CN112541957B - 动画生成方法、装置、电子设备以及计算机可读介质 - Google Patents

动画生成方法、装置、电子设备以及计算机可读介质 Download PDF

Info

Publication number
CN112541957B
CN112541957B CN202011430467.1A CN202011430467A CN112541957B CN 112541957 B CN112541957 B CN 112541957B CN 202011430467 A CN202011430467 A CN 202011430467A CN 112541957 B CN112541957 B CN 112541957B
Authority
CN
China
Prior art keywords
sequence
pinyin
reference audio
expression
chinese
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
CN202011430467.1A
Other languages
English (en)
Other versions
CN112541957A (zh
Inventor
杨少雄
赵洋
赵晨
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 CN202011430467.1A priority Critical patent/CN112541957B/zh
Publication of CN112541957A publication Critical patent/CN112541957A/zh
Priority to JP2021131563A priority patent/JP7232293B2/ja
Priority to US17/527,473 priority patent/US11948236B2/en
Application granted granted Critical
Publication of CN112541957B publication Critical patent/CN112541957B/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
    • G06T13/205—3D [Three Dimensional] animation driven by audio data
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G06F40/129—Handling non-Latin characters, e.g. kana-to-kanji conversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/163—Handling of whitespace
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/174—Facial expression recognition
    • 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
    • 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
    • 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
    • G10L15/26—Speech to text systems
    • 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)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Processing Or Creating Images (AREA)
  • Document Processing Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种动画生成方法和装置，涉及计算机视觉、语音、增强现实、深度学习等人工智能技术领域。该方法的一具体实施方式包括：对待处理素材进行处理，生成规范化文本；对规范化文本进行解析，生成规范化文本的汉语拼音序列；基于待处理素材，生成基准音频；基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。该实施方式生成了生动、真实、效果好的人脸表情动画。

