CN111354370A - 一种唇形特征预测方法、装置和电子设备 - Google Patents

一种唇形特征预测方法、装置和电子设备 Download PDF

Info

Publication number
CN111354370A
CN111354370A CN202010091799.5A CN202010091799A CN111354370A CN 111354370 A CN111354370 A CN 111354370A CN 202010091799 A CN202010091799 A CN 202010091799A CN 111354370 A CN111354370 A CN 111354370A
Authority
CN
China
Prior art keywords
lip
ppg
neural network
network model
feature
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
CN202010091799.5A
Other languages
English (en)
Other versions
CN111354370B (zh
Inventor
刘玉强
孙涛
王文富
鲍冠伯
彭哲
贾磊
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.)
Baidu Online Network Technology Beijing Co Ltd
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 CN202010091799.5A priority Critical patent/CN111354370B/zh
Publication of CN111354370A publication Critical patent/CN111354370A/zh
Priority to US17/024,662 priority patent/US11562732B2/en
Priority to JP2020157690A priority patent/JP7167106B2/ja
Priority to KR1020210018506A priority patent/KR102528771B1/ko
Priority to EP21156681.5A priority patent/EP3866166B1/en
Application granted granted Critical
Publication of CN111354370B publication Critical patent/CN111354370B/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
    • 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
    • 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
    • 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
    • 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
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • 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
    • G10L15/16—Speech classification or search using artificial neural 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种唇形特征预测方法、装置和电子设备，涉及虚拟技术领域。具体实现方案为：识别语音特征的PPG；使用神经网络模型对所述PPG进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。本申请可以提高预测唇形特征的准确性。

