CN112330781A - 生成模型和生成人脸动画的方法、装置、设备和存储介质 - Google Patents

Abstract

本申请公开了生成模型和生成人脸动画的方法、装置、设备和存储介质，涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域。具体实现方案为：获取预置的样本集，其中，样本集至少包含一个样本，样本包括样本音频、真实关键点序列；获取预先建立的生成式对抗网络；执行以下训练步骤：从样本集中选取样本；将该样本的样本音频输入生成器，得到该样本的伪关键点序列；将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪；若生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。该实施方式提供了可以提升人脸表情动画的质量的模型。

Description

生成模型和生成人脸动画的方法、装置、设备和存储介质

技术领域

本申请涉及人工智能技术领域，具体为计算机视觉和深度学习技术领域。

背景技术

经过近些年的探索和发展，计算机视觉已经在数字娱乐、医疗健康、安防监控等很多领域具有应用场景。语音识别与文本合成语音技术常应用于音频驱动的虚拟形象人脸表情动画生成，即输入音频生成与音频流相符的虚拟主播人脸表情动画，从而完成主播形象的音频驱动。

现有的一些方法是对音频序列和人脸表情序列进行建模，然后基于RNN(循环神经网络)的方法学习从音频到人脸表情空间的一个映射关系。但是这种方法存在很多问题，一是生成的人脸表情帧间抖动比较明显，二是生成的人脸表情比较虚假，三是音频和表情不是很同步(显得很违和)。

发明内容

本公开提供了一种生成模型和生成人脸动画的方法和装置、设备、存储介质。

根据本公开的第一方面，提供了一种生成模型的方法，包括：获取预置的样本集，其中，样本集至少包含一个样本，样本包括样本音频、真实关键点序列。获取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成器和判别器。执行以下训练步骤：从样本集中选取样本。将该样本的样本音频输入生成器，得到该样本的伪关键点序列。将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪。若生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

根据本公开的第二方面，提供了一种生成人脸动画的方法，包括：将音频输入采用如第一方面中任一项的方法生成的音频驱动人脸表情动画的模型，输出人脸关键点序列。将人脸关键点序列转换成表情系数。根据表情系数生成人脸表情动画。

根据本公开的第三方面，提供了一种生成模型的装置，包括：样本获取单元，被配置成获取预置的样本集，其中，样本集至少包含一个样本，样本包括样本音频、真实关键点序列。网络获取单元，被配置成获取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成器和判别器。选取单元，被配置成从样本集中选取样本。生成单元，被配置成将该样本的样本音频输入生成器，得到该样本的伪关键点序列。判别单元，被配置成将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪。输出单元，被配置成若生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

根据本公开的第四方面，提供了一种生成人脸动画的装置，包括：转换单元，被配置成将音频输入采用如第一方面中任一项的方法生成的音频驱动人脸表情动画的模型，输出人脸关键点序列。求解单元，被配置成将人脸关键点序列转换成表情系数。驱动单元，被配置成根据表情系数生成人脸表情动画。

根据本公开的第五方面，提供了一种电子设备，其特征在于，包括：至少一个处理器。以及与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面和第二方面中任一项的方法。

根据本公开的第六方面，提供了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，计算机指令用于使计算机执行第一方面和第二方面中任一项的方法。

根据本申请的技术，不需要对生成器进行额外的修改，也不会额外增加生成器参数量和计算量，预测耗时也不会增加，但人脸表情的真实性、连续性、稳定性、同步性都有大幅提升，有力支持如基于音频流驱动的虚拟形象直播以及视频生产等多种业务和产品场景，具有非常高的应用价值。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

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是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请生成模型的方法的一个实施例的流程图；

图3是根据本申请生成模型的方法的一个应用场景的示意图；

图4是根据本申请生成人脸动画的方法的一个实施例的流程图；

图5是根据本申请用于生成模型的装置的一个实施例的结构示意图；

图6是根据本申请生成人脸动画的装置的一个实施例的结构示意图；

图7是用来实现本申请实施例的生成模型的方法和生成人脸动画的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。

