CN110189394A - 口型生成方法、装置及电子设备 - Google Patents

Abstract

本公开实施例中提供了一种口型生成方法、装置及电子设备，属于数据处理技术领域，该方法包括：获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画；基于所述采样频率和所述帧频，确定所述音频文件的音频向量；通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值；基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值；基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。通过本公开的方案，提高了图片口型合成的准确性。

Description

口型生成方法、装置及电子设备

技术领域

本公开涉及数据处理技术领域，尤其涉及一种口型生成方法、装置及电子设备。

背景技术

随着互联网技术的发展，在动漫视频或在线直播应用程序中，通常会涉及到一些图像显示需要与音频互相配合的对话场景。在这些场景动画中，通常要求场景角色根据实际的语音内容来显示不同的口型，例如，在惊讶的与语气场景中，需要张大嘴巴的口型，在微笑的语气场景中，需要闭合嘴巴同时嘴角上翘的口型。

不同场景的需要导致口型能够动态的进行变化，针对这种需求，通常的做法是预先录制多种不同口型的动画，在需要不同的口型时，就直接调用需要的口型动画，这样随着实际场景的变化，被调用的口型动画也在不断的变化。由于口型为提前录制，这种方式显示的口型动画通常较为机械，同时，不同的场景进行切换时，口型的切换也不够自然。

在一些应用场景中，例如计算机辅助发音训练的应用场景，需要在播放语音数据时，动态地展示说话人的口型变化情况，而直接调用口型动画的方式无法展示与合成的语音数据匹配的、并具有真实感的口型动画。同时现有技术中通过对语音进行频率分析等方式进行动画匹配的方法存在计算复杂，消耗较多计算资源的问题。

发明内容

有鉴于此，本公开实施例提供一种口型生成方法、装置及电子设备，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种口型生成方法，包括：

获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画；

基于所述采样频率和所述帧频，确定所述音频文件的音频向量；

通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值；

基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值；

基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。

根据本公开的一种具体实现方式，所述取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，包括：

读取所述音频文件和所述视频文件；

分别从所述音频文件和所述视频文件中获取所述采样频率M和所述帧频N。

根据本公开的一种具体实现方式，所述基于所述采样频率和所述帧频，确定所述音频文件的音频向量，包括：

将M与N的比值作为所述音频向量的元素数目；

基于所述元素数目和所述音频文件，形成所述音频向量。

根据本公开的一种具体实现方式，所述基于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，包括：

采用x和y分别来表示所述音频向量和所述视频文件的口型系数，其中，所述口型系数y由所述口型真实值序列组成。

根据本公开的一种具体实现方式，所述基于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，还包括：

设置所述预测模型所对应的神经网络模型g，所述神经网络模型g包括卷积层、池化层和采样层；

利用所述神经网络模型g产生针对所述音频向量的口型预测值g(x)。

根据本公开的一种具体实现方式，所述利用所述神经网络模型g产生针对所述音频向量的口型预测值g(x)，包括：

设置所述神经网络模型g中卷积层和采样层的数目分别大于2个，在所述卷积层之后，采用最大池化的方式对所述音频向量进行池化处理。

根据本公开的一种具体实现方式，所述基于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，包括

针对口型系数y及所述音频序列的口型预测值g(x)，构建最小化目标函数f(x，y)＝||g(x)-y||^2。

根据本公开的一种具体实现方式，所述于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述方法还包括：

利用所述最小化目标函数对神经网络模型g进行多次迭代，求取所述最小化目标函数的最小值。

根据本公开的一种具体实现方式，所述基于训练完成后的预测模型，对新获取的音频文件中进行口型预测，包括：

对新获取的音频文件进行解析，得到音频解析文件；

对所述音频解析文件以M采样频率进行音频采样，得到采样文件；

将所述采样文件作为所述预测模型的输入，得到所述预测模型对于新获取的音频文件的预测口型参数。

第二方面，本公开实施例提供了一种口型生成装置，包括：

获取模块，用于获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画；

确定模块，用于基于所述采样频率和所述帧频，确定所述音频文件的音频向量；

预测模块，用于通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值；

构建模块，用于基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值；

执行模块，用于基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的口型生成方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的口型生成方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的口型生成方法。

本公开实施例中的口型生成方案，包括获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画；基于所述采样频率和所述帧频，确定所述音频文件的音频向量；通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值；基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值；基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。通过本公开的处理方案，在降低计算资源消耗的同时，提高了口型预测的真实性。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种口型生成流程示意图；