Description

一种唇形特征预测方法、装置和电子设备
技术领域
本申请涉及计算机技术领域中的虚拟技术领域，尤其涉及一种唇形特征预测方法、装置和电子设备。
背景技术
随着人工智能、数字通信等技术的快速发展，虚拟形象逐渐成为下一代人工智能交互的重要发展方向。其中，虚拟形象中唇形特征是一个关键的技术特征。目前主要是采用音素、音节等作为语音特征，并通过该领域的专家定义一系列的唇形映射规则确定唇形特征。但目前该方法预测唇形特征的准确性比较差。
发明内容
本申请提供一种唇形特征预测方法、装置和电子设备，以解决预测唇形特征的准确性比较差的问题。
第一方面，本申请提供一种唇形特征预测方法，包括：
识别语音特征的语音后验概率(Phonetic Posterior Grams,PPG)；
使用神经网络模型对所述PPG进行预测，以预测到所述语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。
由于通过神经网络模型对语音特征的PPG进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。
可选的，所述PPG训练样本包括：
目标语音特征的PPG，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；
所述唇形特征训练样本包括所述目标语音特征的PPG对应的唇形特征。
由于目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征，这样使得神经网络模型预测的唇形特征更加准确。
可选的，所述目标语音特征的频率与所述目标语音特征的PPG对应的唇形特征的频率匹配。
由于目标语音特征的频率与唇形特征的频率匹配，进一步提高神经网络模型预测的唇形特征的准确性。
可选的，所述神经网络模型为具有自回归机制的循环神经网络(RecurrentNeural Network，RNN)模型，所述RNN模型的训练过程中包括：
将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。
由于将上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，这样可以进一步提高上述神经网络模型预测唇形特征的准确性。
可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：
回归唇形点、唇形缩略图、混合变形(blend shape)系数和3维形变模型(3DMorphable Models，3DMM)表情系数。
由于可以预测多个唇形特征，从而提升上述神经网络模型的泛化性能。
可选的，所述方法还包括：
使用所述神经网络模型对真实语音数据的PPG进行预测，得到真实语音数据的唇形特征；
依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。
由于使用神经网络模型预测的唇形特征构建唇形特征索引库这样可以提高神经网络模型输出的预测唇形特征与索引库种唇形特征的拟合度，进而提升索引精度。
第二方面，本申请提供一种唇形特征预测装置，包括：
识别模块，用于识别语音特征的PPG；
第一预测模块，用于使用神经网络模型对所述PPG进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。
可选的，所述PPG训练样本包括：
目标语音特征的PPG，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；
所述唇形特征训练样本包括所述目标语音特征的PPG对应的唇形特征。
可选的，所述神经网络模型为具有自回归机制的循环神经网络RNN模型，所述RNN模型的训练过程中包括：
将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。
可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：
回归唇形点、唇形缩略图、混合变形系数和3维形变模型3DMM表情系数。
可选的，所述装置还包括：
第二预测模块，用于使用所述神经网络模型对真实语音数据的PPG进行预测，得到真实语音数据的唇形特征；
构建模块，用于依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。
第三方面，本申请提供一种电子设备，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本申请提供的方法。
第四方面，本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本申请提供的方法。
上述申请中的一个实施例具有如下优点或有益效果：
识别语音特征的PPG；使用神经网络模型对所述PPG进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。因为采用神经网络模型对语音特征的PPG进行预测的技术手段，所以克服了预测唇形特征的准确性比较差的技术问题，进而达到提高预测唇形特征的准确性的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请提供的一种唇形特征预测方法的流程图；
图2是本申请提供的一种唇形特征预测装置的结构图；
图3是本申请提供的另一种唇形特征预测装置的结构图；
图4是用来实现本申请实施例的唇形特征预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
请参见图1，图1是本申请提供的一种唇形特征预测方法的流程图，如图1所示，包括以下步骤：
步骤S101、识别语音特征的PPG。
其中，上述识别语音特征的PPG可以是基于自动语音识别系统提取上述语音特征的PPG。
需要说明的是，本申请中语音特征也可以理解为语音数据。
步骤S102、使用神经网络模型对所述PPG进行预测，以预测到所述语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。
其中，上述神经网络模型可以是输入为PPG输出为对应的唇形特征的端到端神经网络模型。
需要说明的是，本申请中并不限定神经网络模型的种类，例如：卷积神经网络(Convolutional Neural Networks，CNN)模型、深度神经网络(Deep Neural Networks，DNN)模型或者RNN模型等。
本申请中，由于PPG作为说话者无关特征，这样通过PPG可以得到不同说话者的共性语音特征，相较于音素等语音特征，PPG与语音的同步性更强，即提高语音与唇动的同步性。
本申请中，由于通过神经网络模型对语音特征的PPG进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。
可选的，所述PPG训练样本包括：
目标语音特征的PPG，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；
所述唇形特征训练样本包括所述目标语音特征的PPG对应的唇形特征。
其中，上述基于动态切片得到的，且具有完整的语义的语音特征可以是，根据语音的语义进行切片，以得到具有完整的语义的语音特征。
由于目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征，这样可以消除了由于人为截断音节导致的信息不连续现象，使得神经网络模型预测的唇形特征更加准确。
可选的，所述目标语音特征的频率与所述目标语音特征的PPG对应的唇形特征的频率匹配。
其中，上述目标语音特征的频率与唇形特征的频率匹配可以是，目标语音特征的频率与唇形特征的频率相同或者相似。例如：语音特征的频率为25Hz，唇形特征的频率也为25Hz。进一步，当语音特征的频率与唇形特征的频率不匹配时，本申请可以对语音特征的频率进行调整，例如：将100Hz的语音特征调整为25Hz的语音特征，由于可以对语音特征的频率进行调整，这样可以提升神经网络模型训练的灵活度。
由于目标语音特征的频率与唇形特征的频率匹配，进一步提高神经网络模型预测的唇形特征的准确性。
可选的，所述神经网络模型为具有自回归机制的循环神经网络RNN模型，所述RNN模型的训练过程中包括：
将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。
其中，上述当前帧可以是训练过程中当前进行训练的帧，本申请中训练样本包括多帧，每帧对应一个PPG和唇形特征。
由于将上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，这样可以实现每一个时刻的唇形与当前时刻及前后时刻的语音有关，从而进一步提高上述神经网络模型预测唇形特征的准确性。
可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：
回归唇形点、唇形缩略图、混合变形(blend shape)系数和3DMM表情系数。
其中，多分支网络神经网络模型可以是指该神经网络模型具备多个分支网络，每个分支网络可以预测一个唇形特征，例如：4个分支网络分别预测回归唇形点、唇形缩略图、混合变形系数和3DMM表情系数。
由于可以预测多个唇形特征，从而提升上述神经网络模型的泛化性能。进一步的，由于可以预测回归唇形点、唇形缩略图、混合变形系数和3DMM表情系数中的多项，这样通过多特征的融合预测，一方面可以利用唇形特征之间的相关性有效提升神经网络模型的泛化性能，另一方面有效的扩大了模型的应用范围，可以方便地应用于2D、3D虚拟形象的制作。
可选的，所述方法还包括：
使用所述神经网络模型对真实语音数据的PPG进行预测，得到真实语音数据的唇形特征；
依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。
其中，上述真实语音数据和真实语音数据的唇形特征可以是上述神经网络模型的训练样本。当然，对此不作限定，例如：也可以采集到的其他真实数据。
上述依据所述真实语音数据的唇形特征构建唇形特征索引库可以是，依据所述真实语音数据的唇形特征重构唇形特征索引库，例如：上述唇形特征索引库原本是包括真实唇形特征，该实施方式中，通过上述预测的真实语音数据的唇形特征替换掉唇形特征索引库中的真实的唇形特征。
上述唇形特征索引库可以是在虚拟形象合成中获取唇形特征的索引库。
由于使用神经网络模型预测的唇形特征构建唇形特征索引库这样可以提高神经网络模型输出的预测唇形特征与索引库种唇形特征的拟合度，进而提升索引精度。
本申请中，识别语音特征的PPG；使用神经网络模型对所述PPG进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。由于通过神经网络模型对语音特征的PPG进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。
请参见图2，图2是本申请提供的一种唇形特征预测装置的结构图，如图2所示，唇形特征预测装置200包括：
识别模块201，用于识别语音特征的PPG；
第一预测模块202，用于使用神经网络模型对所述PPG进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。
可选的，所述PPG训练样本包括：
目标语音特征的PPG，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；
所述唇形特征训练样本包括所述目标语音特征的PPG对应的唇形特征。
可选的，所述神经网络模型为具有自回归机制的循环神经网络RNN模型，所述RNN模型的训练过程中包括：
将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。
可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：
回归唇形点、唇形缩略图、混合变形系数和3维形变模型3DMM表情系数。
可选的，如图3所示，所述装置还包括：
第二预测模块203，用于使用所述神经网络模型对真实语音数据的PPG进行预测，得到真实语音数据的唇形特征；
构建模块204，用于依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。
本实施例提供的装置能够实现图1所示的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的唇形特征预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的唇形特征预测方法。本申请的非瞬时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计算机执行本申请所提供的唇形特征预测方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的唇形特征预测方法对应的程序指令/模块(例如，附图2所示的识别模块201和第一预测模块202)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的唇形特征预测方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据唇形特征预测方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至唇形特征预测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
唇形特征预测方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与唇形特征预测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，识别语音特征的PPG；使用神经网络模型对所述PPG进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。由于通过神经网络模型对语音特征的PPG进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (13)

