CN110288682B - 用于控制三维虚拟人像口型变化的方法和装置 - Google Patents

用于控制三维虚拟人像口型变化的方法和装置 Download PDF

Info

Publication number
CN110288682B
CN110288682B CN201910573170.1A CN201910573170A CN110288682B CN 110288682 B CN110288682 B CN 110288682B CN 201910573170 A CN201910573170 A CN 201910573170A CN 110288682 B CN110288682 B CN 110288682B
Authority
CN
China
Prior art keywords
mouth shape
voice
sequence
key point
point information
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
CN201910573170.1A
Other languages
English (en)
Other versions
CN110288682A (zh
Inventor
陈超
王建祥
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 CN201910573170.1A priority Critical patent/CN110288682B/zh
Publication of CN110288682A publication Critical patent/CN110288682A/zh
Priority to KR1020190167247A priority patent/KR102346046B1/ko
Priority to JP2019227956A priority patent/JP6936298B2/ja
Priority to US16/721,772 priority patent/US11308671B2/en
Application granted granted Critical
Publication of CN110288682B publication Critical patent/CN110288682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • 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
    • 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
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • 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
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units
    • 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
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command
    • 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

Landscapes

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

Abstract

本公开实施例公开了用于控制三维虚拟人像口型变化的方法和装置，涉及云计算领域。该方法的一具体实施方式包括：获取待播放语音；在上述待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段；基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列；响应于播放上述待播放语音，基于上述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。该实施方式实现了基于待播放语音自动生成口型控制参数序列，从而高效率的渲染出语音和口型同步变化的三维虚拟人像。

