CN110347867A - 用于生成嘴唇动作视频的方法和装置 - Google Patents

用于生成嘴唇动作视频的方法和装置 Download PDF

Info

Publication number
CN110347867A
CN110347867A CN201910640823.3A CN201910640823A CN110347867A CN 110347867 A CN110347867 A CN 110347867A CN 201910640823 A CN201910640823 A CN 201910640823A CN 110347867 A CN110347867 A CN 110347867A
Authority
CN
China
Prior art keywords
key point
lip
pronunciation unit
point sequence
lip key
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.)
Granted
Application number
CN201910640823.3A
Other languages
English (en)
Other versions
CN110347867B (zh
Inventor
龙翔
李鑫
刘霄
赵翔
王平
李甫
张赫男
孙昊
文石磊
丁二锐
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 CN201910640823.3A priority Critical patent/CN110347867B/zh
Publication of CN110347867A publication Critical patent/CN110347867A/zh
Application granted granted Critical
Publication of CN110347867B publication Critical patent/CN110347867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • 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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请实施例公开了用于生成嘴唇动作视频的方法和装置。该方法的一具体实施方式包括：获取目标文本；确定目标文本的每个发音单元对应的嘴唇关键点序列；基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。该实施方式提高了生成嘴唇动作视频的效率。

Description

用于生成嘴唇动作视频的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于生成嘴唇动作视频的方法和装置。
背景技术
嘴唇动作视频生成技术是用计算机技术合成指定内容、时间上完全对应、自然流畅的嘴唇动作视频。
目前，常用的嘴唇动作视频生成方式是录制所有可能的发音单元对应的嘴唇动作视频，将待合成的句子拆分为发音单元的序列，将每个发音单元对应的嘴唇动作视频按照指定的时间进行缩放，拼接合成嘴唇动作视频。
发明内容
本申请实施例提出了用于生成嘴唇动作视频的方法和装置。
第一方面，本申请实施例提供了一种用于生成嘴唇动作视频的方法，包括：获取目标文本；确定目标文本的每个发音单元对应的嘴唇关键点序列；基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
在一些实施例中，该方法还包括：利用语音合成技术合成目标文本对应的语音；将目标文本对应的语音融合进目标文本对应的嘴唇动作视频。
在一些实施例中，确定目标文本的每个发音单元对应的嘴唇关键点序列，包括：获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频；对于每个发音单元，确定连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合；从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列。
在一些实施例中，确定连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合，包括：对连续语句的嘴唇动作视频进行嘴唇关键点提取，得到连续语句的嘴唇关键点序列；对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，得到该发音单元的原始嘴唇关键点序列；从连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
在一些实施例中，从连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，包括：基于该发音单元的原始嘴唇关键点序列中的原始嘴唇关键点和连续语句的嘴唇关键点序列中的嘴唇关键点，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置；基于与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置进行路径回溯，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列。
在一些实施例中，从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列，包括：计算该发音单元对应的每个候选嘴唇关键点序列与该发音单元的相邻发音单元对应的每个候选嘴唇关键点序列的相似度；基于所计算的相似度，确定该发音单元对应的嘴唇关键点序列的结束位置；基于该发音单元对应的嘴唇关键点序列的结束位置进行路径回溯，确定该发音单元对应的嘴唇关键点序列。
在一些实施例中，基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列，包括：基于目标文本对应的语音，确定每个发音单元的起止时间；将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内，生成目标文本对应的嘴唇关键点序列。
在一些实施例中，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内，包括：在时序上对每个发音单元对应的嘴唇关键点序列进行线性插值，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。
在一些实施例中，在将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内之后，还包括：对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
