圳追一科技有限公司 基于asr声学模型的嘴部动作驱动模型训练方法及组件
CN113111812A (zh) * 2021-04-20 2021-07-13 深圳追一科技有限公司 一种嘴部动作驱动模型训练方法及组件
CN113177457A (zh) * 2021-04-23 2021-07-27 平安科技（深圳）有限公司 用户服务方法、装置、设备及计算机可读存储介质
CN113744370B (zh) * 2021-08-12 2022-07-01 北京百度网讯科技有限公司 动画合成方法、装置、电子设备以及存储介质
CN113706669B (zh) * 2021-08-12 2022-09-27 北京百度网讯科技有限公司 动画合成方法、装置、电子设备及存储介质
CN113628309B (zh) * 2021-08-17 2023-09-22 杭州相芯科技有限公司 一种真人语音口型动画生成方法及***、电子设备、存储介质
CN114040126B (zh) * 2021-09-22 2022-09-09 西安深信科创信息技术有限公司 一种文字驱动的人物播报视频生成方法及装置
CN114332671B (zh) * 2021-11-08 2022-11-01 深圳追一科技有限公司 基于视频数据的处理方法、装置、设备及介质
CN114022598B (zh) * 2021-11-09 2024-02-20 北京百度网讯科技有限公司 图像处理方法、模型训练方法、装置、电子设备及介质
CN114245230A (zh) * 2021-11-29 2022-03-25 网易（杭州）网络有限公司 视频的生成方法、装置、电子设备及存储介质
CN114401431B (zh) * 2022-01-19 2024-04-09 中国平安人寿保险股份有限公司 一种虚拟人讲解视频生成方法及相关装置
CN114972592A (zh) * 2022-06-22 2022-08-30 成都潜在人工智能科技有限公司 歌唱嘴型与面部动画生成方法、装置及电子设备
CN116071472B (zh) * 2023-02-08 2024-04-30 华院计算技术(上海)股份有限公司 图像生成方法及装置、计算机可读存储介质、终端
CN117218224A (zh) * 2023-08-21 2023-12-12 华院计算技术(上海)股份有限公司 人脸情绪图像生成方法及装置、可读存储介质、终端
CN116958331B (zh) * 2023-09-20 2024-01-19 四川蜀天信息技术有限公司 一种音画同步的调整方法、装置和电子设备
CN117115312B (zh) * 2023-10-17 2023-12-19 天度(厦门)科技股份有限公司 一种语音驱动面部动画方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6661418B1 (en) * 2001-01-22 2003-12-09 Digital Animations Limited Character animation system
CN101930619A (zh) * 2010-08-25 2010-12-29 中国科学院自动化研究所 基于协同过滤算法的实时语音驱动人脸唇部同步动画***
CN104361620A (zh) * 2014-11-27 2015-02-18 韩慧健 一种基于综合加权算法的口型动画合成方法
WO2018132721A1 (en) * 2017-01-12 2018-07-19 The Regents Of The University Of Colorado, A Body Corporate Method and system for implementing three-dimensional facial modeling and visual speech synthesis
CN108521516A (zh) * 2018-03-30 2018-09-11 百度在线网络技术（北京）有限公司 用于终端设备的控制方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7388586B2 (en) * 2005-03-31 2008-06-17 Intel Corporation Method and apparatus for animation of a human speaker
US9613450B2 (en) * 2011-05-03 2017-04-04 Microsoft Technology Licensing, Llc Photo-realistic synthesis of three dimensional animation with facial features synchronized with speech

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6661418B1 (en) * 2001-01-22 2003-12-09 Digital Animations Limited Character animation system
CN101930619A (zh) * 2010-08-25 2010-12-29 中国科学院自动化研究所 基于协同过滤算法的实时语音驱动人脸唇部同步动画***
CN104361620A (zh) * 2014-11-27 2015-02-18 韩慧健 一种基于综合加权算法的口型动画合成方法
WO2018132721A1 (en) * 2017-01-12 2018-07-19 The Regents Of The University Of Colorado, A Body Corporate Method and system for implementing three-dimensional facial modeling and visual speech synthesis
CN108521516A (zh) * 2018-03-30 2018-09-11 百度在线网络技术（北京）有限公司 用于终端设备的控制方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汉语语音同步的三维口型动画研究;米辉辉 等;《计算机应用研究》;20150430;第32卷(第4期);第1244-1247页 *

Also Published As

Publication number Publication date
US20190392625A1 (en) 2019-12-26
US10997764B2 (en) 2021-05-04
CN109377539A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109377539B (zh) 用于生成动画的方法和装置
CN109859772B (zh) 情绪识别方法、装置及计算机可读存储介质
CN111933110B (zh) 视频生成方法、生成模型训练方法、装置、介质及设备
CN110136698B (zh) 用于确定嘴型的方法、装置、设备和存储介质
CN111415677B (zh) 用于生成视频的方法、装置、设备和介质
US11475897B2 (en) Method and apparatus for response using voice matching user category
CN110246488B (zh) 半优化CycleGAN模型的语音转换方法及装置
CN111599343B (zh) 用于生成音频的方法、装置、设备和介质
KR102346046B1 (ko) 3차원 가상 인물 입모양 변화 제어 방법 및 장치
JP2007507784A (ja) オーディオビジュアルコンテント合成システム及び方法
CN113539240B (zh) 动画生成方法、装置、电子设备和存储介质
CN114895817B (zh) 交互信息处理方法、网络模型的训练方法及装置
CN112309365A (zh) 语音合成模型的训练方法、装置、存储介质以及电子设备
JP2023552854A (ja) ヒューマンコンピュータインタラクション方法、装置、システム、電子機器、コンピュータ可読媒体及びプログラム
CN109947971A (zh) 图像检索方法、装置、电子设备及存储介质
CN114121006A (zh) 虚拟角色的形象输出方法、装置、设备以及存储介质
CN114999441A (zh) 虚拟形象生成方法、装置、设备、存储介质以及程序产品
CN116095357B (zh) 虚拟主播的直播方法、装置及***
CN112383721A (zh) 用于生成视频的方法和装置
CN111415662A (zh) 用于生成视频的方法、装置、设备和介质
CN116366872A (zh) 基于中之人和人工智能的直播方法、装置及***
CN114581570B (zh) 一种三维脸部动作生成方法和***
CN114363531B (zh) 基于h5的文案解说视频生成方法、装置、设备以及介质
CN114999440A (zh) 虚拟形象生成方法、装置、设备、存储介质以及程序产品
CN112634861A (zh) 数据处理方法、装置、电子设备和可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant