CN111897976A - 一种虚拟形象合成方法、装置、电子设备及存储介质 - Google Patents

一种虚拟形象合成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111897976A
CN111897976A CN202010832917.3A CN202010832917A CN111897976A CN 111897976 A CN111897976 A CN 111897976A CN 202010832917 A CN202010832917 A CN 202010832917A CN 111897976 A CN111897976 A CN 111897976A
Authority
CN
China
Prior art keywords
audio
video
facial feature
avatar
feature point
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.)
Pending
Application number
CN202010832917.3A
Other languages
English (en)
Inventor
顾宇
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 ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network 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 ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202010832917.3A priority Critical patent/CN111897976A/zh
Publication of CN111897976A publication Critical patent/CN111897976A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/432—Query formulation
    • G06F16/433—Query formulation using audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/685—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using automatically derived transcript of audio data, e.g. lyrics
    • 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
    • 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
    • G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请公开了一种虚拟形象合成方法、装置、电子设备及存储介质。方法包括：获取与文本信息对应的音频；获取与音频对应的面部特征点序列；根据面部特征点序列获取视频；将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。通过获取与文本信息对应的音频，并通过音频获取视频，将音频和视频结合获取虚拟形象，从而在老师进行网上授课的过程中，可以根据所创建的虚拟形象通过不同的端口分别与学生进行互动，从而避免了重复操作，提高了老师的网上授课效率。

Description

一种虚拟形象合成方法、装置、电子设备及存储介质
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种虚拟形象合成方法、装置、电子设备及存储介质。
背景技术
随着网络技术的发展，网络授课得到越来越多的推广，网络授课相对于传统的授课方式，不需要老师以及学生花费较长的交通时间去到固定的场所，从而节省了老师以及学生的时间，并且由于不需要占用固定的场所，从而节省了社会资源。
但是在网络授课的过程中，一个授课老师可能需要面对多个学生，在与学生进行互动的时候，针对同一句话在与多人分别进行互动的过程中可能需要进行多次重复的操作，从而降低了老师的网上授课效率。
发明内容
本公开实施例提供一种虚拟形象合成方法、装置、电子设备及存储介质，以实现采用所创建的虚拟形象进行网上授课的互动。
第一方面，本公开实施例提供了一种虚拟形象合成方法，该方法包括：获取与文本信息对应的音频；
获取与音频对应的面部特征点序列；
根据面部特征点序列获取视频；
将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。