Description

用于控制三维虚拟人像口型变化的方法和装置
技术领域
本公开实施例涉及计算机技术领域，具体涉及用于控制三维虚拟人像口型变化的方法和装置。
背景技术
三维虚拟人像语音口型同步一直是研究的热点，并有着广泛的应用。常见的应用领域有影视动画、游戏娱乐等等。传统的三维虚拟人像语音口型同步技术，通常需要专业的技术人员根据给定的语音片段，手动设置三维虚拟人像的关键帧，并为这些关键帧中的三维虚拟人像调整口型。而关键帧之间的过渡帧中的三维虚拟人像的口型，则由动画引擎自动生成。举例来说，可以通过UE4(Unreal Engine 4，虚幻4引擎)、Maya、Unity3D等动画引擎自动生成。这种方式非常依赖于技术人员的专业技能，逐帧的手动作业消耗大量的人力，且这种方式无法做到实时性。
发明内容
本公开实施例提出了用于控制三维虚拟人像口型变化的方法和装置。
第一方面，本公开实施例提供了一种用于控制三维虚拟人像口型变化的方法，该方法包括：获取待播放语音；在上述待播放语音中以预设的步长滑动预设的上述时间窗口，得到至少一个语音片段；基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列；响应于播放上述待播放语音，基于上述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。
在一些实施例中，上述基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列，包括：基于上述至少一个语音片段，生成二维特征矩阵序列；将上述二维特征矩阵序列输入预先建立的卷积神经网络，得到口型控制参数序列，其中，上述卷积神经网络用于表征二维特征矩阵与口型控制参数的对应关系。
在一些实施例中，上述基于上述至少一个语音片段，生成二维特征矩阵序列，包括：对于上述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵；根据上述至少一个语音片段在上述待播放语音中的顺序，将生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
在一些实施例中，上述对于上述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵，包括：将该语音片段划分为预设个语音子片段，其中，相邻的两个语音子片段之间部分重合；对于上述预设个语音子片段中的语音子片段，提取该语音子片段的特征，得到针对该语音子片段的语音特征向量；根据得到的预设个语音特征向量，生成针对该语音片段的二维特征矩阵。
在一些实施例中，上述基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列，包括：对于上述至少一个语音片段中的语音片段，生成该语音片段的音素序列，以及对该音素序列进行编码，得到音素信息；将由至少一条音素信息组成的音素信息序列输入预先建立的口型关键点预测模型，得到由至少一条口型关键点信息组成的口型关键点信息序列，其中，上述口型关键点预测模型用于表征音素信息序列与口型关键点信息序列的对应关系；基于上述口型关键点信息序列，生成口型控制参数序列。
在一些实施例中，上述基于上述口型关键点信息序列，生成口型控制参数序列，包括：对于上述口型关键点信息序列中的口型关键点信息，基于预先建立的样本口型关键点信息与样本口型控制参数的对应关系，得到该口型关键点信息对应的口型控制参数；基于得到至少一个口型控制参数，生成口型控制参数序列。
在一些实施例中，上述口型关键点预测模型为循环神经网络，上述循环神经网络的循环体为长短期记忆网络。
第二方面，本公开实施例提供了一种用于控制三维虚拟人像口型变化的装置，上述装置包括：获取单元，被配置成获取待播放语音；滑动单元，被配置成在上述待播放语音中以预设的步长滑动预设的上述时间窗口，得到至少一个语音片段；生成单元，被配置成基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列；控制单元，被配置成响应于播放上述待播放语音，基于上述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。
在一些实施例中，上述生成单元包括：第一生成子单元，被配置成基于上述至少一个语音片段，生成二维特征矩阵序列；第二生成子单元，被配置成将上述二维特征矩阵序列输入预先建立的卷积神经网络，得到口型控制参数序列，其中，上述卷积神经网络用于表征二维特征矩阵与口型控制参数的对应关系。
在一些实施例中，上述第一生成子单元包括：第一生成模块，被配置成对于上述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵；第二生成模块，被配置成根据上述至少一个语音片段在上述待播放语音中的顺序，将生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
在一些实施例中，上述第一生成模块进一步被配置成：将该语音片段划分为预设个语音子片段，其中，相邻的两个语音子片段之间部分重合；对于上述预设个语音子片段中的语音子片段，提取该语音子片段的特征，得到针对该语音子片段的语音特征向量；根据得到的预设个语音特征向量，生成针对该语音片段的二维特征矩阵。
在一些实施例中，上述生成单元包括：信息生成单元，被配置成对于上述至少一个语音片段中的语音片段，生成该语音片段的音素序列，以及对该音素序列进行编码，得到音素信息；信息序列生成单元，被配置成将由至少一条音素信息组成的音素信息序列输入预先建立的口型关键点预测模型，得到由至少一条口型关键点信息组成的口型关键点信息序列，其中，上述口型关键点预测模型用于表征音素信息序列与口型关键点信息序列的对应关系；参数序列生成单元，被配置成基于上述口型关键点信息序列，生成口型控制参数序列。
在一些实施例中，上述参数序列生成单元进一步被配置成：对于上述口型关键点信息序列中的口型关键点信息，基于预先建立的样本口型关键点信息与样本口型控制参数的对应关系，得到该口型关键点信息对应的口型控制参数；基于得到至少一个口型控制参数，生成口型控制参数序列。
在一些实施例中，上述口型关键点预测模型为循环神经网络，上述循环神经网络的循环体为长短期记忆网络。
第三方面，本公开实施例提供了一种终端设备，该终端设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述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，本公开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，其中，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。
本公开实施例提供的用于控制三维虚拟人像口型变化的方法和装置，首先在获取的待播放语音中以预设的步长滑动预设的时间窗口得到至少一个语音片段，而后基于得到的至少一个语音片段生成针对待播放语音的口型控制参数序列，最后在播放待播放语音时，基于口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化，实现了基于待播放语音自动生成口型控制参数序列，从而高效率的渲染出语音和口型同步变化的三维虚拟人像。
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，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于控制三维虚拟人像口型变化的方法的一个实施例的流程图；