图1示出了可以应用本申请实施例的生成模型的方法、生成模型的装置、生成人脸动画的方法或生成人脸动画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101、102，网络103、数据库服务器104和服务器105。网络103用以在终端101、102，数据库服务器104与服务器105之间提供通信链路的介质。网络103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110可以使用终端101、102通过网络103与服务器105进行交互，以接收或发送消息等。终端101、102上可以安装有各种客户端应用，例如模型训练类应用、音频驱动人脸动画类应用、购物类应用、支付类应用、网页浏览器和即时通讯工具等。

这里的终端101、102可以是硬件，也可以是软件。当终端101、102为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、膝上型便携计算机和台式计算机等等。当终端101、102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。

当终端101、102为硬件时，其上还可以安装有麦克风、图像采集设备。图像采集设备可以是各种能实现采集图像功能的设备，如摄像头、传感器等等。用户110可以利用终端101、102上的图像采集设备来采集人脸，使用麦克风采集语音。

数据库服务器104可以是提供各种服务的数据库服务器。例如数据库服务器中可以存储有样本集。样本集中包含有大量的样本。其中，样本可以包括样本音频和真实关键点序列。这样，用户110也可以通过终端101、102，从数据库服务器104所存储的样本集中选取样本。

服务器105也可以是提供各种服务的服务器，例如对终端101、102上运行的各种应用提供支持的后台服务器。后台服务器可以利用终端101、102发送的样本集中的样本，对初始模型进行训练，并可以将训练结果(如生成的模型)发送给终端101、102。这样，用户可以应用生成的模型进行人脸动画驱动。

这里的数据库服务器104和服务器105同样可以是硬件，也可以是软件。当它们为硬件时，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。当它们为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的生成模型的方法和生成人脸动画的方法一般由服务器105执行。相应地，生成模型的装置和生成人脸动画的装置一般也设置于服务器105中。

需要指出的是，在服务器105可以实现数据库服务器104的相关功能的情况下，系统架构100中可以不设置数据库服务器104。

应该理解，图1中的终端、网络、数据库服务器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、网络、数据库服务器和服务器。

继续参见图2，其示出了根据本申请的生成模型的方法的一个实施例的流程200。该生成模型的方法可以包括以下步骤：

步骤201，获取预置的样本集。

在本实施例中，生成模型的方法的执行主体(例如图1所示的服务器)可以通过多种方式来获取样本集。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的现有的样本集。再例如，用户可以通过终端(例如图1所示的终端101、102)来收集样本。这样，执行主体可以接收终端所收集的样本，并将这些样本存储在本地，从而生成样本集。

在这里，样本集中可以包括至少一个样本。其中，样本可包括样本音频和真实关键点序列。可通过如下方式构建样本：利用视频处理软件，从视频中分离出图像流和语音，将图像流重采样到15帧/秒，语音重采样到16000Hz；从图像流分离出图像，并使用人脸关键点检测库dlib检测出68个人脸关键点作为标签；重采样后的语音作为语音处理。人脸关键点的数量不限于68个。每一帧图像对应一帧人脸关键点，样本标记了每个关键点的位置，连续多帧图像对应了人脸关键点序列，即为真实关键点序列。

步骤202，获取预先建立的生成式对抗网络。

在本实施例中，生成式对抗网络(Generative Adversarial Nets，GAN)包括生成器和判别器。生成器用于将音频转换成关键点序列，判别器用于确定所输入的关键点序列是否为生成器伪造的。