第二方面，本公开实施例还提供了一种虚拟形象合成装置，该装置包括：
音频获取模块，用于获取与文本信息对应的音频；
面部特征点序列获取模块，用于获取与音频对应的面部特征点序列；
视频获取模块，用于根据面部特征点序列获取视频；
虚拟形象输出模块，用于将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。
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：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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本公开任意实施例的方法。
第四方面，本公开实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开任意实施例的方法。
本公开实施例中，通过获取与文本信息对应的音频，并通过音频获取视频，将音频和视频结合获取虚拟形象，从而在老师进行网上授课的过程中，可以根据所创建的虚拟形象通过不同的端口分别与学生进行互动，从而避免了重复操作，提高了老师的网上授课效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1(a)是本公开实施例一提供的一种虚拟形象合成方法的流程图；
图1(b)是本公开实施例一提供的面部特征点的示意图；
图1(c)是本公开实施例一提供的面部标准模板的示意图；
图1(d)是本公开实施例一提供的面部图像的示意图；
图2是本公开实施例二提供的一种虚拟形象合成方法的流程图；
图3是本公开实施例三提供的一种虚拟形象合成装置的结构示意图；
图4是本公开实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
实施例一
图1是本公开实施例提供的虚拟形象合成方法的流程图，本实施例可适用于在网上授课的过程中采用虚拟形象进行互动的情况，该方法可以由本公开实施例提供的虚拟形象合成装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在计算机设备中。本公开实施例的方法具体包括：
可选的，如图1(a)所示，本公开实施例中的方法可以包括如下步骤：
步骤101，获取与文本信息对应的音频。
可选的，获取与文本信息对应的音频，可以包括：响应于检测到用户的输入指令，获取文本信息；确定文本信息对应的时长；将文本信息和时长输入预先训练的语音合成模型获取音频，其中，语音合成系统用于按照时长将文本信息转换为音频。
具体的说，在本实施方式中，正在进行网上大班授课的老师如果在不影响其他学生正常上课的情况下，需要与指定的一个或多个学生进行互动时，可以采用触发虚拟形象创建的方式，采用所创建的虚拟形象与该指定的学生互动，而针对其他学生则仍然采用自己的真实形象进行网络授课。具体操作方式可以是，通过触发输入端口输入文本信息，终端会响应于检测到用户的输入指令，获取文本信息，例如，文本信息为“请注意听课”，并确定文本信息对应的时长。其中，确定时长的方式具体可以采用预选训练的时长预测模型，例如，将文本信息“请注意听课”输入时长预测模型，获得时长为3秒。当然，还可以通过提前设置时长列表，在时长列表中包含了每一个字节所对应的子时长，将文本信息中每一个字节所对应的子时长相加获取文本信息对应的时长。因此在确定文本信息对应的时长时可以采用模型的方式也可以采用查表的方式，本申请实施方式中并不对时长的具体获取方式进行限定。
其中，在文本信息和时长已知的情况下，可以将文本信息和时长输入预先训练的语音合成模型获取音频，例如，将文本信息“请注意听课”和时长3秒输入语音合成模型，语音合成模型会按照3秒时长将文本信息“请注意听课”转换为音频。
步骤102，获取与音频对应的面部特征点序列。
可选的，获取与音频对应的面部特征点序列，可以包括：根据音频获取音频帧序列；将音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列，其中，面部特征点序列中包含多组面部特征点，特征点预测模型用于确定每一个音频帧所对应的一组面部特征点。
具体的说，在本实施方式中，在获取到音频后可以根据音频获取音频帧序列，例如，时长为3秒的音频“请注意听课”，确定包含100个音频帧，则将所获取的100个音频帧输入预先训练的特征点预测模型，获取面部特征点序列，在面部特征点序列中包含多组面部特征点，特征点预测模型所输出的面部特征点的组数与音频帧的个数相同，即每一个音频帧分别对应一组面部特征点。例如，确定与第一个音频帧所对应的面部特征点的示意图如图1(b)所示，本实施方式中是以68个面部特征点为例进行的说明。在确定输入的是100个音频帧时，特征点预测模型会相应的输出100组面部特征点，并且每一组面部特征点中特征点的数目是68个，将100组面部特征点按照按获取顺序依次排列获取面部特征点序列。