1.一种唇形特征预测方法，其特征在于，包括：
识别语音特征的语音后验概率PPG；
使用神经网络模型对所述PPG进行预测，以预测到所述语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。
2.如权利要求1所述的方法，其特征在于，所述PPG训练样本包括：
目标语音特征的PPG，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；
所述唇形特征训练样本包括所述目标语音特征的PPG对应的唇形特征。
3.如权利要求2所述的方法，其特征在于，所述目标语音特征的频率与所述目标语音特征的PPG对应的唇形特征的频率匹配。
4.如权利要求1所述的方法，其特征在于，所述神经网络模型为具有自回归机制的循环神经网络RNN模型，所述RNN模型的训练过程中包括：
将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。
5.如权利要求1所述的方法，其特征在于，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：
回归唇形点、唇形缩略图、混合变形系数和3维形变模型3DMM表情系数。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
使用所述神经网络模型对真实语音数据的PPG进行预测，得到真实语音数据的唇形特征；
依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。
7.一种唇形特征预测装置，其特征在于，包括：
识别模块，用于识别语音特征的语音后验概率PPG；
第一预测模块，用于使用神经网络模型对所述PPG进行预测，以预测到所述语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括PPG，输出包括唇形特征的神经网络模型，所述训练样本包括PPG训练样本和唇形特征训练样本。
8.如权利要求7所述的装置，其特征在于，所述PPG训练样本包括：
目标语音特征的PPG，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；
所述唇形特征训练样本包括所述目标语音特征的PPG对应的唇形特征。
9.如权利要求7所述的装置，其特征在于，所述神经网络模型为具有自回归机制的循环神经网络RNN模型，所述RNN模型的训练过程中包括：
将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的PPG训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。
10.如权利要求7所述的装置，其特征在于，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：
回归唇形点、唇形缩略图、混合变形系数和3维形变模型3DMM表情系数。
11.如权利要求7所述的装置，其特征在于，所述装置还包括：
第二预测模块，用于使用所述神经网络模型对真实语音数据的PPG进行预测，得到真实语音数据的唇形特征；
构建模块，用于依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。
12.一种电子设备，其特征在于，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权利要求1-6中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
CN202010091799.5A 2020-02-13 2020-02-13 一种唇形特征预测方法、装置和电子设备 Active CN111354370B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010091799.5A CN111354370B (zh) 2020-02-13 2020-02-13 一种唇形特征预测方法、装置和电子设备
US17/024,662 US11562732B2 (en) 2020-02-13 2020-09-17 Method and apparatus for predicting mouth-shape feature, and electronic device
JP2020157690A JP7167106B2 (ja) 2020-02-13 2020-09-18 口形特徴予測方法、装置及び電子機器
KR1020210018506A KR102528771B1 (ko) 2020-02-13 2021-02-09 입 모양 특징을 예측하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램
EP21156681.5A EP3866166B1 (en) 2020-02-13 2021-02-11 Method and apparatus for predicting mouth-shape feature, electronic device, storage medium and computer program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010091799.5A CN111354370B (zh) 2020-02-13 2020-02-13 一种唇形特征预测方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN111354370A true CN111354370A (zh) 2020-06-30
CN111354370B CN111354370B (zh) 2021-06-25