需要说明的是，上述生成器可以是卷积神经网络(例如包含卷积层、池化层、反池化层、反卷积层的各种卷积神经网络结构，可以依次进行降采样和上采样)；上述判别器也可以是卷积神经网络(例如包含全连接层的各种卷积神经网络结构，其中，上述全连接层可以实现分类功能)。此外，上述判别器也可以是可以用于实现分类功能的其他模型结构，例如支持向量机(Support Vector Machine，SVM)。

步骤203，从样本集中选取样本。

在本实施例中，执行主体可以从步骤201中获取的样本集中选取样本，以及执行步骤203至步骤207的训练步骤。其中，样本的选取方式和选取数量在本申请中并不限制。例如可以是随机选取至少一个样本，也可以是从中选取音频较长的样本。每个样本可以是一对样本音频和真实关键点序列。真实关键点序列为若干帧真实关键点的位置信息，每帧真实关键点标记了每个关键点在人脸图像中的真实位置。

步骤204，将该样本的样本音频输入生成器，得到该样本的伪关键点序列。

在本实施例中，生成器可将输入的音频转换成伪关键点序列。例如，向生成器输入音频“啊”，转换成嘴巴张开的人脸关键点序列。不仅是嘴巴的关键点的位置变化，整个脸部的关键点都会有变化。

步骤205，将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪。

在本实施例中，判别器若判定输入的伪关键点序列是上述生成器所输出的关键点序列，则可以输出1；若判定输入的伪关键点序列不是上述生成器所输出的关键点序列，则可以输出0。判别器还对真实关键点序列进行判别，判别器若判定输入的真实关键点序列是上述生成器所输出的关键点序列，则可以输出0；若判定输入的真实关键点序列不是上述生成器所输出的关键点序列，则可以输出1。需要说明的是，所述判别器也可以基于预先设定是输出其他数值，不限于1和0。

步骤206，若生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

在本实施例中，训练完成条件包括以下至少一项：训练迭代次数达到预定迭代阈值，损失值小于预定损失值阈值，判别器的判别准确率在预定范围内。例如，训练迭代达到5千次。损失值小于0.05，判别器的判别准确率达到50％。训练完成后只保留生成器作为音频驱动人脸表情动画的模型。设置训练完成条件可以加快模型收敛速度。

步骤207，若生成式对抗网络不满足训练完成条件，则调整生成式对抗网络中的相关参数使得损失值收敛，基于调整后的生成式对抗网络，继续执行步骤203-207。

在本实施例中，若训练未完成，则调整生成器或判别器的参数来使得损失值收敛。可先保持判别器的参数不变，反复执行步骤203至步骤207，调整对应生成器的参数，使得损失值逐渐变小直至稳定。然后再保持各生成器的参数不变，反复执行步骤203至步骤207，调整判别器的参数，使得损失值逐渐变大直至稳定。交替训练生成器的参数和判别器的参数，直至损失值收敛。

对上述生成器和上述判别器进行训练，将训练后的上述生成器确定为音频驱动人脸表情动画的模型。具体地，可以首先固定生成器和判别器中的任一网络(可称为第一网络)的参数，对未固定参数的网络(可称为第二网络)进行优化；再固定第二网络的参数，对第一网络进行改进。不断进行上述迭代，使判别器无法区分输入的关键点序列是否是生成器所生成的，直至最终收敛。此时，上述生成器所生成的伪关键点序列与真实关键点序列接近，上述判别器无法准确区分真实数据和生成数据(即准确率为50％)，可以将此时的生成器确定为音频驱动人脸表情动画的模型。

作为示例，可以按照如下训练步骤执行：第一步，固定上述生成器的参数，将上述样本音频作为上述生成器的输入，将上述生成器输出的伪关键点序列、上述真实关键点序列作为上述判别器的输入，利用机器学习方法对上述判别器进行训练。需要说明的是，由于生成器输出的伪关键点序列均为生成数据，且已知真实关键点序列为真实数据，因此，对于输入到判别器的伪关键点序列，可以自动生成用于指示该伪关键点序列为生成数据或真实数据的标注。第二步，固定训练后的上述判别器的参数，将上述样本音频作为上述生成器的输入，利用机器学习方法、反向传播算法和梯度下降算法对上述生成器进行训练。实践中，上述反向传播算法、上述梯度下降算法是目前广泛研究和应用的公知技术，在此不再赘述。第三步，统计训练后的上述判别器输出的判别结果的准确率，响应于确定上述准确率为预设数值(例如50％)，将上述生成器确定为上述音频驱动人脸表情动画的模型。