可选的，将音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列之前，还可以包括：获取媒体文件，其中，媒体文件中包含样本音频以及同步播放的面部视频；从音频中提取样本音频帧，以及从所述视频中提取与样本音频帧同步的样本视频帧；提取样本视频帧中所包含的样本面部特征点；根据样本音频帧和样本面部特征点对特征点预测模型进行训练。
需要说明的是，本实施方式中在将音频帧序列输入预先训练的特征点预测模型之前，需要先采用样本对特征点预测模型进行训练，以使特征点预测模型在正式应用的过程中能够输出与每个音频帧所对应的一组面部特征点，从而保证面部特征点获取的准确性。样本获取的方式是获取一个媒体文件，该媒体文件可以是老师进行网上授课时的一段录屏。在媒体文件中包含样本音频以及同步播放的面部视频，由于音频和视频是同步播放的，因此两者的音频帧和视频帧的帧数相同。从音频中提取样本音频帧，以及从视频中提取与样本音频帧同步的样本视频帧，例如，音频帧提取了50个，则相应的提取视频帧的个数也是50个，提取第一个样本音频帧以及第一个样本视频帧，则提取第一个样本视频帧中所包含的样本面部特征点，则将第一个样本音频帧和第一个样本视频帧所对应的样本面部特征点作为一组样本，则相应的可以依次提取50组样本，根据所获取的50组样本对特征点预测模型进行训练，当确定训练误差达到预设阈值则确定训练完成，并采用所训练完成的特征点预测模型进行后续的面部特征点的预测。
步骤103，根据面部特征点序列获取视频。
其中，视频和音频的帧数相同。
可选的，根据面部特征点序列获取视频，可以包括：获取面部标准模板；将每一组面部特征点添加到面部标准模板，获取每一帧面部图像；将每一帧面部图像按帧顺序依次连接获取视频。
具体的说，在本实施方式中，可以获取面部标准模板，本实施方式的面部标准模板可以是在老师网上授课的过程中随机截取的老师的一张脸部正面照片，如图1(c)所示为所获取的面部标准模板的示意图。将上述每一组面部特征点分别添加到面部标准模板中，以获取每一帧面部图像，如图1(d)所示为所获取的面部图像的示意图，在确定存在100组面部特征点时，则相应的获取100帧面部图像，将所获取的100帧面部图像按帧顺序依次连接获取视频。
步骤104，将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。
可选的，将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出，可以包括：将音频和视频按照相同的时间轴进行音频帧和视频帧的组合，获得虚拟形象；将虚拟形象通过不同的端口输出，其中，每一个端口分别对应不同的标记。
可选的，将虚拟形象通过不同的端口输出，可以包括：将标记添加到虚拟形象；将添加标记的虚拟形象通过对应的端口进行输出。
可选的，不同的端口所输出的添加标记的虚拟形象互不相同。
具体的说，由于所获取的音频和视频分别是独立的，即音频中只有声音，而视频中只有老师面部表情发生变化的图像，但是由于音频和视频的帧数相同，因此将音频和视频按照相同的时间轴进行音频帧和视频帧的组合，可以获得虚拟形象，即显示虚拟的老师正在说话。由于每个学生的终端设备分别对应不同的端口，并且每一个端口分别对应不同的标记，例如，学生A终端设备端口1所对应的标记为话术“A”，学生B终端设备端口2所对应的标记为话术“B”，则在确定老师与指定的学生A和B进行互动时，可以将话术“A”添加到所合成的虚拟形象中，并将添加话术“A”的虚拟形象通过端口1进行输出，则学生A通过端口1所获取的虚拟形象为老师面部表情在动，并且听到的声音是“A，请注意听课”；同时将话术“B”添加到所合成的虚拟形象中，并将添加话术“B”的虚拟形象通过端口2进行输出，则学生B通过端口2所获取的虚拟形象为老师面部表情在动，并且听到的声音是“B，请注意听课”。因此老师进行一次操作,就可以同时完成与学生A和学生B的互动，并且也不会影响其他学生的正常听课过程，从而提高了网上授课的效率。
需要说明的是，本实施方式中通过不同的端口所输出的添加标记的虚拟形象不相同，可以是不同的端口采用不同的面部标准模板因此虚拟形象本身不相同；或者不同的端口所采用的是相同的面部标准模板，因此虚拟形象本身是相同的，但是虚拟形象的面部表情和动作不相同、针对每一个同学所说的话不相同。因此本实施方式中并不对每一个端口所输出的添加标记的虚拟形象的区别进行限定。
本公开实施例中，通过获取与文本信息对应的音频，并通过音频获取视频，将音频和视频结合获取虚拟形象，从而在老师进行网上授课的过程中，可以根据所创建的虚拟形象通过不同的端口分别与学生进行互动，从而避免了重复操作，提高了老师的网上授课效率。
实施例二
图2是本公开实施例二提供的虚拟形象合成方法的流程图，本公开实施例可以与上述实施例中各可选方案结合，本公开实施例中，在将音频和视频集合获得虚拟形象，并将虚拟形象通过不同的端口输出之后，还包括：对输出的虚拟形象进行检测，在检测结果异常的情况下发出报警提示。