图3a和图3b分别示出了jaw_open＝0和jaw_open＝1对应的三维虚拟人像的下巴的张合程度；
图4是本公开的从待播放语音到口型关键点信息序列的一个示意图；
图5是根据本公开的用于控制三维虚拟人像口型变化的方法的一个应用场景的示意图；
图6是根据本公开的用于控制三维虚拟人像口型变化的方法的又一个实施例的流程图；
图7是根据本公开的用于控制三维虚拟人像口型变化的装置的一个实施例的结构示意图；
图8是适于用来实现本公开实施例的设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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，本公开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公开。
图1示出了可以应用本公开实施例的用于控制三维虚拟人像口型变化的方法或用于控制三维虚拟人像口型变化的装置的示例性系统架构100。
如图1所示，系统架构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，例如网页浏览器应用、游戏类应用、购物类应用、搜索类应用、即时通信工具等。
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语音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、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。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上播放的语音提供支持的后台服务器。后台服务器可以对接收到的文本、语音等数据进行分析等处理，并将处理结果(例如待播放语音)反馈给终端设备101、102、103。
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105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105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。
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。
需要说明的是，本公开实施例所提供的用于控制三维虚拟人像口型变化的方法一般由终端设备101、102、103执行，相应地，用于控制三维虚拟人像口型变化的装置一般设置于终端设备101、102、103中。
继续参考图2，示出了根据本公开的用于控制三维虚拟人像口型变化的方法的一个实施例的流程200。该用于控制三维虚拟人像口型变化的方法，包括以下步骤：
步骤201，获取待播放语音。
在本实施例中，用于控制三维虚拟人像口型变化的方法的执行主体(例如图1所示的终端设备101、102、103)可以通过各种方式获取待播放语音。作为一个示例，待播放语音可以是执行主体自主生成的语音。例如，执行主体可以根据用户输入的信息(例如，文本信息、语音信息、图像信息等等)生成应答语音，并将生成的应答语音作为待播放语音。作为另一个示例，待播放语音可以是执行主体从其他设备(例如图1所示的服务器105)获取的语音。
步骤202，在待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段。
在本实施例中，执行主体内可以预先设置有时间窗口。这里，时间窗口可以是指一个时间段，该时间段的时间长度可以根据实际需要进行设置。作为示例，可以将时间窗口设置为520ms(毫秒)。执行主体可以在步骤201获取的待播放语音中以预设的步长滑动上述时间窗口，从而得到至少一个语音片段。实践中，可以将每次滑动后，时间窗口内的语音作为一个语音片段。这里，上述步长可以根据实际需要进行设置。作为示例，可以将步长设置为10ms。
步骤203，基于至少一个语音片段，生成针对待播放语音的口型控制参数序列。
在本实施例中，执行主体可以根据步骤202得到至少一个语音片段，生成针对待播放语音的口型控制参数序列。这里，口型控制参数序列可以用于控制预先设定的三维虚拟人像的口型变化。实践中，可以针对每一个语音片段生成一个口型控制参数，这样可以得到一个口型控制参数序列。以时间窗口的滑动步长为10ms为例，每滑动10ms确定一个语音片段，每个语音片段得到一个口型控制参数，因此，每隔10ms可以生成一个口型控制参数，即针对待播放语音的口型控制参数序列中，各口型控制参数的间隔是10ms。
这里，口型控制参数可以是指通过三维虚拟人像开发工具所开发的三维虚拟人像的口型变化的参数。实践中，可以使用现有的UE4、Maya、Unity3D等动画引擎作为开发三维虚拟人像的开发工具。三维虚拟人像的面部(或口型)驱动可以由一些预定义的参数控制，该参数可以是一个向量，该向量的每一个维度的取值范围可以为[0,1]，代表一个特定的面部运动。例如，该向量可以包括jaw_open这个用于控制三维虚拟人像的下巴的张合程度的维度，该数值越大表示张开越大。图3a和图3b分别展示了jaw_open＝0和jaw_open＝1对应的三维虚拟人像的下巴的张合程度。需要说明的是，图3a和图3b中的三维虚拟人像仅仅是示意性，而非对三维虚拟人像的性别、外形等的限定。
在本实施例的一些可选的实现方式中，上述步骤203可以具体包括以下内容：
步骤S1，对于至少一个语音片段中的语音片段，生成该语音片段的音素序列，以及对该音素序列进行编码，得到音素信息。
在本实现方式中，对于步骤202得到至少一个语音片段中的每一个语音片段，执行主体可以生成该语音片段的音素序列。这里，音素序列可以是指在时间轴上排布若干音素。音素是语音中的最小单位，每一种音素对应于一种特定的发音。目前，可以通过现有的声学模型，生成语音片段的音素序列。之后，执行主体可以对得到的音序序列进行编码，得到音素信息。这样，执行主体可以根据每一个语音片段，生成一条音素信息。这里，编码可以是指将音素序列转化为数字形式的音素信息，以便进一步处理。
步骤S2，将由至少一条音素信息组成的音素信息序列输入预先建立的口型关键点预测模型，得到由至少一条口型关键点信息组成的口型关键点信息序列。
在本实现方式中，执行主体可以首先使用步骤S1得到的至少一条音素信息组成音素信息序列。作为示例，对于所述至少一条音素信息中的每一条音素信息，执行主体可以根据生成该音素信息的语音片段在待播放语音中的位置，确定该条音素信息在音素信息序列中的位置。之后，执行主体可以将上述音素信息序列输入预先建立的口型关键点预测模型，从而得到由至少一条口型关键点信息组成的口型关键点信息序列。这里，口型关键点信息可以用于表示与口型相关的预设个(例如，20个)人脸关键点的位置信息。这里，口型关键点预测模型可以用于表征音素信息序列与口型关键点信息序列的对应关系。作为一个示例，口型关键点预测模型可以是技术人员基于对大量的音素信息序列和口型关键点信息序列的统计而预先制定的、存储有多个音素信息序列与口型关键点信息序列的对应关系的对应关系表。作为另一个示例，执行主体可以是基于机器学习算法训练得到的机器学习模型。
在一些可选的实现方式中，步骤S2中的口型关键点预测模型可以为循环神经网络，上述循环神经网络的循环体可以为长短期记忆网络。