图2为本公开实施例提供的一种神经网络模型示意图；

图3为本公开实施例提供的另一种口型生成流程示意图；

图4为本公开实施例提供的另一种口型生成流程示意图；

图5为本公开实施例提供的口型生成装置结构示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种口型生成方法。本实施例提供的口型生成方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，本公开实施例提供的一种口型生成方法，包括如下步骤：

S101，获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画。

嘴巴作为目标对象，嘴巴口型相关的动作和表情是本公开的方案所要模拟和预测的内容，作为一个例子，目标对象可以是真实的能够进行网络播报的人的嘴巴口型，也可以是其他的具有信息传播功能的对象，例如电视节目主持人的嘴巴口型、新闻节目播音员嘴巴口型、进行授课的教师的嘴巴口型等。

为了能够有效的模仿特定任务的口型，通常的做法是录制目标针对一段文字的音频和视频文件，音频文件中包含有目标对象针对文本内容的语音记录，视频文件中包含有目标对象在进行文本阅读时的不同口型，通过提取视频文件中不同视频帧针对口型的图像记录，可以形成针对口型的动画。

音频文件可以采用多种格式(例如wave格式、MP3格式)存储，通过读取音频文件的存储信息，能够获取音频文件的采样频率。基于类似的方式，可以获取视频文件的帧频。

S102，基于所述采样频率和所述帧频，确定所述音频文件的音频向量。

可以对音频的采样频率进行设置，例如，把音频的采样频率设为M(例如，16KHZ)，即一秒钟音频中含有M个元素。视频的帧率为N，那么每帧图像对应的音频元素数目为M/N，此时可以将输入设定为为元素数目为M/N的音频向量。

S103，通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值。

视频文件中的视频帧中包含嘴巴口型的图像，基于该图像，可以获得嘴巴的口型系数，口型系数用来量化嘴巴的状态。例如，嘴巴全部张开的时候运动幅度可以量化为1，嘴巴全部闭合的时候，运动运动幅度可以量化为0，通过口型系数来量化0和1之间的数值，可以描述嘴巴在完全张开和完全闭合之间的中间状态。当然，除了对嘴巴的张开和闭合状态进行量化表示之外，还可以使用口型系数来表示嘴巴的其他状态。

口型系数是从每张图像中采用主动轮廓模型提取的口型系数，为了便于预测，音频文件中的音频向量用x表示，视频文件中提取的口型系数用y表示。音频向量及其对应的口型系数可以通过(x,y)表示。

为了能够对多个图像中的每个图像的口型进行预测，构建神经网络模型g，参见图2，神经网络模型g包括卷积层、池化层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入音频向量的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入音频向量具有较好的鲁棒性。

为了加快神经网络模型g的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的音频向量的特征进行整合，获取输入音频向量特征具有的音频特征，以用于区分音频向量。在神经网络模型g中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入音频向量所有特征的组合信息，该特征向量将图像中含有最具有特点的音频特征保留了下来以完成图像分类任务。这样一来便可以计算输入音频向量具体数值。例如，通过全连接层的计算之后，可以将输入音频向量输出为参数为P的口型参数。

S104基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值。

在所有训练样本上，利用最小化目标函数f(x,y)＝||g(x)-y||^2来求取神经网络模型g的训练。

训练过程需要多次迭代求取目标函数的最小值。重复迭代直到测试精度趋于稳定。测试精度指在另外一份不参与模型训练的图像数据中测试的模型精度。

S105，基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。

在完成预测模型的训练之后，便可以基于该训练模型对新获取的音频文件进行口型预测，具体的，可以将新获取的音频向量作为输入，采用预测模型直接预测口型系数。

通过步骤S101-S105中的方案，在降低计算量的同时，能够较为逼真的基于输入的音频文件内容预测相应的口型。

参见图3，根据本公开的一种具体实现方式，所述取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，包括：

S301，读取所述音频文件和所述视频文件。

音频文件可以采用多种格式(例如wave格式、MP3格式)存储，通过读取音频文件的存储信息，能够获取音频文件的采样频率。基于类似的方式，可以获取视频文件的帧频。

S302，分别从所述音频文件和所述视频文件中获取所述采样频率M和所述帧频N。

可以对音频的采样频率进行设置，例如，把音频的采样频率设为M(例如，16KHZ)，即一秒钟音频中含有M个元素。视频的帧率为N，那么每帧图像对应的音频元素数目为M/N，此时可以将输入设定为为元素数目为M/N的音频向量。