如图2所示，本公开实施例的方法具体包括：
步骤201，获取与文本信息对应的音频。
可选的，获取与文本信息对应的音频，可以包括：响应于检测到用户的输入指令，获取文本信息；确定文本信息对应的时长；将文本信息和时长输入预先训练的语音合成模型获取音频，其中，语音合成系统用于按照时长将文本信息转换为音频。
步骤202，获取与音频对应的面部特征点序列。
可选的，获取与音频对应的面部特征点序列，可以包括：根据音频获取音频帧序列；将音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列，其中，面部特征点序列中包含多组面部特征点，特征点预测模型用于确定每一个音频帧所对应的一组面部特征点。
可选的，将音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列之前，还可以包括：获取媒体文件，其中，媒体文件中包含样本音频以及同步播放的面部视频；从音频中提取样本音频帧，以及从所述视频中提取与样本音频帧同步的样本视频帧；提取样本视频帧中所包含的样本面部特征点；根据样本音频帧和样本面部特征点对特征点预测模型进行训练。
步骤203，根据面部特征点序列获取视频。
其中，视频和音频的帧数相同。
可选的，根据面部特征点序列获取视频，可以包括：获取面部标准模板；将每一组面部特征点添加到面部标准模板，获取每一帧面部图像；将每一帧面部图像按帧顺序依次连接获取视频。
步骤204，将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。
可选的，将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出，可以包括：将音频和视频按照相同的时间轴进行音频帧和视频帧的组合，获得虚拟形象；将虚拟形象通过不同的端口输出，其中，每一个端口分别对应不同的标记。
可选的，将虚拟形象通过不同的端口输出，可以包括：将标记添加到虚拟形象；将添加标记的虚拟形象通过对应的端口进行输出。
步骤205，对输出的虚拟形象进行检测，在检测结果异常的情况下发出报警提示。
其中，在输出虚拟形象之后，会对输出的虚拟形象进行检测，如果所输出的虚拟形象存在明显错误会进行报警，例如，出现虚拟形象的画面和声音明显不对应，声音已经停止但是视频中老师的嘴部还在动等，或者所输出的虚拟形象并未通过指定的端口传输到指定学生的终端设备上进行显示。当虚拟形象存在明显错误的情况下，会采用语音的形式进行报警，例如播报“当前虚拟形象无效，请注意查看”，当然，还可以采用其它形式的报警方式，本申请实施方式中并不对其进行限定。
本公开实施例中，通过获取与文本信息对应的音频，并通过音频获取视频，将音频和视频结合获取虚拟形象，从而在老师进行网上授课的过程中，可以根据所创建的虚拟形象通过不同的端口分别与学生进行互动，从而避免了重复操作，提高了老师的网上授课效率。并且通过对虚拟形象进行检测，在检测结果异常的情况下进行报警，以指示用户根据报警信息及时对终端设备或虚拟形象获取过程进行检修，从而保证虚拟形象获取的准确性。
实施例三
图3是本公开实施例三提供的虚拟形象合成装置的结构示意图。该装置可采用软件和/或硬件的方式实现，并一般可集成在执行方法的电子设备中。如图3所示，该装置可以包括：
音频获取模块301，用于获取与文本信息对应的音频；
面部特征点序列获取模块302，用于获取与音频对应的面部特征点序列；
视频获取模块303，用于根据面部特征点序列获取视频，其中，视频和音频的帧数相同；
虚拟形象输出模块304，用于将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。
本公开实施例中，通过获取与文本信息对应的音频，并通过音频获取视频，将音频和视频结合获取虚拟形象，从而在老师进行网上授课的过程中，可以根据所创建的虚拟形象通过不同的端口分别与学生进行互动，从而避免了重复操作，提高了老师的网上授课效率。
可选的，在上述技术方案的基础上，音频获取模块，具体用于：响应于检测到用户的输入指令，获取文本信息；
确定文本信息对应的时长；
将文本信息和时长输入预先训练的语音合成模型获取音频，其中，语音合成系统用于按照时长将文本信息转换为音频。
可选的，在上述技术方案的基础上，面部特征点序列获取模块，具体用于：根据音频获取音频帧序列；
将音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列，其中，面部特征点序列中包含多组面部特征点，特征点预测模型用于确定每一个音频帧所对应的一组面部特征点。
可选的，在上述技术方案的基础上，装置还包括：特征点预测模型训练模块，用于：
获取媒体文件，其中，媒体文件中包含样本音频以及同步播放的面部视频；
从音频中提取样本音频帧，以及从视频中提取与样本音频帧同步的样本视频帧；
提取样本视频帧中所包含的样本面部特征点；