需要说明的是，响应于确定上述准确率不为上述预设数值，上述电子设备可以使用训练后的上述生成器和上述判别器重新执行上述训练步骤。由此，生成式对抗网络训练得到的音频驱动人脸表情动画的模型的参数不仅基于训练样本得到，且可以基于判别器的反向传播而确定的，不需要依赖大量的有标注的样本即可实现模型的训练得到音频驱动人脸表情动画的模型，减少了人力成本，进一步提高了音频驱动人脸表情动画处理的灵活性。

本申请的上述实施例提供的方法，能够快速、准确地训练出音频驱动人脸表情动画的模型，提高模型生成的动画的逼真感。

在本实施例的一些可选的实现方式中，判别器包括以下至少一种：关键点帧判别器、音频和关键点序列同步判别器、关键点序列判别器。判别器可以是以上3种中的1种、3种或任意组合的2种。从而可以对生成器进行不同效果的改进。例如，关键点帧判别器、音频和关键点序列同步判别器可以让生成的模型生成更真实的动画，并且音频和表情同步。

在本实施例的一些可选的实现方式中，若判别器包括关键点帧判别器，则将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪，包括：将伪关键点序列中的单帧关键点和真实关键点序列的单帧关键点输入关键点帧判别器，判别单帧关键点的真伪。伪关键点序列包括至少一帧伪关键点，真实关键点序列包括至少一帧真实关键点，将单帧伪关键点和单帧真实关键点输入关键点帧判别器来判断单帧关键点的真伪。关键点帧判别器的训练方法与步骤203-207相同，因此不再赘述。该实现方式可以提高生成人脸关键点的准确性，使得人脸表情动画看起来更加真实。

在本实施例的一些可选的实现方式中，若判别器包括音频和关键点序列同步判别器，则将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪，包括：将伪关键点序列和样本音频拼接成的第一矩阵；将真实关键点序列和样本音频拼接成的第二矩阵；将第一矩阵和第二矩阵输入音频和关键点序列同步判别器，判别音频和关键点序列是否同步。样本音频可以用向量表示，生成器输出的伪关键点序列也是用向量表示的。可将这两个向量拼接成一个矩阵，同理，可将真实关键点序列和样本音频拼接成矩阵。通过命名“第一矩阵”和“第二矩阵”来代表两种不同数据来源。音频和关键点序列同步判别器用于判断输出的矩阵是否同步。训练的目标是音频和关键点序列同步判别器判断第一矩阵是否同步的准确率为50％，判断第二矩阵是否同步的准确率为50％。该实现方式可以减小生成的人脸表情抖动。

在本实施例的一些可选的实现方式中，若判别器包括关键点序列判别器，则将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪，包括：将伪关键点序列和真实关键点序列输入关键点序列判别器，判别关键点序列的真伪。关键点序列判别器与关键点帧判别器的区别在于，关键点序列判别器是用于判断整个关键点序列的真伪，而关键点帧判别器只判断单帧关键点序列的真伪。该实现方式可以使得音频和生成的人脸表情动画同步。