在一些实施例中，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理，包括：选取相邻的发音单元中的前一个发音单元对应的后预设时长的嘴唇关键点序列片段和后一发音单元对应的前预设时长的嘴唇关键点序列片段；基于所选取出的嘴唇关键点，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
在一些实施例中，图像合成网络通过如下步骤训练得到：获取训练样本，其中，训练样本包括样本嘴唇关键点和样本嘴唇动作图像；将样本嘴唇关键点作为输入，将样本嘴唇动作图像作为输出，训练得到图像合成网络。
在一些实施例中，样本嘴唇动作图像是从目标人物预先录制的连续语句的嘴唇动作视频中抽取的图像，样本嘴唇关键点是对所抽取的图像进行嘴唇关键点提取所得到的嘴唇关键点。
第二方面，本申请实施例提供了一种用于生成嘴唇动作视频的装置，包括：文本获取单元，被配置成获取目标文本；序列确定单元，被配置成确定目标文本的每个发音单元对应的嘴唇关键点序列；序列生成单元，被配置成基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；图像合成单元，被配置成将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；视频生成单元，被配置成拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
在一些实施例中，该装置还包括：语音合成单元，被配置成利用语音合成技术合成目标文本对应的语音；语音融合单元，被配置成将目标文本对应的语音融合进目标文本对应的嘴唇动作视频。
在一些实施例中，序列确定单元，包括：视频获取子单元，被配置成获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频；集合生成子单元，被配置成对于每个发音单元，确定连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合；序列确定子单元，被配置成从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列。
在一些实施例中，集合生成子单元，包括：第一提取模块，被配置成对连续语句的嘴唇动作视频进行嘴唇关键点提取，得到连续语句的嘴唇关键点序列；第二提取模块，被配置成对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，得到该发音单元的原始嘴唇关键点序列；集合生成模块，被配置成从连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
在一些实施例中，集合生成模块进一步被配置成：基于该发音单元的原始嘴唇关键点序列中的原始嘴唇关键点和连续语句的嘴唇关键点序列中的嘴唇关键点，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置；基于与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置进行路径回溯，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列。
在一些实施例中，序列确定子单元进一步被配置成：计算该发音单元对应的每个候选嘴唇关键点序列与该发音单元的相邻发音单元对应的每个候选嘴唇关键点序列的相似度；基于所计算的相似度，确定该发音单元对应的嘴唇关键点序列的结束位置；基于该发音单元对应的嘴唇关键点序列的结束位置进行路径回溯，确定该发音单元对应的嘴唇关键点序列。
在一些实施例中，序列生成单元，包括：时间确定子单元，被配置成基于目标文本对应的语音，确定每个发音单元的起止时间；序列生成子单元，被配置成将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内，生成目标文本对应的嘴唇关键点序列。
在一些实施例中，序列生成子单元，包括：线性插值模块，被配置成在时序上对每个发音单元对应的嘴唇关键点序列进行线性插值，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。
在一些实施例中，序列生成子单元，还包括：平滑处理模块，被配置成对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
在一些实施例中，平滑处理模块进一步被配置成：选取相邻的发音单元中的前一个发音单元对应的后预设时长的嘴唇关键点序列片段和后一发音单元对应的前预设时长的嘴唇关键点序列片段；基于所选取出的嘴唇关键点，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
在一些实施例中，图像合成网络通过如下步骤训练得到：获取训练样本，其中，训练样本包括样本嘴唇关键点和样本嘴唇动作图像；将样本嘴唇关键点作为输入，将样本嘴唇动作图像作为输出，训练得到图像合成网络。
在一些实施例中，样本嘴唇动作图像是从目标人物预先录制的连续语句的嘴唇动作视频中抽取的图像，样本嘴唇关键点是对所抽取的图像进行嘴唇关键点提取所得到的嘴唇关键点。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：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第一方面中任一实现方式描述的方法。
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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成嘴唇动作视频的方法和装置，首先确定所获取的目标文本的每个发音单元对应的嘴唇关键点序列；之后基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；然后将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；最后拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。从而提高了生成嘴唇动作视频的效率。
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是本申请可以应用于其中的示例性***架构；
图2是根据本申请的用于生成嘴唇动作视频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嘴唇动作视频的方法的又一个实施例的流程图；
图4是根据本申请的用于生成嘴唇动作视频的方法的另一个实施例的流程图；
图5是根据本申请的用于生成嘴唇动作视频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嘴唇动作视频的方法或用于生成嘴唇动作视频的装置的实施例的示例性***架构100。
如图1所示，***架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种客户端软件，例如视频生成类应用等。