Description

动画生成方法、装置、电子设备以及计算机可读介质
技术领域
本申请涉及计算机技术领域，具体涉及计算机视觉、语音、增强现实、深度学习等人工智能技术领域，尤其涉及一种动画生成方法、装置、电子设备、计算机可读介质以及计算机程序产品。
背景技术
随着计算机技术和动画技术的快速发展，人们对人机交互中口型的要求越来越高，如何基于输入的文字或音频生成与音频流相符的虚拟人物人脸表情动画，对汉语口型动画的研究提出了迫切的要求。
汉语口型动画生成方法一般是基于深度学习，直接学习音频到人脸表情系数之间的映射关系，由于受训练数据中说话人说话风格以及脸型的影响，音频-人脸表情系数映射关系很难学习。而且由于世界上音频数据量巨大(内容、音色、音调、振幅等)，根本无法做到对所有的句子以及音频变量进行学习，比如一个句子对应的音频不在训练集中或者同一个句子音频和训练集音频差异较大，模型很难保证会正确输出和音频输入相符的人脸表情动画。
发明内容
提供了一种动画生成方法、装置、电子设备、计算机可读介质以及计算机程序产品。
根据第一方面，提供了一种动画生成方法，上述方法包括：对待处理素材进行处理，生成规范化文本；对规范化文本进行解析，生成规范化文本的汉语拼音序列；基于待处理素材，生成基准音频；基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。
根据第二方面，提供了一种动画生成装置，该装置包括：处理单元，被配置成对待处理素材进行处理，生成规范化文本；解析单元，被配置成对规范化文本进行解析，生成规范化文本的汉语拼音序列；生成单元，被配置成基于待处理素材，生成基准音频；得到单元，被配置成基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。
根据第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与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如第一方面任一实现方式描述的方法。
根据第四方面，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，计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
本申请的实施例提供的动画生成方法和装置，首先，对待处理素材进行处理，生成规范化文本；其次，对规范化文本进行解析，生成规范化文本的汉语拼音序列；再次，基于待处理素材，生成基准音频；最后，基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。由此，将待处理素材分别转化为汉语拼音序列以及基准音频，基于汉语拼音序列和基准音频的时序，得到与基准音频的时序对应的人脸表情动画，无需海量标注音频与人脸表情，节省了开发成本；基于汉语拼音序列生成的人脸表情动画不仅可以支持所有音频语句，还提高了人脸动画表情生成的可靠性。
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是根据本申请动画生成方法的一个实施例的流程图；
图2是本申请得到与基准音频的时序对应的人脸表情动画的方法的一种流程图；
图3是本申请得到与基准音频的时序对应的表情系数序列的方法的一种流程图；
图4是本申请得到人脸表情动画的方法的一种流程图；
图5是根据本申请动画生成装置的实施例的结构示意图；
图6是用来实现本申请实施例的动画生成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示出了根据本申请动画生成方法的一个实施例的流程100。上述动画生成方法包括以下步骤：
步骤101，对待处理素材进行处理，生成规范化文本。
本实施例中，动画生成方法运行于其上的执行主体可以通过从客户端直接获取或从内存中读取待处理素材，针对从客户端获取的待处理素材(图片、文字或音频等)，采用本申请的动画生成方法，即可生成与待处理素材相对应的虚拟人脸人物开口说话的形象的动画视频，具有实时生成的效果。
本实施例中，待处理素材是指需要生成人脸表情动画的素材，待处理素材包括：待处理图片、待处理文本、待处理音频等等。而规范化文本是汉语文本，在汉语文本中仅包含汉字，针对不同种类的待处理素材，生成规范化文本的方式不同。
当待处理素材包括待处理文本时，需要首先对待处理文本进行TN(Textnormalization，文本规范化)处理，去除待处理文本中的空行和异常字符以及把待处理文本中的数字、日期、时间、金钱等符号的翻译成汉字，得到规范化文本。例如，三种待处理文本分别为：108路公交车，12.03，10：23：10；分别经过规范化处理后，得到规范化文本：一百零八路公交车；十二点零三元；十点二十三分十秒。
在本实施例的一些可选实现方式中，待处理素材包括：待处理音频，对待处理素材进行处理，生成规范化文本包括：对待处理音频进行语音识别处理，生成汉语文本；对汉语文本进行文本规范化处理，生成规范化文本。
本可选实现方式中，在待处理素材包括待处理音频时，首先对待处理音频进行语音识别，生成汉语文本；然后对汉语文本进行文本规范化处理，得到规范化文本，实现了待处理素材处理的多样性。
步骤102，对规范化文本进行解析，生成规范化文本的汉语拼音序列。
本实施例中，可以采用一些汉语拼音翻译软件将规范化文本中的各个汉字文字翻译成汉语拼音，组合翻译得到的汉语拼音，得到规范化文本的汉语拼音序列。
步骤103，基于待处理素材，生成基准音频。
本实施例中，针对不同种类的待处理素材，可以首先将待处理素材转换为规范化文本，再通过语音合成将规范化文本转换成基准音频。可选地，可以通过TTS(Text tospeech，从文本到语音)软件将规范化文本生成对应的基准音频。
可选地，在待处理素材包括：待处理音频时，可以将待处理音频直接作为基准音频；或者对待处理音频进行进行一些录制、剪辑、转换等音频处理之后，得到基准音频。
进一步地，如果待处理素材包括待处理文本，在输入待处理文本生成基准音频之后，客户端又进行了待处理音频的输入，需要将输入的待处理音频替换因待处理文本生成的基准音频。