可以采用多种方式来设置预测模型，作为一种方式，预测模型基于神经网络模型g来构建，神经网络模型g包括卷积层、池化层和采样层。利用所述神经网络模型g能够产生针对所述音频向量的口型预测值g(x)。

通过神经网络模型产生口型预测值g(x)的过程中，可以设置所述神经网络模型g中卷积层和采样层的数目分别大于2个，在所述卷积层之后，采用最大池化的方式对所述音频向量进行池化处理。通过这种设置方式，能够提高神经网络模型g的计算速度和预测效率。

参见图4，根据本公开的一种具体实现方式，所述基于训练完成后的预测模型，对新获取的音频文件中进行口型预测，包括：

S401，对新获取的音频文件进行解析，得到音频解析文件。

新获取音频文件之后，需要对新获取的音频文件进行解析，通过对音频文件进行解析，可以获得音频文件的文件格式、采样频率等信息。

S402，对所述音频解析文件以M采样频率进行音频采样，得到采样文件。

不同的音频文件可能会采用不同的采样频率，为了能够对输入的音频文件统一格式，形成格式统一的音频输入向量，基于步骤S401中的解析结果，对新获取的音频文件以M采样频率进行音频采样，得到最终的采样文件，该采样文件可以作为最终的音频输入。

S403，将所述采样文件作为所述预测模型的输入，得到所述预测模型对于新获取的音频文件的预测口型参数。

与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种口型生成装置50，包括：

获取模块501，用于获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画。

嘴巴作为目标对象，嘴巴口型相关的动作和表情是本公开的方案所要模拟和预测的内容，作为一个例子，目标对象可以是真实的能够进行网络播报的人的嘴巴口型，也可以是其他的具有信息传播功能的对象，例如电视节目主持人的嘴巴口型、新闻节目播音员嘴巴口型、进行授课的教师的嘴巴口型等。

为了能够有效的模仿特定任务的口型，通常的做法是录制目标针对一段文字的音频和视频文件，音频文件中包含有目标对象针对文本内容的语音记录，视频文件中包含有目标对象在进行文本阅读时的不同口型，通过提取视频文件中不同视频帧针对口型的图像记录，可以形成针对口型的动画。

音频文件可以采用多种格式(例如wave格式、MP3格式)存储，通过读取音频文件的存储信息，能够获取音频文件的采样频率。基于类似的方式，可以获取视频文件的帧频。

确定模块502，用于基于所述采样频率和所述帧频，确定所述音频文件的音频向量。

可以对音频的采样频率进行设置，例如，把音频的采样频率设为M(例如，16KHZ)，即一秒钟音频中含有M个元素。视频的帧率为N，那么每帧图像对应的音频元素数目为M/N，此时可以将输入设定为为元素数目为M/N的音频向量。

预测模块503，用于通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值。

视频文件中的视频帧中包含嘴巴口型的图像，基于该图像，可以获得嘴巴的口型系数，口型系数用来量化嘴巴的状态。例如，嘴巴全部张开的时候运动幅度可以量化为1，嘴巴全部闭合的时候，运动运动幅度可以量化为0，通过口型系数来量化0和1之间的数值，可以描述嘴巴在完全张开和完全闭合之间的中间状态。当然，除了对嘴巴的张开和闭合状态进行量化表示之外，还可以使用口型系数来表示嘴巴的其他状态。

口型系数是从每张图像中采用主动轮廓模型提取的口型系数，为了便于预测，音频文件中的音频向量用x表示，视频文件中提取的口型系数用y表示。音频向量及其对应的口型系数可以通过(x,y)表示。

为了能够对多个图像中的每个图像的质量进行预测，构建神经网络模型g，参见图2，神经网络模型g包括卷积层、池化层、采样层和全连接层。

卷积层主要参数包括卷积核的大小和输入特征图的数量，每个卷积层可以包含若干个相同大小的特征图，同一层特征值采用共享权值的方式，每层内的卷积核大小一致。卷积层对输入图像进行卷积计算，并提取输入图像的布局特征。

卷积层的特征提取层后面都可以与采样层连接，采样层用来求输入音频向量的局部平均值并进行二次特征提取，通过将采样层与卷积层连接，能够保证神经网络模型对于输入音频向量具有较好的鲁棒性。