在本实现方式中，步骤S2中的口型关键点预测模型可以是循环神经网络。循环神经网络(Recurrent Neural Network，RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环体)按链式连接的递归神经网络。这里，循环神经网络的循环体可以是长短期记忆网络(Long Short-Term Memory，LSTM)。作为示例，图4示例性的给出了从待播放语音到口型关键点信息序列的示意图，其中，使用了循环体为长短期记忆网络的循环神经网络。图4中的虚线框用于表示时间窗口，虚线框上的箭头用于表示时间窗口的滑动方向。由图4显示的信息可知，在预测音素信息序列中的某一条音素信息对应的口型关键点信息时，使用了基于上一条音素信息得到的口型关键点信息。由此，本实现方式在生成口型关键点信息序列时，综合考虑了前后两条口型关键点信息之间的相关性，从而使生成的口型关键点信息序列更加准确。需要说明的，图4所描述的循环神经网络的结构仅仅是示意性的，而非对循环神经网络的结构的限定。
步骤S3，基于口型关键点信息序列，生成口型控制参数序列。
在本实现方式中，执行主体可以根据口型关键点信息序列，生成口型控制参数序列。实践中，一条特定的口型关键点信息可以对应一个特定的口型，而一个特定的口型又对应一个特定的口型控制参数，即口型关键点信息和口型控制参数并很强的相关性。所以，执行主体可以根据一条口型关键点信息确定一个口型控制参数。
在一些可选的实现方式中，上述步骤203可以具体包括以下内容：
首先，对于口型关键点信息序列中的口型关键点信息，基于预先建立的样本口型关键点信息与样本口型控制参数的对应关系，得到该口型关键点信息对应的口型控制参数。
在本实现方式中，执行主体内部可以预先存储有样本口型关键点信息与样本口型控制参数的对应关系，即存储有多个(样本口型关键点信息，样本口型控制参数)的关系对。这样，对于口型关键点信息序列中的每一个口型关键点信息，执行主体可以将该口型关键点信息与多个关系对中的样本口型关键点信息进行相似度计算，并将多个关系对中的、与该口型关键点信息的相似度最高的样本口型关键点信息对应的样本口型控制参数，作为该口型关键点信息对应的口型控制参数。
然后，基于得到至少一个口型控制参数，生成口型控制参数序列。
在本实现方式中，针对口型关键点信息序列中的每一个口型关键点信息，执行主体都可以得到一个口型控制参数。这样，执行主体可以得到至少一个口型控制参数。使用得到的至少一个口型控制参数，执行主体可以生成口型控制参数序列。
步骤204，响应于播放待播放语音，基于口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。
在本实施例中，执行主体可以在播放待播放语音的同时，根据步骤203生成的口型控制参数同步控制三维虚拟人像的口型发生变化。这样，执行主体就可以向用户呈现一个语音和口型同步变化的三维虚拟人像，提高了三维虚拟人像的真实性，提升用户体验。
继续参见图5，图5是根据本实施例的用于控制三维虚拟人像口型变化的方法的应用场景的一个示意图。在图5的应用场景中，终端设备501首先获取待播放语音502。之后，终端设备501在待播放语音502中以10ms的步长滑动520ms的时间窗口(如虚线框所示)，得到至少一个语音片段。然后，终端设备501基于至少一个语音片段，生成针对待播放语音502的口型控制参数序列。最后，响应于播放待播放语音502，终端设备501基于口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化，向用户呈现一个语音和口型同步变化的三维虚拟人像。
本公开的上述实施例提供的方法，可以基于待播放语音自动生成口型控制参数序列，从而高效率的渲染出语音和口型同步变化的三维虚拟人像。
进一步参考图6，其示出了用于控制三维虚拟人像口型变化的方法的又一个实施例的流程600。该用于控制三维虚拟人像口型变化的方法的流程600，包括以下步骤：
步骤601，获取待播放语音。
在本实施例中，步骤601与图2所示实施例的步骤201类似，此处不再赘述。
步骤602，在待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段。
在本实施例中，步骤602与图2所示实施例的步骤202类似，此处不再赘述。
步骤603，基于至少一个语音片段，生成二维特征矩阵序列。
在本实施例中，执行主体可以通过各种方式根据步骤602得到的至少一个语音片段，生成二维特征矩阵序列。例如，对语音片段进行特征提取，根据特征提取结果生成二维特征矩阵序列。
在本实施例的一些可选的实现方式中，上述步骤603可以具体包括以下步骤：
步骤一，对于至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵。
在本实现方式中，对于上述至少一个语音片段中的每一个语音片段，执行主体可以生成针对该语音片段的二维特征矩阵。这里，执行主体可以使用各种方式，从该语音片段中提取特征，生成二维特征矩阵。
在一些可选的实现方式中，上述步骤一还可以具体如下进行：
首先，将该语音片段划分为预设个语音子片段。
在本实现方式中，执行主体可以将该语音片段划分为预设个语音子片段，其中，相邻的两个语音子片段之间部分重合。以该语音片段为520ms的语音片段为例，执行主体可以将该语音片段划分为64个语音子片段，每个语音子片段16ms，其中，相邻的两个语音子片段之间重合8ms。这里，相邻的两个语音子片段之间部分重合，可以保证后续特征提取时，能够提取到足够多的特征。
然后，对于预设个语音子片段中的语音子片段，提取该语音子片段的特征，得到针对该语音子片段的语音特征向量。
在本实现方式中，对于预设个语音子片段中的每一个语音子片段，执行主体可以提取该语音子片段的特征，得到针对该语音子片段的语音特征向量。作为示例，对于每一个语音子片段，执行主体可以提取LPC(Linear Predictive Coding，线性预测编码)的前预设数个(例如，前32个)分量，并将前预设数个分量作为语音特征向量。这样，基于预设个语音子片段，执行主体可以得到预设个语音特征向量。
最后，根据得到的预设个语音特征向量，生成针对该语音片段的二维特征矩阵。
在本实现方式中，根据得到的预设个语音特征向量，执行主体可以生成针对该语音片段的二维特征矩阵。作为示例，执行主体可以根据语音子片段在该语音片段中的先后顺序，将基于语义子片段生成的语音特征向量由上到下进行排序，从而得到针对该语音片段的二维特征矩阵。
步骤二，根据至少一个语音片段在待播放语音中的顺序，将生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
在本实现方式中，根据上述至少一个语音片段中各语音片段在待播放语音中的顺序，将根据至少一个语音片段生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
步骤604，将二维特征矩阵序列输入预先建立的卷积神经网络，得到口型控制参数序列。
在本实施例中，执行主体内可以预先建立卷积神经网络，该卷积神经网络可以用于表征二维特征矩阵与口型控制参数的对应关系。这样，执行主体可以将步骤603中生成的二维特征矩阵序列输入上述卷积神经网络。卷积神经网络可以依次对二维特征矩阵序列中的二维特征矩阵进行处理，从而得到口型控制参数序列。