终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有显示屏并且支持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、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器。例如视频生成服务器。视频生成服务器可以对目标文本等数据进行分析等处理，生成处理结果(例如目标文本对应的嘴唇动作视频)，并将处理结果推送给终端设备101。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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用于生成嘴唇动作视频的方法一般由服务器103执行，相应地，用于生成嘴唇动作视频的装置一般设置于服务器103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，其示出了根据本申请的用于生成嘴唇动作视频的方法的一个实施例的流程200。该用于生成嘴唇动作视频的方法，包括以下步骤：
步骤201，获取目标文本。
在本实施例中，用于生成嘴唇动作视频的方法的执行主体(例如图1所示的服务器103)可以从与其通信连接的终端设备(例如图1所示的终端设备101)获取目标文本。实践中，用户可以打开终端设备上安装的视频生成类应用，输入目标文本，并提交至上述执行主体。
步骤202，确定目标文本的每个发音单元对应的嘴唇关键点序列。
在本实施例中，上述执行主体可以确定目标文本的每个发音单元对应的嘴唇关键点序列。
这里，发音单元可以是人类说话的某一粒度的发音单元。例如，对于中文，发音单元既可以是拼音组合，也可以是单一韵母声母等等。通常，发音单元被拆分的粒度越小，其数量就越少，基于文本标注发音单元的难度越低；发音单元被拆分的粒度越大，其数量越多，基于发音单元合成的嘴唇动作视频越流畅。这里，上述执行主体可以根据需求，选取合适的拆分粒度，将目标文本拆分为发音单元序列。
通常，在目标人物发出不同发音单元的过程中，其嘴唇对应不同的唇形变化过程。每个发音单元对应的嘴唇关键点序列可以是目标人物发出每个发音单元的唇形变化过程中的每个时刻的嘴唇关键点组合而成的序列。其中，目标人物可以是希望合成的嘴唇动作视频中的人物，该人物可以为任意指定人物。嘴唇关键点可以包括嘴唇中心和嘴唇角度等。嘴唇关键点可以用向量表示，即中心角度归一化后的单个嘴唇对应的所有关键点的坐标依次拼接成的一维向量。
步骤203，基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列。
在本实施例中，上述执行主体可以基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列。例如，上述执行主体可以按照每个发音单元在目标文本中的位置，依次拼接每个发音单元对应的嘴唇关键点序列，得到目标文本对应的嘴唇关键点序列。
步骤204，将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列。
在本实施例中，上述执行主体可以将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，以得到目标文本对应的嘴唇动作图像序列。其中，图像合成网络可以用于合成嘴唇动作图像，表征嘴唇关键点与嘴唇动作图像之间的对应关系。
在本实施例的一些可选的实现方式中，图像合成网络可以是利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练而得到的。通常，图像合成网络可以采用pix2pixHD神经网络结构，以生成高分辨率的嘴唇动作图像。
这里，图像合成网络可以通过如下步骤训练得到：
首先，获取训练样本。
其中，训练样本可以包括样本嘴唇关键点和样本嘴唇动作图像。样本嘴唇动作图像可以是从目标人物预先录制的连续语句的嘴唇动作视频中抽取的图像。样本嘴唇关键点可以是对所抽取的图像进行嘴唇关键点提取所得到的嘴唇关键点。
然后，将样本嘴唇关键点作为输入，将样本嘴唇动作图像作为输出，训练得到图像合成网络。
步骤205，拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
在本实施例中，上述执行主体可以拼接目标文本对应的嘴唇动作图像序列，以生成目标文本对应的嘴唇动作视频。
在本实施例的一些可选的实现方式中，上述执行主体还可以首先利用语音合成技术合成目标文本对应的语音；然后将目标文本对应的语音融合进目标文本对应的嘴唇动作视频。
本申请实施例提供的用于生成嘴唇动作视频的方法，首先确定所获取的目标文本的每个发音单元对应的嘴唇关键点序列；之后基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；然后将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；最后拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。从而提高了生成嘴唇动作视频的效率。
进一步参考图3，其示出了根据本申请的用于生成嘴唇动作视频的方法的又一个实施例的流程300。该用于生成嘴唇动作视频的方法，包括以下步骤：
步骤301，获取目标文本。
在本实施例中，步骤301的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。
步骤302，获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频。
在本实施例中，用于生成嘴唇动作视频的方法的执行主体(例如图1所示的服务器103)可以获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频。
通常，本实施例需要预先录制两种数据。其一，目标人物的连续语句的嘴唇动作视频。即，录制目标人物说目标语言的连续语句的嘴唇动作视频，并对嘴唇中心和角度进行规范化所得到的视频。其中，目标语言可以是希望合成的嘴唇动作视频中的人物所说的语言种类，其可以是任意单一语言种类，也可以是多种语言种类组成的集合。多种语言种类将会有更多的发音单元，对数据标注和计算能力有更高的要求。其二，目标人物的每个发音单元的原始嘴唇动作视频。即，录制目标人物说每个发音单元的嘴唇动作视频，标注每个发音单元的发音开始时间和终止时间，截取出开始时间到终止时间的部分，并对嘴唇中心和角度进行规划化所得到的视频。
步骤303，对于每个发音单元，确定连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
在本实施例中，对于每个发音单元，上述执行主体可以确定连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，以生成该发音单元对应的候选嘴唇关键点序列集合。
在本实施例的一些可选的实现方式中，对于每个发音单元，上述执行主体可以从连续语句的嘴唇动作视频中查找出大量与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段，并分别对所查找到的嘴唇动作视频片段进行嘴唇关键点提取，以生成该发音单元对应的候选嘴唇关键点序列集合。