根据样本音频帧和样本面部特征点对特征点预测模型进行训练。
可选的，在上述技术方案的基础上，视频获取模块，用于：
获取面部标准模板；
将每一组面部特征点添加到面部标准模板，获取每一帧面部图像；
将每一帧面部图像按帧顺序依次连接获取视频。
可选的，在上述技术方案的基础上，虚拟形象输出模块包括：
虚拟形象获取子模块，用于将音频和视频按照相同的时间轴进行音频帧和视频帧的组合，获得虚拟形象；
虚拟形象输出子模块，用于将虚拟形象通过不同的端口输出，其中，每一个端口分别对应不同的标记。
可选的，在上述技术方案的基础上，虚拟形象输出子模块，具体用于：
将标记添加到虚拟形象；
将添加标记的虚拟形象通过对应的端口进行输出。
可选的，在上述技术方案的基础上，不同的端口所输出的添加标记的虚拟形象互不相同。
可选的，在上述技术方案的基础上，视频和音频的帧数相同。
本公开实施例提供的虚拟形象合成装置，与上述各实施例提供的虚拟形象合成方法属于同一构思，未在本公开实施例中详尽描述的技术细节可参见上述各实施例，并且本公开实施例与上述各实施例具有相同的有益效果。
实施例四
下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的电子设备可以是应用程序的后端服务平台对应的设备，还可以是安装有应用程序客户端的移动终端设备。具体的，该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4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4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：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406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，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，其包括承载在非暂态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409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401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。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
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，使得该电子设备内部进程执行：获取与文本信息对应的音频；获取与音频对应的面部特征点序列；根据面部特征点序列获取视频；将音频和视频结合获得虚拟形象，并将虚拟形象通过不同的端口输出。
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但不限于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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例1】提供了一种虚拟形象合成方法，包括：
获取与文本信息对应的音频；
获取与所述音频对应的面部特征点序列；
根据所述面部特征点序列获取视频；
将所述音频和所述视频结合获得虚拟形象，并将所述虚拟形象通过不同的端口输出。
根据本公开的一个或多个实施例，【示例2】提供了示例1的方法，还包括：
响应于检测到用户的输入指令，获取所述文本信息；
确定所述文本信息对应的时长；
将所述文本信息和所述时长输入预先训练的语音合成模型获取所述音频，其中，所述语音合成系统用于按照所述时长将所述文本信息转换为所述音频。
根据本公开的一个或多个实施例，【示例3】提供了示例1的方法，还包括：
根据所述音频获取音频帧序列；
将所述音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列，其中，所述面部特征点序列中包含多组面部特征点，所述特征点预测模型用于确定每一个音频帧所对应的一组面部特征点。
根据本公开的一个或多个实施例，【示例4】提供了示例3的方法，还包括：
获取媒体文件，其中，所述媒体文件中包含样本音频以及同步播放的面部视频；
从所述音频中提取样本音频帧，以及从所述视频中提取与所述音频帧同步的样本视频帧；
提取所述样本视频帧中所包含的样本面部特征点；
根据所述样本音频帧和所述样本面部特征点对所述特征点预测模型进行训练。
根据本公开的一个或多个实施例，【示例5】提供了示例1的方法，还包括：
获取面部标准模板；
将每一组面部特征点添加到所述面部标准模板，获取每一帧面部图像；
将每一帧所述面部图像按帧顺序依次连接获取所述视频。