继续参见图3，图3是根据本实施例的生成模型的方法的应用场景的一个示意图。在图3的应用场景中，将音频输入生成器，得到伪关键点序列。然后将伪关键点序列分别输入音频和关键点序列同步判别器、关键点序列判别器，将样本中的真实关键点序列也分别输入音频和关键点序列同步判别器、关键点序列判别器。还需要将音频条件输入音频和关键点序列同步判别器，使得音频和关键点序列同步判别器构造出音频与关键点序列的矩阵来判断音频与关键点的同步性。这样，音频和关键点序列同步判别器就可以判别关键点序列与音频是否同步，通过不断地输入样本，然后统计音频和关键点序列同步判别器的准确率，当准确率达到50％时，音频和关键点序列同步判别器训练完成。同理，关键点序列判别器就可以判别关键点序列的真伪，通过不断地输入样本，然后统计关键点序列判别器的准确率，当准确率达到50％时，关键点序列判别器训练完成。将伪关键点序列拆分成单帧的伪关键点输入关键点帧判别器，将真实关键点序列拆分成单帧的真实关键点输入关键点帧判别器。这样关键点帧判别器可以判别关键点的真伪，通过不断地输入样本，然后统计关键点帧判别器的准确率，当准确率达到50％时，关键点帧判别器训练完成。当生成器的损失值小于预定阈值，则生成器训练完成。可以交替训练三种判别器和生成器，生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

继续参见图4，其示出了本申请提供的生成人脸动画的方法的一个实施例的流程400。该生成人脸动画的方法可以包括以下步骤：

步骤401，将音频输入音频驱动人脸表情动画的模型，输出人脸关键点序列。

在本实施例中，生成人脸动画的方法的执行主体(例如图1所示的服务器105)可以通过多种方式来获取音频。例如，执行主体可以通过有线连接方式或无线连接方式，从数据库服务器(例如图1所示的数据库服务器104)中获取存储于其中的音频。再例如，执行主体也可以接收终端(例如图1所示的终端101、102)或其他设备采集的音频。将获取的音频输入步骤201-207训练得到的音频驱动人脸表情动画的模型，输出人脸关键点序列。

步骤402，将人脸关键点序列转换成表情系数。

在本实施例中，可基于3DMM(3D Morphable Models,3D可变形模型)技术根据人脸关键点位置迭代解出表情系数。可以先利用2d与3d点集估计出模型的相机参数，转为线性问题。然后分阶段求出人脸参数和表情参数。整个迭代过程都是固定一部分参数，更新其他参数。人脸形状特征参数和表情参数都需要控制在一定范围内(视模型而定)，不然可能会出现不合理的人脸模型。每帧关键点序列对应一组表情系统，对于人脸关键点序列需要逐帧求解表情系数。

步骤403，根据表情系数生成人脸表情动画。

在本实施例中，可以将计算出的表情参数迁移到相同设置的blendshape模型上，用人脸去驱动模型动画。也可以改变人脸原有的表情参数，让照片动起来。

需要说明的是，本实施例生成人脸动画的方法可以用于测试上述各实施例所生成的音频驱动人脸表情动画的模型。进而根据测试结果可以不断地优化音频驱动人脸表情动画的模型。该方法也可以是上述各实施例所生成的音频驱动人脸表情动画的模型的实际应用方法。采用上述各实施例所生成的音频驱动人脸表情动画的模型，来生成人脸动画，有助于提高人脸动画的真实性、同步性、减少人脸帧间表情抖动。

继续参见图5，作为对上述图2所示方法的实现，本申请提供了一种生成模型的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的生成模型的装置500可以包括：样本获取单元501、网络获取单元502、选取单元503、生成单元504、判别单元505和输出单元506。其中，样本获取单元501，被配置成获取预置的样本集，其中，样本集至少包含一个样本，样本包括样本音频和真实关键点序列。网络获取单元502，被配置成获取预先建立的生成式对抗网络，其中，生成式对抗网络包括生成器和判别器。选取单元503，被配置成从样本集中选取样本。生成单元504，被配置成将该样本的样本音频输入生成器，得到该样本的伪关键点序列。判别单元505，被配置成将伪关键点序列中和真实关键点序列输入判别器，判别关键点的真伪。输出单元506，被配置成若生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