在本实施例的一些可选的实现方式中，上述执行主体可以首先对连续语句的嘴唇动作视频进行嘴唇关键点提取，得到连续语句的嘴唇关键点序列；然后对于每个发音单元，对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，得到该发音单元的原始嘴唇关键点序列；最后从连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
步骤304，从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列。
在本实施例中，上述执行主体可以从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列。通常，上述执行主体可以从该发音单元对应的候选嘴唇关键点序列集合中选取出能够与相邻发音单元对应的嘴唇关键点序列自然衔接过渡的候选嘴唇关键点序列，作为该发音单元对应的嘴唇关键点序列。
步骤305，利用语音合成技术合成目标文本对应的语音。
在本实施例中，上述执行主体可以利用语音合成技术合成目标文本对应的语音。
步骤306，基于目标文本对应的语音，确定每个发音单元的起止时间。
在本实施例中，上述执行主体可以基于目标文本对应的语音，确定每个发音单元的起止时间。通常，发音单元的起止时间可以由语音合成***决定，现有的语音合成***都能够得到发音单元的起止时间。
步骤307，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。
在本实施例中，上述执行主体可以将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。通常，上述执行主体可以将每个发音单元对应的嘴唇关键点序列拓展或压缩到对应的起止时间中。例如，上述执行主体可以在时序上对每个发音单元对应的嘴唇关键点序列进行线性插值，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。
步骤308，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理，生成目标文本对应的嘴唇关键点序列。
在本实施例中，上述执行主体可以对相邻的发音单元对应的嘴唇关键点序列进行平滑处理，以生成目标文本对应的嘴唇关键点序列。例如，上述执行主体可以首先选取相邻的发音单元中的前一个发音单元对应的后预设时长的嘴唇关键点序列片段和后一发音单元对应的前预设时长的嘴唇关键点序列片段；然后基于所选取出的嘴唇关键点，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
例如，若要在相邻的两个发音单元之间进行过渡，那么就需要取前一个发音单元后β毫秒(β根据发音单元长度适当选取，例如对于中文拼音，可取30毫秒)的嘴唇关键点序列片段(x0,...,xL)和后一发音单元的前β毫秒的嘴唇关键点序列片段(y0,...,yL)，采用下列公式进行平滑：
xi＝xi+i(y0-xL)/2L，其中，i＝0,1,...,L；
yj＝yj-(L-j)(y0-xL)/2L，其中，j＝0,1,...,L。
步骤309，将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列。
步骤310，拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
在本实施例中，步骤309-310的具体操作已在图2所示的实施例中步骤204-205中进行了详细的介绍，在此不再赘述。
步骤311，将目标文本对应的语音融合进目标文本对应的嘴唇动作视频。
在本实施例中，上述执行主体可以将目标文本对应的语音融合进目标文本对应的嘴唇动作视频。
从图3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嘴唇动作视频的方法的流程300突出了将发音单元对应的嘴唇关键点序列与发音单元对应的起止时间进行匹配的步骤。由此，本实施例描述的方案提高了目标文本对应的嘴唇动作视频与目标文本对应的语音的匹配度，从而使生成的嘴唇动作视频更加自然流畅。
进一步参考图4，其示出了根据本申请的用于生成嘴唇动作视频的方法的另一个实施例的流程400。该用于生成嘴唇动作视频的方法，包括以下步骤：
步骤401，获取目标文本。
步骤402，获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频。
在本实施例中，步骤401-402的具体操作已在图2所示的实施例中步骤301-302中进行了详细的介绍，在此不再赘述。
步骤403，对连续语句的嘴唇动作视频进行嘴唇关键点提取，得到连续语句的嘴唇关键点序列。
在本实施例中，用于生成嘴唇动作视频的方法的执行主体(例如图1所示的服务器103)可以对连续语句的嘴唇动作视频进行嘴唇关键点提取，以得到连续语句的嘴唇关键点序列。例如，连续语句的嘴唇关键点序列可以为(c1,...,cM)。
步骤404，对于每个发音单元，对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，得到该发音单元的原始嘴唇关键点序列。
在本实施例中，对于每个发音单元，上述执行主体可以对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，以得到该发音单元的原始嘴唇关键点序列。例如，发音单元的原始嘴唇关键点序列可以为(a1,...,aN)。
步骤405，基于该发音单元的原始嘴唇关键点序列中的原始嘴唇关键点和连续语句的嘴唇关键点序列中的嘴唇关键点，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置。
在本实施例中，上述执行主体可以基于该发音单元的原始嘴唇关键点序列中的原始嘴唇关键点和连续语句的嘴唇关键点序列中的嘴唇关键点，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置。
步骤406，基于与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置进行路径回溯，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
在本实施例中，上述执行主体可以基于与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置进行路径回溯，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，以，生成该发音单元对应的候选嘴唇关键点序列集合。
例如，与发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列为这里，我们可以通过序列相似性动态规范算法找出前α个最相似的嘴唇关键点序列。具体算法如下：
首先，初始化s(0,0)＝0。
然后，应用迭代公式计算所有s(i,j)，其中，i＝1,...,N，j＝1,...,M：
并根据具体的选择情况，记录对应的最佳路径p(i,j)：
其中，ρ1，ρ2，ρ3为惩罚参数，是大于0的实数，根据视频的尺寸和语速等进行选择。