根据本公开的一个或多个实施例，【示例6】提供了示例1的方法，还包括：
将所述音频和所述视频按照相同的时间轴进行音频帧和视频帧的组合，获得所述虚拟形象；
将所述虚拟形象通过不同的端口输出，其中，每一个端口分别对应不同的标记。
根据本公开的一个或多个实施例，【示例7】提供了示例6所述的方法，还包括：
将所述标记添加到所述虚拟形象；
将添加标记的虚拟形象通过对应的端口进行输出。
根据本公开的一个或多个实施例，【示例8】提供了示例7所述的方法，还包括：不同的端口所输出的添加标记的虚拟形象互不相同。
根据本公开的一个或多个实施例，【示例9】提供了示例1所述的方法，所述视频和所述音频的帧数相同。
根据本公开的一个或多个实施例，【示例10】提供了一种虚拟形象合成装置，包括：
音频获取模块，用于获取与文本信息对应的音频；
面部特征点序列获取模块，用于获取与所述音频对应的面部特征点序列；
视频获取模块，用于根据所述面部特征点序列获取视频，其中，所述视频和所述音频的帧数相同；
虚拟形象输出模块，用于将所述音频和所述视频结合获得虚拟形象，并将所述虚拟形象通过不同的端口输出。
根据本公开的一个或多个实施例，【示例11】提供了实例10所述的装置，音频获取模块，用于：
响应于检测到用户的输入指令，获取所述文本信息；
确定所述文本信息对应的时长；
将所述文本信息和所述时长输入预先训练的语音合成模型获取所述音频，其中，所述语音合成系统用于按照所述时长将所述文本信息转换为所述音频。
根据本公开的一个或多个实施例，【示例12】提供了实例10所述的装置，面部特征点序列获取模块，用于：
根据所述音频获取音频帧序列；
将所述音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列，其中，所述面部特征点序列中包含多组面部特征点，所述特征点预测模型用于确定每一个音频帧所对应的一组面部特征点。
根据本公开的一个或多个实施例，【示例13】提供了实例12所述的装置，还包括特征点预测模型训练模块，用于：
获取媒体文件，其中，所述媒体文件中包含样本音频以及同步播放的面部视频；
从所述音频中提取样本音频帧，以及从所述视频中提取与所述样本音频帧同步的样本视频帧；
提取所述样本视频帧中所包含的样本面部特征点；
根据所述样本音频帧和所述样本面部特征点对所述特征点预测模型进行训练。
根据本公开的一个或多个实施例，【示例14】提供了实例10所述的装置，视频获取模块，用于：
获取面部标准模板；
将每一组面部特征点添加到所述面部标准模板，获取每一帧面部图像；
将每一帧所述面部图像按帧顺序依次连接获取所述视频。
根据本公开的一个或多个实施例，【示例15】提供了实例10所述的装置，虚拟形象输出模块，包括：
虚拟形象获取子模块，用于将所述音频和所述视频按照相同的时间轴进行音频帧和视频帧的组合，获得所述虚拟形象；
虚拟形象输出子模块，用于将所述虚拟形象通过不同的端口输出，其中，每一个端口分别对应不同的标记。
根据本公开的一个或多个实施例，【示例16】提供了实例15所述的装置，所述虚拟形象输出子模块，用于：
将所述标记添加到所述虚拟形象；
将添加标记的虚拟形象通过对应的端口进行输出。
根据本公开的一个或多个实施例，【示例17】提供了实例16所述的装置，包括：不同的端口所输出的添加标记的虚拟形象互不相同。
根据本公开的一个或多个实施例，【示例18】提供了实例10所述的装置，包括：所述视频和所述音频的帧数相同
根据本公开的一个或多个实施例，【示例19】提供了一种电子设备，包括存储器、处理装置及存储在存储器上并可在处理装置上运行的计算机程序，其特征在于，所述处理装置执行所述程序时实现如示例1-9中任一所述的方法。
根据本公开的一个或多个实施例，【示例20】提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如示例1-9中任一所述的方法。
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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (12)

1.一种虚拟形象合成方法，其特征在于，包括：
获取与文本信息对应的音频；
获取与所述音频对应的面部特征点序列；
根据所述面部特征点序列获取视频；
将所述音频和所述视频结合获得虚拟形象，并将所述虚拟形象通过不同的端口输出。
2.根据权利要求1所述的方法，其特征在于，所述获取与文本信息对应的音频，包括：
响应于检测到用户的输入指令，获取所述文本信息；
确定所述文本信息对应的时长；
将所述文本信息和所述时长输入预先训练的语音合成模型获取所述音频，其中，所述语音合成系统用于按照所述时长将所述文本信息转换为所述音频。
3.根据权利要求1所述的方法，其特征在于，所述获取与所述音频对应的面部特征点序列，包括：
根据所述音频获取音频帧序列；