这里，上述卷积神经网络的网络结构可以根据实际需要进行设定。作为示例，上述卷积神经网络可以包括输入层、卷积层、全连接层、输出层等等。例如，上述卷积神经网络可以依次包括输入层、预设数量个(例如，10个)卷积层、预设数量个(例如，2个)全连接层、输出层。实践中，上述卷积神经网络可以是使用大量的样本数据训练得到的。这里，样本数据可以包括样本二维特征矩阵以及与样本二维特征矩阵对应的样本口型控制参数。训练时，可以将样本二维特征矩阵作为输入，将与输入的样本二维特征矩阵对应的样本口型控制参数作为期望输出，训练得到卷积神经网络。
步骤605，响应于播放待播放语音，基于口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。
在本实施例中，步骤605与图2所示实施例的步骤204类似，此处不再赘述。
从图6中可以看出，与图2对应的实施例相比，本实施例中的用于控制三维虚拟人像口型变化的流程600突出了基于卷积神经网络生成口型控制参数序列的步骤。而卷积神经网络是基于大量的样本数据训练得到的，可以使生成的口型控制参数序列更加准确。由此，本实施例描述的方案可以使语音和口型同步变化的三维虚拟人像的口型变化更加逼真。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于控制三维虚拟人像口型变化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7所示，本实施例的用于控制三维虚拟人像口型变化的装置700包括：获取单元701、滑动单元702、生成单元703和控制单元704。其中，获取单元701被配置成获取待播放语音；滑动单元702被配置成在上述待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段；生成单元703被配置成基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列；控制单元704被配置成响应于播放上述待播放语音，基于上述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。
在本实施例中，用于控制三维虚拟人像口型变化的装置700的获取单元701、滑动单元702、生成单元703和控制单元704的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204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，上述生成单元703包括：第一生成子单元(图中未示出)，被配置成基于上述至少一个语音片段，生成二维特征矩阵序列；第二生成子单元(图中未示出)，被配置成将上述二维特征矩阵序列输入预先建立的卷积神经网络，得到口型控制参数序列，其中，上述卷积神经网络用于表征二维特征矩阵与口型控制参数的对应关系。
在本实施例的一些可选的实现方式中，上述第一生成子单元包括：第一生成模块(图中未示出)，被配置成对于上述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵；第二生成模块(图中未示出)，被配置成根据上述至少一个语音片段在上述待播放语音中的顺序，将生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
在本实施例的一些可选的实现方式中，上述第一生成模块进一步被配置成：将该语音片段划分为预设个语音子片段，其中，相邻的两个语音子片段之间部分重合；对于上述预设个语音子片段中的语音子片段，提取该语音子片段的特征，得到针对该语音子片段的语音特征向量；根据得到的预设个语音特征向量，生成针对该语音片段的二维特征矩阵。
在本实施例的一些可选的实现方式中，上述生成单元703包括：信息生成单元(图中未示出)，被配置成对于上述至少一个语音片段中的语音片段，生成该语音片段的音素序列，以及对该音素序列进行编码，得到音素信息；信息序列生成单元(图中未示出)，被配置成将由至少一条音素信息组成的音素信息序列输入预先建立的口型关键点预测模型，得到由至少一条口型关键点信息组成的口型关键点信息序列，其中，上述口型关键点预测模型用于表征音素信息序列与口型关键点信息序列的对应关系；参数序列生成单元(图中未示出)，被配置成基于上述口型关键点信息序列，生成口型控制参数序列。
在本实施例的一些可选的实现方式中，上述参数序列生成单元进一步被配置成：对于上述口型关键点信息序列中的口型关键点信息，基于预先建立的样本口型关键点信息与样本口型控制参数的对应关系，得到该口型关键点信息对应的口型控制参数；基于得到至少一个口型控制参数，生成口型控制参数序列。
在本实施例的一些可选的实现方式中，上述口型关键点预测模型为循环神经网络，上述循环神经网络的循环体为长短期记忆网络。
下面参考图8，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的终端设备)800的结构示意图。本公开的实施例中的终端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8示出的终端设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，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。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
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809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开的实施例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。在本公开的实施例中，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。而在本公开的实施例中，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：获取待播放语音；在上述待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段；基于上述至少一个语音片段，生成针对上述待播放语音的口型控制参数序列；响应于播放上述待播放语音，基于上述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化。
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实施例的操作的计算机程序代码，所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。
描述于本公开的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：一种处理器包括获取单元、滑动单元、生成单元和控制单元。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，获取单元还可以被描述为“获取待播放语音的单元”。
以上描述仅为本公开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，本公开的实施例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。例如上述特征与本公开的实施例中公开的(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 (14)