在本实施例的一些可选的实现方式中，装置500还包括调整单元507，被配置成：若生成式对抗网络不满足训练完成条件，则调整生成式对抗网络中的相关参数使得损失值收敛，基于调整后的生成式对抗网络，继续执行上述训练步骤。

在本实施例的一些可选的实现方式中，判别器包括以下至少一种：关键点帧判别器、音频和关键点序列同步判别器、关键点序列判别器。

在本实施例的一些可选的实现方式中，若判别器包括关键点帧判别器，则判别单元505进一步被配置成：将伪关键点序列中的每帧关键点和真实关键点序列的每帧关键点输入关键点帧判别器，判别单帧关键点的真伪。

在本实施例的一些可选的实现方式中，若判别器包括音频和关键点序列同步判别器，则判别单元505进一步被配置成：将伪关键点序列和样本音频拼接成的第一矩阵。将真实关键点序列和样本音频拼接成的第二矩阵。将第一矩阵和第二矩阵输入音频和关键点序列同步判别器，判别音频和关键点序列是否同步。

在本实施例的一些可选的实现方式中，若判别器包括关键点序列判别器，则判别单元505进一步被配置成：将伪关键点序列和真实关键点序列输入关键点序列判别器，判别关键点序列的真伪。

继续参见图6，作为对上述图4所示方法的实现，本申请提供了一种生成人脸动画的装置的一个实施例。该装置实施例与图4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6所示，本实施例的生成人脸动画的装置600可以包括：转换单元601、求解单元602和驱动单元603。其中，转换单元601，被配置成将音频输入音频驱动人脸表情动画的模型，输出人脸关键点序列。求解单元602，被配置成将所述人脸关键点序列转换成表情系数。驱动单元603，被配置成根据所述表情系数生成人脸表情动画。

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7所示，是根据本申请实施例的生成模型的方法和生成人脸动画的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7所示，该电子设备包括：一个或多个处理器701、存储器702，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7中以一个处理器701为例。

存储器702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生成模型的方法。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生成模型的方法。

存储器702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生成模型的方法对应的程序指令/模块(例如，附图5所示的样本获取单元501、网络获取单元502、选取单元503、生成单元504、判别单元505和输出单元506)。处理器701通过运行存储在存储器702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生成模型的方法。

存储器702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生成模型的电子设备的使用所创建的数据等。此外，存储器702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702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至生成模型的电子设备。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。

生成模型的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。

输入装置703可接收输入的数字或字符信息，以及产生与生成模型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704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。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。服务器可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。

根据本申请实施例的技术方案，不需要对生成器进行额外的修改，也不会额外增加生成器参数量和计算量，预测耗时也不会增加，但人脸表情的真实性、连续性、稳定性、同步性都有大幅提升，有力支持如基于音频流驱动的虚拟形象直播以及视频生产等多种业务和产品场景，具有非常大的应用价值。

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 (16)

1.一种生成模型的方法，包括：

获取预置的样本集，其中，所述样本集至少包含一个样本，样本包括样本音频和真实关键点序列；

获取预先建立的生成式对抗网络，其中，所述生成式对抗网络包括生成器和判别器；

执行以下训练步骤：从所述样本集中选取样本；将该样本的样本音频输入所述生成器，得到该样本的伪关键点序列；将所述伪关键点序列中和真实关键点序列输入所述判别器，判别关键点的真伪；若所述生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若所述生成式对抗网络不满足训练完成条件，则调整所述生成式对抗网络中的相关参数使得损失值收敛，基于调整后的生成式对抗网络，继续执行上述训练步骤。