将所述音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列，其中，所述面部特征点序列中包含多组面部特征点，所述特征点预测模型用于确定每一个音频帧所对应的一组面部特征点。
4.根据权利要求3所述的方法，其特征在于，所述将所述音频帧序列输入预先训练的特征点预测模型，获取面部特征点序列之前，还包括：
获取媒体文件，其中，所述媒体文件中包含样本音频以及同步播放的面部视频；
从所述音频中提取样本音频帧，以及从所述视频中提取与所述样本音频帧同步的样本视频帧；
提取所述样本视频帧中所包含的样本面部特征点；
根据所述样本音频帧和所述样本面部特征点对所述特征点预测模型进行训练。
5.根据权利要求1所述的方法，其特征在于，所述根据所述面部特征点序列获取视频，包括：
获取面部标准模板；
将每一组面部特征点添加到所述面部标准模板，获取每一帧面部图像；
将每一帧所述面部图像按帧顺序依次连接获取所述视频。
6.根据权利要求1所述的方法，其特征在于，将所述音频和所述视频结合获得虚拟形象，并将所述虚拟形象通过不同的端口输出，包括：
将所述音频和所述视频按照相同的时间轴进行音频帧和视频帧的组合，获得所述虚拟形象；
将所述虚拟形象通过不同的端口输出，其中，每一个端口分别对应不同的标记。
7.根据权利要求6所述的方法，其特征在于，将所述虚拟形象通过不同的端口输出，包括：
将所述标记添加到所述虚拟形象；
将添加标记的虚拟形象通过对应的端口进行输出。
8.根据权利要求7所述的方法，其特征在于，不同的端口所输出的添加标记的虚拟形象互不相同。
9.根据权利要求1所述的方法，其特征在于，所述视频和所述音频的帧数相同。
10.一种虚拟形象合成装置，其特征在于，包括：
音频获取模块，用于获取与文本信息对应的音频；
面部特征点序列获取模块，用于获取与所述音频对应的面部特征点序列；
视频获取模块，用于根据所述面部特征点序列获取视频；
虚拟形象输出模块，用于将所述音频和所述视频结合获得虚拟形象，并将所述虚拟形象通过不同的端口输出。
11.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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1-9任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9任一所述的方法。
CN202010832917.3A 2020-08-18 2020-08-18 一种虚拟形象合成方法、装置、电子设备及存储介质 Pending CN111897976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010832917.3A CN111897976A (zh) 2020-08-18 2020-08-18 一种虚拟形象合成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010832917.3A CN111897976A (zh) 2020-08-18 2020-08-18 一种虚拟形象合成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111897976A true CN111897976A (zh) 2020-11-06

Family

ID=73229673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010832917.3A Pending CN111897976A (zh) 2020-08-18 2020-08-18 一种虚拟形象合成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111897976A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112714186A (zh) * 2020-12-30 2021-04-27 北京大米科技有限公司 推流服务器的分配方法、媒体流的推送方法、装置、存储介质及电子设备
CN112804540A (zh) * 2020-12-30 2021-05-14 北京大米科技有限公司 媒体流的推送方法、装置、存储介质及电子设备
CN113079327A (zh) * 2021-03-19 2021-07-06 北京有竹居网络技术有限公司 视频生成方法和装置、存储介质和电子设备
CN115209180A (zh) * 2022-06-02 2022-10-18 阿里巴巴（中国）有限公司 视频生成方法以及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190392625A1 (en) * 2018-11-06 2019-12-26 Beijing Baidu Netcom Science and Technology Co., Ltd Method and apparatus for generating animation