最后，找到最大的前α个s(N,j)，其中的j则为其对应的嘴唇关键点序列的结束位置，根据p(i,j)进行路径回溯，找到对应的整个嘴唇关键点序列。这样就得到了α个与发音单元的原始嘴唇关键点序列最相似的嘴唇关键点序列。
步骤407，计算该发音单元对应的每个候选嘴唇关键点序列与该发音单元的相邻发音单元对应的每个候选嘴唇关键点序列的相似度。
在本实施例中，上述执行主体可以计算该发音单元对应的每个候选嘴唇关键点序列与该发音单元的相邻发音单元对应的每个候选嘴唇关键点序列的相似度。
步骤408，基于所计算的相似度，确定该发音单元对应的嘴唇关键点序列的结束位置。
在本实施例中，上述执行主体可以基于所计算的相似度，确定该发音单元对应的嘴唇关键点序列的结束位置。
步骤409，基于该发音单元对应的嘴唇关键点序列的结束位置进行路径回溯，确定该发音单元对应的嘴唇关键点序列。
在本实施例中，上述执行主体可以基于该发音单元对应的嘴唇关键点序列的结束位置进行路径回溯，确定该发音单元对应的嘴唇关键点序列。
例如，目标文本可以直接转换为发音单元序列，根据发音单元序列，得到每个位置的α个候选序列：
({X1,1,...,X1,α},...,{XT,1,...,XT,α})。
我们需要在每个位置都选择一个最合适的候选，使得相邻的发音单元的衔接最好。即，前一段嘴唇关键点序列的最后一组嘴唇关键点和后一段嘴唇关键点序列的第一组嘴唇关键点最相似。这里，用嘴唇关键点向量的距离来衡量相似性，这里简单记为我们可以通过临接相似性动态规划算法找到全局最优的嘴唇关键点序列。具体算法如下：
首先，初始化d(1,k)＝0，其中，k＝1,...,α。
然后，应用迭代公式计算所有d(i,k)＝0，其中，i＝1,...,T；k＝1,...,α。
并记录最佳路径q(i,j)：
最后，找到最小的d(T,kT)，则对于第T个发音单元我们取第kT个候选作为其嘴唇关键点序列，根据q(i,j)进行路径回溯，我们可以得到所有的ki，i＝1,...,T。这样就得到了最佳衔接的嘴唇关键点候选序列
步骤410，基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列。
步骤411，将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列。
步骤412，拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
在本实施例中，步骤410-412的具体操作已在图2所示的实施例中步骤203-205中进行了详细的介绍，在此不再赘述。
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嘴唇动作视频的方法的流程400突出了确定发音单元对应的嘴唇关键点序列的步骤。由此，本实施例描述的方案使相邻的发音单元自然衔接过渡，从而使生成的嘴唇动作视频更加自然流畅。
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嘴唇动作视频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，本实施例的用于生成嘴唇动作视频的装置500可以包括：文本获取单元501、序列确定单元502、序列生成单元503、图像合成单元504和视频生成单元505。其中，文本获取单元501，被配置成获取目标文本；序列确定单元502，被配置成确定目标文本的每个发音单元对应的嘴唇关键点序列；序列生成单元503，被配置成基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；图像合成单元504，被配置成将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；视频生成单元505，被配置成拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
在本实施例中，用于生成嘴唇动作视频的装置500中：文本获取单元501、序列确定单元502、序列生成单元503、图像合成单元504和视频生成单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，用于生成嘴唇动作视频的装置500还包括：语音合成单元(图中未示出)，被配置成利用语音合成技术合成目标文本对应的语音；语音融合单元(图中未示出)，被配置成将目标文本对应的语音融合进目标文本对应的嘴唇动作视频。
在本实施例的一些可选的实现方式中，序列确定单元502包括：视频获取子单元(图中未示出)，被配置成获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频；集合生成子单元(图中未示出)，被配置成对于每个发音单元，确定连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合；序列确定子单元(图中未示出)，被配置成从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列。
在本实施例的一些可选的实现方式中，集合生成子单元，包括：第一提取模块(图中未示出)，被配置成对连续语句的嘴唇动作视频进行嘴唇关键点提取，得到连续语句的嘴唇关键点序列；第二提取模块(图中未示出)，被配置成对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，得到该发音单元的原始嘴唇关键点序列；集合生成模块(图中未示出)，被配置成从连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
在本实施例的一些可选的实现方式中，集合生成模块进一步被配置成：基于该发音单元的原始嘴唇关键点序列中的原始嘴唇关键点和连续语句的嘴唇关键点序列中的嘴唇关键点，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置；基于与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置进行路径回溯，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列。
在本实施例的一些可选的实现方式中，序列确定子单元进一步被配置成：计算该发音单元对应的每个候选嘴唇关键点序列与该发音单元的相邻发音单元对应的每个候选嘴唇关键点序列的相似度；基于所计算的相似度，确定该发音单元对应的嘴唇关键点序列的结束位置；基于该发音单元对应的嘴唇关键点序列的结束位置进行路径回溯，确定该发音单元对应的嘴唇关键点序列。
在本实施例的一些可选的实现方式中，序列生成单元503包括：时间确定子单元(图中未示出)，被配置成基于目标文本对应的语音，确定每个发音单元的起止时间；序列生成子单元(图中未示出)，被配置成将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内，生成目标文本对应的嘴唇关键点序列。
在本实施例的一些可选的实现方式中，序列生成子单元包括：线性插值模块(图中未示出)，被配置成在时序上对每个发音单元对应的嘴唇关键点序列进行线性插值，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。