1.一种用于控制三维虚拟人像口型变化的方法，包括：
获取待播放语音；
在所述待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段；
基于所述至少一个语音片段，生成针对所述待播放语音的口型控制参数序列；
响应于播放所述待播放语音，基于所述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化；
其中，所述基于所述至少一个语音片段，生成针对所述待播放语音的口型控制参数序列，包括：
针对每一个语音片段，生成一个口型控制参数，其中，所述口型控制参数是通过三维虚拟人像开发工具所开发的用于控制三维虚拟人像的口型变化的参数；所述口型控制参数用于代表面部运动；
基于所述口型控制参数，得到所述口型控制参数序列；
其中，所述基于所述至少一个语音片段，生成针对所述待播放语音的口型控制参数序列，包括：
对于所述至少一个语音片段中的语音片段，生成该语音片段的音素序列，以及对该音素序列进行编码，得到音素信息；
将由至少一条音素信息组成的音素信息序列输入预先建立的口型关键点预测模型，得到由至少一条口型关键点信息组成的口型关键点信息序列，其中，所述口型关键点预测模型用于表征音素信息序列与口型关键点信息序列的对应关系，在生成所述口型关键点信息序列时，综合考虑前后两条口型关键点信息之间的相关性；
基于所述口型关键点信息序列，生成口型控制参数序列。
2.根据权利要求1所述的方法，其中，所述基于所述至少一个语音片段，生成针对所述待播放语音的口型控制参数序列，包括：
基于所述至少一个语音片段，生成二维特征矩阵序列；
将所述二维特征矩阵序列输入预先建立的卷积神经网络，得到口型控制参数序列，其中，所述卷积神经网络用于表征二维特征矩阵与口型控制参数的对应关系。
3.根据权利要求2所述的方法，其中，所述基于所述至少一个语音片段，生成二维特征矩阵序列，包括：
对于所述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵；
根据所述至少一个语音片段在所述待播放语音中的顺序，将生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
4.根据权利要求3所述的方法，其中，所述对于所述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵，包括：
将该语音片段划分为预设个语音子片段，其中，相邻的两个语音子片段之间部分重合；
对于所述预设个语音子片段中的语音子片段，提取该语音子片段的特征，得到针对该语音子片段的语音特征向量；
根据得到的预设个语音特征向量，生成针对该语音片段的二维特征矩阵。
5.根据权利要求1所述的方法，其中，所述基于所述口型关键点信息序列，生成口型控制参数序列，包括：
对于所述口型关键点信息序列中的口型关键点信息，基于预先建立的样本口型关键点信息与样本口型控制参数的对应关系，得到该口型关键点信息对应的口型控制参数；
基于得到至少一个口型控制参数，生成口型控制参数序列。
6.根据权利要求1所述的方法，其中，所述口型关键点预测模型为循环神经网络，所述循环神经网络的循环体为长短期记忆网络。
7.一种用于控制三维虚拟人像口型变化的装置，包括：
获取单元，被配置成获取待播放语音；
滑动单元，被配置成在所述待播放语音中以预设的步长滑动预设的时间窗口，得到至少一个语音片段；
生成单元，被配置成基于所述至少一个语音片段，生成针对所述待播放语音的口型控制参数序列；
控制单元，被配置成响应于播放所述待播放语音，基于所述口型控制参数序列控制预先设定的三维虚拟人像的口型发生变化；
其中，所述生成单元进一步被配置为：
针对每一个语音片段，生成一个口型控制参数，其中，所述口型控制参数是通过三维虚拟人像开发工具所开发的用于控制三维虚拟人像的口型变化的参数；所述口型控制参数用于代表面部运动；
基于所述口型控制参数，得到所述口型控制参数序列；
其中，所述生成单元包括：
信息生成单元，被配置成对于所述至少一个语音片段中的语音片段，生成该语音片段的音素序列，以及对该音素序列进行编码，得到音素信息；
信息序列生成单元，被配置成将由至少一条音素信息组成的音素信息序列输入预先建立的口型关键点预测模型，得到由至少一条口型关键点信息组成的口型关键点信息序列，其中，所述口型关键点预测模型用于表征音素信息序列与口型关键点信息序列的对应关系，在生成所述口型关键点信息序列时，综合考虑前后两条口型关键点信息之间的相关性；
参数序列生成单元，被配置成基于所述口型关键点信息序列，生成口型控制参数序列。
8.根据权利要求7所述的装置，其中，所述生成单元包括：
第一生成子单元，被配置成基于所述至少一个语音片段，生成二维特征矩阵序列；
第二生成子单元，被配置成将所述二维特征矩阵序列输入预先建立的卷积神经网络，得到口型控制参数序列，其中，所述卷积神经网络用于表征二维特征矩阵与口型控制参数的对应关系。
9.根据权利要求8所述的装置，其中，所述第一生成子单元包括：
第一生成模块，被配置成对于所述至少一个语言片段中的语音片段，生成针对该语音片段的二维特征矩阵；
第二生成模块，被配置成根据所述至少一个语音片段在所述待播放语音中的顺序，将生成的至少一个二维特征矩阵拼接成二维特征矩阵序列。
10.根据权利要求9所述的装置，其中，所述第一生成模块进一步被配置成：
将该语音片段划分为预设个语音子片段，其中，相邻的两个语音子片段之间部分重合；
对于所述预设个语音子片段中的语音子片段，提取该语音子片段的特征，得到针对该语音子片段的语音特征向量；
根据得到的预设个语音特征向量，生成针对该语音片段的二维特征矩阵。
11.根据权利要求7所述的装置，其中，所述参数序列生成单元进一步被配置成：
对于所述口型关键点信息序列中的口型关键点信息，基于预先建立的样本口型关键点信息与样本口型控制参数的对应关系，得到该口型关键点信息对应的口型控制参数；
基于得到至少一个口型控制参数，生成口型控制参数序列。
12.根据权利要求7所述的装置，其中，所述口型关键点预测模型为循环神经网络，所述循环神经网络的循环体为长短期记忆网络。
13.一种终端，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1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910573170.1A 2019-06-28 2019-06-28 用于控制三维虚拟人像口型变化的方法和装置 Active CN110288682B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201910573170.1A CN110288682B (zh) 2019-06-28 2019-06-28 用于控制三维虚拟人像口型变化的方法和装置
KR1020190167247A KR102346046B1 (ko) 2019-06-28 2019-12-13 3차원 가상 인물 입모양 변화 제어 방법 및 장치
JP2019227956A JP6936298B2 (ja) 2019-06-28 2019-12-18 三次元仮想ポートレートの口形の変化を制御する方法および装置
US16/721,772 US11308671B2 (en) 2019-06-28 2019-12-19 Method and apparatus for controlling mouth shape changes of three-dimensional virtual portrait