Family

ID=71195723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010091799.5A Active CN111354370B (zh) 2020-02-13 2020-02-13 一种唇形特征预测方法、装置和电子设备

Country Status (5)

Country Link
US (1) US11562732B2 (zh)
EP (1) EP3866166B1 (zh)
JP (1) JP7167106B2 (zh)
KR (1) KR102528771B1 (zh)
CN (1) CN111354370B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113314094A (zh) * 2021-05-28 2021-08-27 北京达佳互联信息技术有限公司 唇形模型的训练方法和装置及语音动画合成方法和装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3467712B1 (en) * 2017-10-06 2023-04-26 Sensing Feeling Limited Methods and systems for processing image data
CN113822968B (zh) * 2021-11-24 2022-03-04 北京影创信息科技有限公司 语音实时驱动虚拟人的方法、系统及存储介质
US20230394732A1 (en) * 2022-06-06 2023-12-07 Samsung Electronics Co., Ltd. Creating images, meshes, and talking animations from mouth shape data

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120116761A1 (en) * 2010-11-04 2012-05-10 Microsoft Corporation Minimum Converted Trajectory Error (MCTE) Audio-to-Video Engine
US20150287403A1 (en) * 2014-04-07 2015-10-08 Neta Holzer Zaslansky Device, system, and method of automatically generating an animated content-item
CN107944542A (zh) * 2017-11-21 2018-04-20 北京光年无限科技有限公司 一种基于虚拟人的多模态交互输出方法及系统
CN108538308A (zh) * 2018-01-09 2018-09-14 网易（杭州）网络有限公司 基于语音的口型和/或表情模拟方法及装置
US20190057714A1 (en) * 2015-10-29 2019-02-21 True Image Interactive, Inc Systems and methods for machine-generated avatars
CN109712627A (zh) * 2019-03-07 2019-05-03 深圳欧博思智能科技有限公司 一种使用语音触发虚拟人物表情及口型动画的语音系统
CN110136698A (zh) * 2019-04-11 2019-08-16 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
CN110428803A (zh) * 2019-07-22 2019-11-08 北京语言大学 一种基于发音属性的发音人国别识别方法及系统
CN110503959A (zh) * 2019-09-03 2019-11-26 腾讯科技（深圳）有限公司 语音识别数据分发方法、装置、计算机设备及存储介质
CN110503942A (zh) * 2019-08-29 2019-11-26 腾讯科技（深圳）有限公司 一种基于人工智能的语音驱动动画方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4631077B2 (ja) 2006-05-02 2011-02-16 株式会社国際電気通信基礎技術研究所 アニメーション作成装置
JP2015038725A (ja) 2013-07-18 2015-02-26 国立大学法人北陸先端科学技術大学院大学 発話アニメーション生成装置、方法、及びプログラム
CN106653052B (zh) 2016-12-29 2020-10-16 Tcl科技集团股份有限公司 虚拟人脸动画的生成方法及装置
US10839825B2 (en) * 2017-03-03 2020-11-17 The Governing Council Of The University Of Toronto System and method for animated lip synchronization
CN108763190B (zh) 2018-04-12 2019-04-02 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
US10699705B2 (en) 2018-06-22 2020-06-30 Adobe Inc. Using machine-learning models to determine movements of a mouth corresponding to live speech
US20220108510A1 (en) * 2019-01-25 2022-04-07 Soul Machines Limited Real-time generation of speech animation