在本实施例的一些可选的实现方式中，序列生成子单元还包括：平滑处理模块(图中未示出)，被配置成对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
在本实施例的一些可选的实现方式中，平滑处理模块进一步被配置成：选取相邻的发音单元中的前一个发音单元对应的后预设时长的嘴唇关键点序列片段和后一发音单元对应的前预设时长的嘴唇关键点序列片段；基于所选取出的嘴唇关键点，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
在本实施例的一些可选的实现方式中，图像合成网络通过如下步骤训练得到：获取训练样本，其中，训练样本包括样本嘴唇关键点和样本嘴唇动作图像；将样本嘴唇关键点作为输入，将样本嘴唇动作图像作为输出，训练得到图像合成网络。
在本实施例的一些可选的实现方式中，样本嘴唇动作图像是从目标人物预先录制的连续语句的嘴唇动作视频中抽取的图像，样本嘴唇关键点是对所抽取的图像进行嘴唇关键点提取所得到的嘴唇关键点。
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(例如图1所示的服务器103)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：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、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，诸如磁盘、光盘、磁光盘、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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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：一种处理器包括文本获取单元、序列确定单元、序列生成单元、图像合成单元和视频生成单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，文本获取单元还可以被描述为“获取目标文本的单元”。
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电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。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电子设备执行时，使得该电子设备：获取目标文本；确定目标文本的每个发音单元对应的嘴唇关键点序列；基于每个发音单元对应的嘴唇关键点序列，生成目标文本对应的嘴唇关键点序列；将目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到目标文本对应的嘴唇动作图像序列；拼接目标文本对应的嘴唇动作图像序列，生成目标文本对应的嘴唇动作视频。
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 (15)

1.一种用于生成嘴唇动作视频的方法，包括：
获取目标文本；
确定所述目标文本的每个发音单元对应的嘴唇关键点序列；
基于每个发音单元对应的嘴唇关键点序列，生成所述目标文本对应的嘴唇关键点序列；
将所述目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到所述目标文本对应的嘴唇动作图像序列；
拼接所述目标文本对应的嘴唇动作图像序列，生成所述目标文本对应的嘴唇动作视频。
2.根据权利要求1所述的方法，其中，所述方法还包括：
利用语音合成技术合成所述目标文本对应的语音；
将所述目标文本对应的语音融合进所述目标文本对应的嘴唇动作视频。
3.根据权利要求1所述的方法，其中，所述确定所述目标文本的每个发音单元对应的嘴唇关键点序列，包括：
获取目标人物预先录制的连续语句的嘴唇动作视频和每个发音单元的原始嘴唇动作视频；
对于每个发音单元，确定所述连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合；
从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列。
4.根据权利要求3所述的方法，其中，所述确定所述连续语句的嘴唇动作视频中与该发音单元的原始嘴唇动作视频相似的嘴唇动作视频片段对应的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合，包括：
对所述连续语句的嘴唇动作视频进行嘴唇关键点提取，得到所述连续语句的嘴唇关键点序列；
对该发音单元的原始嘴唇动作视频进行嘴唇关键点提取，得到该发音单元的原始嘴唇关键点序列；
从所述连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，生成该发音单元对应的候选嘴唇关键点序列集合。
5.根据权利要求4所述的方法，其中，所述从所述连续语句的嘴唇关键点序列中确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列，包括：
基于该发音单元的原始嘴唇关键点序列中的原始嘴唇关键点和所述连续语句的嘴唇关键点序列中的嘴唇关键点，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置；
基于与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列的结束位置进行路径回溯，确定与该发音单元的原始嘴唇关键点序列相似的嘴唇关键点序列。
6.根据权利要求3所述的方法，其中，所述从该发音单元对应的候选嘴唇关键点序列集合中确定该发音单元对应的嘴唇关键点序列，包括：
计算该发音单元对应的每个候选嘴唇关键点序列与该发音单元的相邻发音单元对应的每个候选嘴唇关键点序列的相似度；
基于所计算的相似度，确定该发音单元对应的嘴唇关键点序列的结束位置；
基于该发音单元对应的嘴唇关键点序列的结束位置进行路径回溯，确定该发音单元对应的嘴唇关键点序列。
7.根据权利要求2所述的方法，其中，所述基于每个发音单元对应的嘴唇关键点序列，生成所述目标文本对应的嘴唇关键点序列，包括：
基于所述目标文本对应的语音，确定每个发音单元的起止时间；
将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内，生成所述目标文本对应的嘴唇关键点序列。
8.根据权利要求7所述的方法，其中，所述将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内，包括：
在时序上对每个发音单元对应的嘴唇关键点序列进行线性插值，将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内。
9.根据权利要求7所述的方法，其中，在所述将每个发音单元对应的嘴唇关键点序列匹配到每个发音单元对应的起止时间内之后，还包括：