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910573170.1A CN110288682B (zh) 2019-06-28 2019-06-28 用于控制三维虚拟人像口型变化的方法和装置

Publications (2)

Publication Number Publication Date
CN110288682A CN110288682A (zh) 2019-09-27
CN110288682B true CN110288682B (zh) 2023-09-26

Family

ID=68019899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910573170.1A Active CN110288682B (zh) 2019-06-28 2019-06-28 用于控制三维虚拟人像口型变化的方法和装置

Country Status (4)

Country Link
US (1) US11308671B2 (zh)
JP (1) JP6936298B2 (zh)
KR (1) KR102346046B1 (zh)
CN (1) CN110288682B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110716634A (zh) * 2019-08-28 2020-01-21 北京市商汤科技开发有限公司 交互方法、装置、设备以及显示设备
CN110531860B (zh) * 2019-09-02 2020-07-24 腾讯科技（深圳）有限公司 一种基于人工智能的动画形象驱动方法和装置
CN110930481B (zh) * 2019-12-11 2024-06-04 北京慧夜科技有限公司 一种口型控制参数的预测方法和系统
CN111294665B (zh) * 2020-02-12 2021-07-20 百度在线网络技术（北京）有限公司 视频的生成方法、装置、电子设备及可读存储介质
CN113672194A (zh) * 2020-03-31 2021-11-19 北京市商汤科技开发有限公司 声学特征样本的获取方法、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
CN111652165B (zh) * 2020-06-08 2022-05-17 北京世纪好未来教育科技有限公司 口型评测方法、设备及计算机存储介质
CN112333179B (zh) * 2020-10-30 2023-11-10 腾讯科技（深圳）有限公司 虚拟视频的直播方法、装置、设备及可读存储介质
JP2022113426A (ja) 2021-01-25 2022-08-04 三菱重工サーマルシステムズ株式会社 光照射ユニット、及び車両用空調装置
CN112991006A (zh) * 2021-03-01 2021-06-18 深圳市改购时尚科技有限公司 基于试衣机的智能试衣方法、装置、设备及存储介质
CN115222856B (zh) * 2022-05-20 2023-09-26 一点灵犀信息技术(广州)有限公司 表情动画生成方法及电子设备
KR102649818B1 (ko) * 2022-05-26 2024-03-21 주식회사 딥브레인에이아이 3d 립싱크 비디오 생성 장치 및 방법
WO2024128356A1 (ko) * 2022-12-15 2024-06-20 엘지전자 주식회사 인공 지능 장치 및 그의 3차원 에이전시 생성 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106356052A (zh) * 2016-10-17 2017-01-25 腾讯科技（深圳）有限公司 语音合成方法及装置
CN108447474A (zh) * 2018-03-12 2018-08-24 北京灵伴未来科技有限公司 一种虚拟人物语音与口型同步的建模与控制方法
CN108763190A (zh) * 2018-04-12 2018-11-06 平安科技（深圳）有限公司 基于语音的口型动画合成装置、方法及可读存储介质
CN108831463A (zh) * 2018-06-28 2018-11-16 广州华多网络科技有限公司 唇语合成方法、装置、电子设备及存储介质
CN109308731A (zh) * 2018-08-24 2019-02-05 浙江大学 级联卷积lstm的语音驱动唇形同步人脸视频合成算法
CN109377539A (zh) * 2018-11-06 2019-02-22 北京百度网讯科技有限公司 用于生成动画的方法和装置
CN109599113A (zh) * 2019-01-22 2019-04-09 北京百度网讯科技有限公司 用于处理信息的方法和装置