CN110874557A (zh) * 2018-09-03 2020-03-10 阿里巴巴集团控股有限公司 一种语音驱动虚拟人脸的视频生成方法以及装置
CN111369967A (zh) * 2020-03-11 2020-07-03 北京字节跳动网络技术有限公司 基于虚拟人物的语音合成方法、装置、介质及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874557A (zh) * 2018-09-03 2020-03-10 阿里巴巴集团控股有限公司 一种语音驱动虚拟人脸的视频生成方法以及装置
US20190392625A1 (en) * 2018-11-06 2019-12-26 Beijing Baidu Netcom Science and Technology Co., Ltd Method and apparatus for generating animation
CN111369967A (zh) * 2020-03-11 2020-07-03 北京字节跳动网络技术有限公司 基于虚拟人物的语音合成方法、装置、介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
重庆市聚奎中学校: "《学习的革命：翻转课堂——聚奎中学的探索与实践》", 31 March 2015 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112714186A (zh) * 2020-12-30 2021-04-27 北京大米科技有限公司 推流服务器的分配方法、媒体流的推送方法、装置、存储介质及电子设备
CN112804540A (zh) * 2020-12-30 2021-05-14 北京大米科技有限公司 媒体流的推送方法、装置、存储介质及电子设备
CN113079327A (zh) * 2021-03-19 2021-07-06 北京有竹居网络技术有限公司 视频生成方法和装置、存储介质和电子设备
CN115209180A (zh) * 2022-06-02 2022-10-18 阿里巴巴（中国）有限公司 视频生成方法以及装置

Similar Documents

Publication Publication Date Title
CN111897976A (zh) 一种虚拟形象合成方法、装置、电子设备及存储介质
CN110969012B (zh) 文本纠错方法、装置、存储介质及电子设备
CN111883107B (zh) 语音合成、特征提取模型训练方法、装置、介质及设备
CN112286610A (zh) 一种互动处理方法、装置、电子设备和存储介质
CN112364144B (zh) 交互方法、装置、设备和计算机可读介质
CN113257218B (zh) 语音合成方法、装置、电子设备和存储介质
CN111667810B (zh) 多音字语料的获取方法、装置、可读介质和电子设备
CN112202803A (zh) 音频处理的方法、装置、终端及存储介质
CN111260975B (zh) 用于多媒体黑板教学互动的方法、装置、介质和电子设备
CN111862705A (zh) 一种提示直播教学目标的方法、装置、介质和电子设备
CN111930453A (zh) 听写交互方法、装置和电子设备
CN114429658A (zh) 人脸关键点信息获取方法、生成人脸动画的方法及装置
CN111327960B (zh) 文章处理方法、装置、电子设备及计算机存储介质
CN113223555A (zh) 视频生成方法、装置、存储介质及电子设备
CN111916050A (zh) 语音合成方法、装置、存储介质和电子设备
CN113191257B (zh) 笔顺检测方法、装置和电子设备
CN112185186B (zh) 一种发音纠正方法、装置、电子设备及存储介质
CN112699687A (zh) 内容编目方法、装置和电子设备
CN112863277A (zh) 一种直播教学的互动方法、装置、介质和电子设备
CN112346630B (zh) 状态确定方法、装置、设备和计算机可读介质
CN111461227B (zh) 样本生成方法、装置、电子设备和计算机可读介质
CN111562864B (zh) 显示图片方法、电子设备和计算机可读介质
CN112541493B (zh) 题目讲解方法、装置和电子设备
CN116580701B (zh) 告警音频识别方法、装置、电子设备和计算机介质
US11792494B1 (en) Processing method and apparatus, electronic device and medium

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