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120116761A1 (en) * 2010-11-04 2012-05-10 Microsoft Corporation Minimum Converted Trajectory Error (MCTE) Audio-to-Video Engine
US20150287403A1 (en) * 2014-04-07 2015-10-08 Neta Holzer Zaslansky Device, system, and method of automatically generating an animated content-item
US20190057714A1 (en) * 2015-10-29 2019-02-21 True Image Interactive, Inc Systems and methods for machine-generated avatars
CN107944542A (zh) * 2017-11-21 2018-04-20 北京光年无限科技有限公司 一种基于虚拟人的多模态交互输出方法及系统
CN108538308A (zh) * 2018-01-09 2018-09-14 网易（杭州）网络有限公司 基于语音的口型和/或表情模拟方法及装置
CN109712627A (zh) * 2019-03-07 2019-05-03 深圳欧博思智能科技有限公司 一种使用语音触发虚拟人物表情及口型动画的语音系统
CN110136698A (zh) * 2019-04-11 2019-08-16 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
CN110428803A (zh) * 2019-07-22 2019-11-08 北京语言大学 一种基于发音属性的发音人国别识别方法及系统
CN110503942A (zh) * 2019-08-29 2019-11-26 腾讯科技（深圳）有限公司 一种基于人工智能的语音驱动动画方法和装置
CN110503959A (zh) * 2019-09-03 2019-11-26 腾讯科技（深圳）有限公司 语音识别数据分发方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
STACY MARSELLA，YUYU XU，MARGAUX LHOMMET: "Virtual Character Performance From Speech", 《PROCEEDINGS OF THE 12TH ACM SIGGRAPH》 *
谢金晶，陈益强，刘军发: "基于语音情感识别的多表情人脸动画方法", 《计算机辅助设计与图形学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113314094A (zh) * 2021-05-28 2021-08-27 北京达佳互联信息技术有限公司 唇形模型的训练方法和装置及语音动画合成方法和装置
CN113314094B (zh) * 2021-05-28 2024-05-07 北京达佳互联信息技术有限公司 唇形模型的训练方法和装置及语音动画合成方法和装置

Also Published As

Publication number Publication date
KR102528771B1 (ko) 2023-05-04
US11562732B2 (en) 2023-01-24
JP2021128327A (ja) 2021-09-02
KR20210103423A (ko) 2021-08-23
CN111354370B (zh) 2021-06-25
JP7167106B2 (ja) 2022-11-08
US20210256962A1 (en) 2021-08-19
EP3866166B1 (en) 2023-05-17
EP3866166A1 (en) 2021-08-18

Similar Documents

Publication Publication Date Title
CN111354370B (zh) 一种唇形特征预测方法、装置和电子设备
US11417314B2 (en) Speech synthesis method, speech synthesis device, and electronic apparatus
CN112131988A (zh) 确定虚拟人物唇形的方法、装置、设备和计算机存储介质
US11423907B2 (en) Virtual object image display method and apparatus, electronic device and storage medium
CN111144108A (zh) 情感倾向性分析模型的建模方法、装置和电子设备
CN111709252B (zh) 基于预训练的语义模型的模型改进方法及装置
CN111079945B (zh) 端到端模型的训练方法及装置
KR102630243B1 (ko) 구두점 예측 방법 및 장치
CN110782871B (zh) 一种韵律停顿预测方法、装置以及电子设备
CN111862987B (zh) 语音识别方法和装置
CN111177355A (zh) 基于搜索数据的人机对话交互方法、装置和电子设备
CN112287698B (zh) 篇章翻译方法、装置、电子设备和存储介质
US20220068265A1 (en) Method for displaying streaming speech recognition result, electronic device, and storage medium
CN112365875B (zh) 语音合成方法、装置、声码器和电子设备
CN111324715A (zh) 问答机器人的生成方法和装置
CN110767212B (zh) 一种语音处理方法、装置和电子设备
CN112232089B (zh) 语义表示模型的预训练方法、设备和存储介质
CN111680599A (zh) 人脸识别模型处理方法、装置、设备和存储介质
CN112581933B (zh) 语音合成模型获取方法、装置、电子设备及存储介质
CN114267375A (zh) 音素检测方法及装置、训练方法及装置、设备和介质
CN112102447A (zh) 图像处理方法、装置、设备及存储介质
CN111324747A (zh) 三元组的生成方法、装置及电子设备
CN112507692B (zh) 建立风格文本生成模型的方法、装置
CN111680598B (zh) 人脸识别模型处理方法、装置、设备和存储介质
CN112508830B (zh) 图像处理模型的训练方法、装置、设备及存储介质

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