对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
10.根据权利要求9所述的方法，其中，所述对相邻的发音单元对应的嘴唇关键点序列进行平滑处理，包括：
选取相邻的发音单元中的前一个发音单元对应的后预设时长的嘴唇关键点序列片段和后一发音单元对应的前预设时长的嘴唇关键点序列片段；
基于所选取出的嘴唇关键点，对相邻的发音单元对应的嘴唇关键点序列进行平滑处理。
11.根据权利要求1-10之一所述的方法，其中，所述图像合成网络通过如下步骤训练得到：
获取训练样本，其中，所述训练样本包括样本嘴唇关键点和样本嘴唇动作图像；
将所述样本嘴唇关键点作为输入，将所述样本嘴唇动作图像作为输出，训练得到所述图像合成网络。
12.根据权利要求11所述的方法，其中，所述样本嘴唇动作图像是从目标人物预先录制的连续语句的嘴唇动作视频中抽取的图像，所述样本嘴唇关键点是对所抽取的图像进行嘴唇关键点提取所得到的嘴唇关键点。
13.一种用于生成嘴唇动作视频的装置，包括：
文本获取单元，被配置成获取目标文本；
序列确定单元，被配置成确定所述目标文本的每个发音单元对应的嘴唇关键点序列；
序列生成单元，被配置成基于每个发音单元对应的嘴唇关键点序列，生成所述目标文本对应的嘴唇关键点序列；
图像合成单元，被配置成将所述目标文本对应的嘴唇关键点序列输入至预先训练的图像合成网络，得到所述目标文本对应的嘴唇动作图像序列；
视频生成单元，被配置成拼接所述目标文本对应的嘴唇动作图像序列，生成所述目标文本对应的嘴唇动作视频。
14.一种电子设备，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1-12中任一所述的方法。
15.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-12中任一所述的方法。
CN201910640823.3A 2019-07-16 2019-07-16 用于生成嘴唇动作视频的方法和装置 Active CN110347867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910640823.3A CN110347867B (zh) 2019-07-16 2019-07-16 用于生成嘴唇动作视频的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910640823.3A CN110347867B (zh) 2019-07-16 2019-07-16 用于生成嘴唇动作视频的方法和装置

Publications (2)

Publication Number Publication Date
CN110347867A true CN110347867A (zh) 2019-10-18
CN110347867B CN110347867B (zh) 2022-04-19

Family

ID=68175446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910640823.3A Active CN110347867B (zh) 2019-07-16 2019-07-16 用于生成嘴唇动作视频的方法和装置

Country Status (1)

Country Link
CN (1) CN110347867B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111147894A (zh) * 2019-12-09 2020-05-12 苏宁智能终端有限公司 一种手语视频的生成方法、装置及***
CN111261187A (zh) * 2020-02-04 2020-06-09 清华珠三角研究院 一种将语音转换成唇形的方法、***、装置和存储介质
CN112131988A (zh) * 2020-09-14 2020-12-25 北京百度网讯科技有限公司 确定虚拟人物唇形的方法、装置、设备和计算机存储介质
CN112381926A (zh) * 2020-11-13 2021-02-19 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
CN112752118A (zh) * 2020-12-29 2021-05-04 北京字节跳动网络技术有限公司 视频生成方法、装置、设备及存储介质
CN113077819A (zh) * 2021-03-19 2021-07-06 北京有竹居网络技术有限公司 发音评价方法和装置、存储介质和电子设备
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
CN113223123A (zh) * 2021-05-21 2021-08-06 北京大米科技有限公司 图像处理方法和图像处理装置
CN113642394A (zh) * 2021-07-07 2021-11-12 北京搜狗科技发展有限公司 一种虚拟对象的动作处理方法、装置和介质
CN113744368A (zh) * 2021-08-12 2021-12-03 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
CN113873297A (zh) * 2021-10-18 2021-12-31 深圳追一科技有限公司 一种数字人物视频的生成方法及相关装置
CN114173188A (zh) * 2021-10-18 2022-03-11 深圳追一科技有限公司 视频生成方法、电子设备、存储介质和数字人服务器
CN116579298A (zh) * 2022-01-30 2023-08-11 腾讯科技（深圳）有限公司 一种视频生成方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751692A (zh) * 2009-12-24 2010-06-23 四川大学 语音驱动唇形动画的方法
CN103971393A (zh) * 2013-01-29 2014-08-06 株式会社东芝 计算机生成的头部
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
US20150279364A1 (en) * 2014-03-29 2015-10-01 Ajay Krishnan Mouth-Phoneme Model for Computerized Lip Reading
CN109409195A (zh) * 2018-08-30 2019-03-01 华侨大学 一种基于神经网络的唇语识别方法及***
CN109637518A (zh) * 2018-11-07 2019-04-16 北京搜狗科技发展有限公司 虚拟主播实现方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101751692A (zh) * 2009-12-24 2010-06-23 四川大学 语音驱动唇形动画的方法
CN103971393A (zh) * 2013-01-29 2014-08-06 株式会社东芝 计算机生成的头部