为了加快神经网络模型g的训练速度，在卷积层后面还设置有池化层，池化层采用最大池化的方式对卷积层的输出结果进行处理，能够更好的提取输入图像的不变性特征。

全连接层将经过多个卷积层和池化层的音频向量的特征进行整合，获取输入音频向量特征具有的音频特征，以用于区分音频向量。在神经网络模型g中，全连接层将卷积层产生的特征图映射成一个固定长度的特征向量。该特征向量包含了输入音频向量所有特征的组合信息，该特征向量将图像中含有最具有特点的音频特征保留了下来以完成图像分类任务。这样一来便可以计算输入音频向量具体数值。例如，通过全连接层的计算之后，可以将输入音频向量输出为参数为P的口型参数。

构建模块504，用于基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值。

在所有训练样本上，利用最小化目标函数f(x,y)＝||g(x)-y||^2来求取神经网络模型g的训练。

训练过程需要多次迭代求取目标函数的最小值。重复迭代直到测试精度趋于稳定。测试精度指在另外一份不参与模型训练的图像数据中测试的模型精度。

执行模块505，用于基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。

在完成预测模型的训练之后，便可以基于该训练模型对新获取的音频文件进行口型预测，具体的，可以将新获取的音频向量作为输入，采用预测模型直接预测口型系数。

图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中口型生成方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的口型生成方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)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装置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，还存储有电子设备60操作所需的各种程序和数据。处理装置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。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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、或半导体的系统、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。在本公开中，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系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述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：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，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：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

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公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—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服务器上执行。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，图示了按照本公开各种实施例的系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种口型生成方法，其特征在于，包括：

获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画；

基于所述采样频率和所述帧频，确定所述音频文件的音频向量；

通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值；

基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值；

基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。

2.根据权利要求1所述的方法，其特征在于，所述取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，包括：

读取所述音频文件和所述视频文件；

分别从所述音频文件和所述视频文件中获取所述采样频率M和所述帧频N。

3.根据权利要求2所述的方法，其特征在于，所述基于所述采样频率和所述帧频，确定所述音频文件的音频向量，包括：

将M与N的比值作为所述音频向量的元素数目；

基于所述元素数目和所述音频文件，形成所述音频向量。

4.根据权利要求3所述的方法，其特征在于，所述基于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，包括：

采用x和y分别来表示所述音频向量和所述视频文件的口型系数，其中，所述口型系数y由所述口型真实值序列组成。

5.根据权利要求4所述的方法，其特征在于，所述基于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，还包括：

设置所述预测模型所对应的神经网络模型g，所述神经网络模型g包括卷积层、池化层和采样层；

利用所述神经网络模型g产生针对所述音频向量的口型预测值g(x)。

6.根据权利要求5所述的方法，其特征在于，所述利用所述神经网络模型g产生针对所述音频向量的口型预测值g(x)，包括：

设置所述神经网络模型g中卷积层和采样层的数目分别大于2个，在所述卷积层之后，采用最大池化的方式对所述音频向量进行池化处理。

7.根据权利要求5所述的方法，其特征在于，所述基于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，包括

针对口型系数y及所述音频序列的口型预测值g(x)，构建最小化目标函数f(x，y)＝||g(x)-y||^2。

8.根据权利要求7所述的方法，其特征在于，所述于从所述视口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述方法还包括：

利用所述最小化目标函数对神经网络模型g进行多次迭代，求取所述最小化目标函数的最小值。

9.根据权利要求2所述的方法，其特征在于，所述基于训练完成后的预测模型，对新获取的音频文件中进行口型预测，包括：

对新获取的音频文件进行解析，得到音频解析文件；

对所述音频解析文件以M采样频率进行音频采样，得到采样文件；

将所述采样文件作为所述预测模型的输入，得到所述预测模型对于新获取的音频文件的预测口型参数。

10.一种口型生成装置，其特征在于，包括：

获取模块，用于获取音频文件的采样频率以及与所述音频文件对应的视频文件的帧频，所述视频文件中含有口型动画；

确定模块，用于基于所述采样频率和所述帧频，确定所述音频文件的音频向量；

预测模块，用于通过预测模型对所述音频向量对应的口型系数进行预测，得到口型预测值；

构建模块，用于基于从所述视频口型动画中提取的口型真实值和所述口型预测值，构建最小化目标函数，所述最小化目标函数用于训练所述预测模型，使所述预测模型的预测精度达到预设值；

执行模块，用于基于训练完成后的预测模型，对新获取的音频文件中进行口型预测。

11.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-9所述的口型生成方法。

12.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-9所述的口型生成方法。