Family Cites Families (8)

* 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
JP4543263B2 (ja) * 2006-08-28 2010-09-15 株式会社国際電気通信基礎技術研究所 アニメーションデータ作成装置及びアニメーションデータ作成プログラム
KR100813034B1 (ko) * 2006-12-07 2008-03-14 한국전자통신연구원 캐릭터 형성방법
JP6518134B2 (ja) * 2015-05-27 2019-05-22 株式会社ソニー・インタラクティブエンタテインメント 眼前装着型表示装置
US10332509B2 (en) 2015-11-25 2019-06-25 Baidu USA, LLC End-to-end speech recognition
KR20180071029A (ko) * 2016-12-19 2018-06-27 삼성전자주식회사 음성 인식 방법 및 장치
CN106920547B (zh) * 2017-02-21 2021-11-02 腾讯科技（上海）有限公司 语音转换方法和装置
US10586368B2 (en) * 2017-10-26 2020-03-10 Snap Inc. Joint audio-video facial animation system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106356052A (zh) * 2016-10-17 2017-01-25 腾讯科技（深圳）有限公司 语音合成方法及装置
CN108447474A (zh) * 2018-03-12 2018-08-24 北京灵伴未来科技有限公司 一种虚拟人物语音与口型同步的建模与控制方法
CN108763190A (zh) * 2018-04-12 2018-11-06 平安科技（深圳）有限公司 基于语音的口型动画合成装置、方法及可读存储介质
CN108831463A (zh) * 2018-06-28 2018-11-16 广州华多网络科技有限公司 唇语合成方法、装置、电子设备及存储介质
CN109308731A (zh) * 2018-08-24 2019-02-05 浙江大学 级联卷积lstm的语音驱动唇形同步人脸视频合成算法
CN109377539A (zh) * 2018-11-06 2019-02-22 北京百度网讯科技有限公司 用于生成动画的方法和装置
CN109599113A (zh) * 2019-01-22 2019-04-09 北京百度网讯科技有限公司 用于处理信息的方法和装置

Also Published As

Publication number Publication date
CN110288682A (zh) 2019-09-27
US20200410731A1 (en) 2020-12-31
JP6936298B2 (ja) 2021-09-15
JP2021009669A (ja) 2021-01-28
KR20210001859A (ko) 2021-01-06
KR102346046B1 (ko) 2021-12-30
US11308671B2 (en) 2022-04-19

Similar Documents

Publication Publication Date Title
CN110288682B (zh) 用于控制三维虚拟人像口型变化的方法和装置
US11158102B2 (en) Method and apparatus for processing information
CN110298906B (zh) 用于生成信息的方法和装置
CN111476871B (zh) 用于生成视频的方法和装置
JP7208952B2 (ja) 対話モデルを生成するための方法及び装置
CN110347867B (zh) 用于生成嘴唇动作视频的方法和装置
WO2019237657A1 (zh) 用于生成模型的方法和装置
US20210192288A1 (en) Method and apparatus for processing data
CN109981787B (zh) 用于展示信息的方法和装置
CN109189544B (zh) 用于生成表盘的方法和装置
CN110534085B (zh) 用于生成信息的方法和装置
EP4024880A1 (en) Video generation method and apparatus, electronic device, and computer readable medium
CN112182255A (zh) 用于存储媒体文件和用于检索媒体文件的方法和装置
JP6949931B2 (ja) 情報を生成するための方法および装置
CN114501064A (zh) 一种视频生成方法、装置、设备、介质及产品
CN117319705A (zh) 视频生成方法、装置、介质及电子设备
CN113282791B (zh) 视频生成方法和装置
CN112766498B (zh) 模型训练方法及装置
CN112383721B (zh) 用于生成视频的方法、装置、设备和介质
CN112381926A (zh) 用于生成视频的方法和装置
CN111260756B (zh) 用于发送信息的方法和装置
CN107283429B (zh) 基于人工智能的控制方法、装置、系统以及终端
CN112309390B (zh) 信息交互方法和装置
CN115310582A (zh) 用于训练神经网络模型的方法和装置
CN112308745A (zh) 用于生成信息的方法和装置

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