3.根据权利要求1所述的方法，所述判别器包括以下至少一种：关键点帧判别器、音频和关键点序列同步判别器、关键点序列判别器。

4.根据权利要求3所述的方法，若所述判别器包括关键点帧判别器，则所述将所述伪关键点序列中和真实关键点序列输入所述判别器，判别关键点的真伪，包括：

将所述伪关键点序列中的每帧关键点和真实关键点序列的每帧关键点输入所述关键点帧判别器，判别单帧关键点的真伪。

5.根据权利要求3所述的方法，若所述判别器包括音频和关键点序列同步判别器，则所述将所述伪关键点序列中和真实关键点序列输入所述判别器，判别关键点的真伪，包括：

将所述伪关键点序列和样本音频拼接成的第一矩阵；

将所述真实关键点序列和样本音频拼接成的第二矩阵；

将所述第一矩阵和所述第二矩阵输入所述音频和关键点序列同步判别器，判别音频和关键点序列是否同步。

6.根据权利要求3所述的方法，若所述判别器包括关键点序列判别器，则所述将所述伪关键点序列中和真实关键点序列输入所述判别器，判别关键点的真伪，包括：

将所述伪关键点序列和真实关键点序列输入所述关键点序列判别器，判别关键点序列的真伪。

7.一种生成人脸动画的方法，包括：

将音频输入采用如权利要求1-6中任一项所述的方法生成的音频驱动人脸表情动画的模型，输出人脸关键点序列；

将所述人脸关键点序列转换成表情系数；

根据所述表情系数生成人脸表情动画。

8.一种生成模型的装置，包括：

样本获取单元，被配置成获取预置的样本集，其中，所述样本集至少包含一个样本，样本包括样本音频和真实关键点序列；

网络获取单元，被配置成获取预先建立的生成式对抗网络，其中，所述生成式对抗网络包括生成器和判别器；

选取单元，被配置成从所述样本集中选取样本；

生成单元，被配置成将该样本的样本音频输入所述生成器，得到该样本的伪关键点序列；

判别单元，被配置成将所述伪关键点序列中和真实关键点序列输入所述判别器，判别关键点的真伪；

输出单元，被配置成若所述生成式对抗网络满足训练完成条件，则得到训练完成的生成器作为音频驱动人脸表情动画的模型。

9.根据权利要求8所述的装置，其中，所述装置还包括调整单元，被配置成：

若所述生成式对抗网络不满足训练完成条件，则调整所述生成式对抗网络中的相关参数使得损失值收敛，基于调整后的生成式对抗网络，继续执行上述训练步骤。

10.根据权利要求8所述的装置，所述判别器包括以下至少一种：关键点帧判别器、音频和关键点序列同步判别器、关键点序列判别器。

11.根据权利要求10所述的装置，若所述判别器包括关键点帧判别器，则所述判别单元进一步被配置成：

将所述伪关键点序列中的每帧关键点和真实关键点序列的每帧关键点输入所述关键点帧判别器，判别单帧关键点的真伪。

12.根据权利要求10所述的装置，若所述判别器包括音频和关键点序列同步判别器，则所述判别单元进一步被配置成：

将所述伪关键点序列和样本音频拼接成的第一矩阵；

将所述真实关键点序列和样本音频拼接成的第二矩阵；

将所述第一矩阵和所述第二矩阵输入所述音频和关键点序列同步判别器，判别音频和关键点序列是否同步。

13.根据权利要求10所述的装置，若所述判别器包括关键点序列判别器，则所述判别单元进一步被配置成：

将所述伪关键点序列和真实关键点序列输入所述关键点序列判别器，判别关键点序列的真伪。

14.一种生成人脸动画的装置，包括：

转换单元，被配置成将音频输入采用如权利要求1-6中任一项所述的方法生成的音频驱动人脸表情动画的模型，输出人脸关键点序列；

求解单元，被配置成将所述人脸关键点序列转换成表情系数；

驱动单元，被配置成根据所述表情系数生成人脸表情动画。

15.一种电子设备，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1-7中任一项所述的方法。

16.一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1-7中任一项所述的方法。

Images