US20150279364A1 (en) * 2014-03-29 2015-10-01 Ajay Krishnan Mouth-Phoneme Model for Computerized Lip Reading
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
CN109409195A (zh) * 2018-08-30 2019-03-01 华侨大学 一种基于神经网络的唇语识别方法及***
CN109637518A (zh) * 2018-11-07 2019-04-16 北京搜狗科技发展有限公司 虚拟主播实现方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHRISTOPH BREGLER: "Video Rewrite: Driving Visual Speech with Audio", 《ACM SIGGRAPH》 *
赖伟: "一种基于三维模型和照片的合成"说话头"", 《中国图象图形学报》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111147894A (zh) * 2019-12-09 2020-05-12 苏宁智能终端有限公司 一种手语视频的生成方法、装置及***
CN111261187B (zh) * 2020-02-04 2023-02-14 清华珠三角研究院 一种将语音转换成唇形的方法、***、装置和存储介质
CN111261187A (zh) * 2020-02-04 2020-06-09 清华珠三角研究院 一种将语音转换成唇形的方法、***、装置和存储介质
CN112131988A (zh) * 2020-09-14 2020-12-25 北京百度网讯科技有限公司 确定虚拟人物唇形的方法、装置、设备和计算机存储介质
CN112131988B (zh) * 2020-09-14 2024-03-26 北京百度网讯科技有限公司 确定虚拟人物唇形的方法、装置、设备和计算机存储介质
CN112381926A (zh) * 2020-11-13 2021-02-19 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
CN112752118A (zh) * 2020-12-29 2021-05-04 北京字节跳动网络技术有限公司 视频生成方法、装置、设备及存储介质
CN113077819A (zh) * 2021-03-19 2021-07-06 北京有竹居网络技术有限公司 发音评价方法和装置、存储介质和电子设备
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
CN113223123A (zh) * 2021-05-21 2021-08-06 北京大米科技有限公司 图像处理方法和图像处理装置
CN113642394A (zh) * 2021-07-07 2021-11-12 北京搜狗科技发展有限公司 一种虚拟对象的动作处理方法、装置和介质
WO2023279960A1 (zh) * 2021-07-07 2023-01-12 北京搜狗科技发展有限公司 虚拟对象的动作处理方法、装置和存储介质
CN113642394B (zh) * 2021-07-07 2024-06-11 北京搜狗科技发展有限公司 一种虚拟对象的动作处理方法、装置和介质
CN113744368A (zh) * 2021-08-12 2021-12-03 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
CN114173188A (zh) * 2021-10-18 2022-03-11 深圳追一科技有限公司 视频生成方法、电子设备、存储介质和数字人服务器
CN113873297A (zh) * 2021-10-18 2021-12-31 深圳追一科技有限公司 一种数字人物视频的生成方法及相关装置
CN113873297B (zh) * 2021-10-18 2024-04-30 深圳追一科技有限公司 一种数字人物视频的生成方法及相关装置
CN116579298A (zh) * 2022-01-30 2023-08-11 腾讯科技（深圳）有限公司 一种视频生成方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110347867B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN110347867A (zh) 用于生成嘴唇动作视频的方法和装置
CN109377539B (zh) 用于生成动画的方法和装置
US11158102B2 (en) Method and apparatus for processing information
CN107945786B (zh) 语音合成方法和装置
CN108763190B (zh) 基于语音的口型动画合成装置、方法及可读存储介质
CN107464554B (zh) 语音合成模型生成方法和装置
CN108806665A (zh) 语音合成方法和装置
CN109754783A (zh) 用于确定音频语句的边界的方法和装置
CN108877782A (zh) 语音识别方法和装置
CN108989882A (zh) 用于输出视频中的音乐片段的方法和装置
US20200410731A1 (en) Method and apparatus for controlling mouth shape changes of three-dimensional virtual portrait
CN107481715B (zh) 用于生成信息的方法和装置
CN107707745A (zh) 用于提取信息的方法和装置
US20240070397A1 (en) Human-computer interaction method, apparatus and system, electronic device and computer medium
CN110446066B (zh) 用于生成视频的方法和装置
US11968433B2 (en) Systems and methods for generating synthetic videos based on audio contents
CN110880198A (zh) 动画生成方法和装置
CN109545193A (zh) 用于生成模型的方法和装置
CN113299312A (zh) 一种图像生成方法、装置、设备以及存储介质
CN109697978A (zh) 用于生成模型的方法和装置
CN109784128A (zh) 具有文本及语音处理功能的混合现实智能眼镜
CN110534085A (zh) 用于生成信息的方法和装置
CN109582825A (zh) 用于生成信息的方法和装置
CN112735371A (zh) 一种基于文本信息生成说话人视频的方法及装置
CN109920431A (zh) 用于输出信息的方法和装置

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