步骤104，基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。
本实施例中，基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画的方法的主要是：通过预先标注的字典，查找与汉语拼音序列对应的人脸图像要素序列；提取基准音频中与汉语拼音序列中各个拼音对应的时间戳；基于时间戳，拼接汉语拼音序列中所有汉语拼音对应的人脸图像要素序列，得到与基准音频的时序对应的人脸图像要素序列。基于人脸图像要素序列，得到人脸表情动画。
需要说明的是，在人脸图像要素序列的帧率与时间戳的时间标准相同时，可以直接基于时间戳拼接人脸图像要素序列，而在人脸图像要素序列的帧率与时间戳的时间标准不相同时，可以在对人脸图像要素序列进行拉伸、插值、时序平滑等处理之后，再基于时间戳拼接人脸图像要素序列。
本实施例中，与基准音频的时序对应的人脸图像要素序列包括多个汉语拼音对应的人脸图像要素序列。人脸要素序列是由多个人脸要素组成，人脸要素是可以表征人脸表情的基本要素，比如，人脸要素包括：人脸表情系数、三维人脸网格、二维人脸关键点或者人脸特征点等。
进一步地，基于人脸图像要素序列，得到人脸表情动画的过程，基于人脸图像要素的内容的不同而不同，比如，当人脸要素为二维人脸关键点时，从预先标注的二维转三维人脸库中，查找与各个二维人脸关键点对应的三维人脸模型，得到三维人脸模型序列，对三维人脸模型序列进行渲染，得到视频帧图片序列；合成视频帧图片序列，得到人脸表情动画。
在本实施例的一些可选实现方式中，基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画，包括：
基于汉语拼音序列、基准音频，得到与基准音频的时序对应的三维人脸网格序列；基于与基准音频的时序对应的三维人脸网格序列，得到人脸表情动画。
本可选实现方式中，针对汉语拼音序列中每个汉语拼音均可以由预先训练得到的模型输出或者从预先标注的字典中查取到与汉语拼音序列对应的三维人脸网格序列，基于基准音频的时序，对与汉语拼音序列对应的三维人脸网格序列进行处理，得到与基准音频的时序对应的三维人脸网格序列，进一步地，通过对与基准音频的时序对应的三维人脸网格序列进行三维至二维的图像处理，可以得到与多个视频帧图片，合成视频帧图片，便可以得到人脸表情动画。
本可选实现方式中，通过汉语拼音序列、基准音频，得到与基准音频的时序对应的三维人脸网格序列，由与基准音频的时序对应的三维人脸网格序列，得到人脸表情动画，为人脸表情动画的生成提供了可选实施方式，保证了动画生成的可靠性和流畅性。
在本实施例的一些可选实现方式中，上述基于汉语拼音序列、基准音频，得到与基准音频的时序对应的三维人脸网格序列，包括：将基准音频与汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳。查找已标注完成的拼音网格字典，得到各个汉语拼音对应的三维人脸网格序列，拼音网格字典用于表示汉语拼音与三维人脸网格序列之间的对应关系。基于时间戳，拼接汉语拼音序列中所有汉语拼音对应的三维人脸网格序列，得到与基准音频的时序对应的三维人脸网格序列。
本可选实现方式中，时间戳包括音频中每个汉语拼音的开始和截止时间，可以通过预先训练完成的拼音和音频对齐模型，可以将每个汉语拼音与基准音频中各个汉字发音的进行对齐，获取每个汉语拼音的时间戳。
本可选实现方式中，拼音网格字典可以通过如下方式标注得到：在声优演员读汉语拼音时，通过三维扫描仪扫描声优演员的面部，得到具有与每个汉语拼音一一对应的三维人脸网格序列的拼音网格字典。
本可选实现方式中，得到汉语拼音序列之后，采用关键字查询拼音网格字典，得到汉语拼音序列中所有汉语拼音对应的三维人脸网格序列。
本可选实现方式中，通过由基准音频采集的时间戳，对汉语拼音序列对应的三维人脸网格序列进行时序拼接，提高了三维人脸网格序列的拼接的可靠性，为生成人脸表情动画提供了可靠的基础。
在本实施例的一些可选实现方式中，上述基于与基准音频的时序对应的三维人脸网格序列，得到人脸表情动画，包括：对与基准音频的时序对应的三维人脸网格序列进行渲染，得到视频帧图片序列；合成视频帧图片序列，得到人脸表情动画。
本可选实现方式中，通过对与基准音频的时序对应的三维人脸网格序列进行渲染以及视频帧图片的合成，得到人脸表动画，操作简单，增加了生成的人脸表情动画的可靠性。
本申请的实施例提供的动画生成方法，首先，对待处理素材进行处理，生成规范化文本；其次，对规范化文本进行解析，生成规范化文本的汉语拼音序列；再次，基于待处理素材，生成基准音频；最后，基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。由此，将待处理素材分别转化为汉语拼音序列以及基准音频，基于基准音频的时序和汉语拼音序列，得到与基准音频的时序对应的人脸表情动画，无需海量标注音频与人脸表情，节省了开发成本；基于汉语拼音序列生成的人脸表情动画不仅可以支持所有音频语句，还提高了人脸动画表情生成的可靠性。
在本实施例的一些可选实现方式中，如图2所示，得到与基准音频的时序对应的人脸表情动画的方法包括以下步骤：
步骤201，基于汉语拼音序列、基准音频，得到与基准音频的时序对应的表情系数序列。
本实施例中，表情系数序列是由多个表情系数组成的序列，进一步地，本实施例中，表情系数是与表情基底图像表征的特征部位对应的变形参数值，通常用矩阵标识，一个表情系数的矩阵中有51个参数，该51个参数与51个表情基底一一对应，通过表情系数与表情基底加权求和，可以表示出各种人脸口型和人脸表情。
一个汉语拼音可以对应一个表情系数序列，每个表情系数序列对应多个视频帧，且该多个视频帧为涉及该汉语拼音的发音的视频帧。与基准音频的时序对应的表情系数序列可以由一个或多个与汉拼音对应的表情系数序列组成。
本可选实现方式中，与基准音频的时序对应的表情系数序列也是一种表情系数文件，该文件中一行数据对应一视频帧，视频帧帧率可以预先标定得到，比如帧率为30fps。
步骤202，基于与基准音频的时序对应的表情系数序列，得到人脸表情动画。
本可选实现方式中，表情系数与表情基底加权求和，可以确定人脸口型和人脸表情，由于表情基底为已知量，在表情系数序列确定之后，与待处理素材对应的人脸表情动画也相应确定了。
本可选实现方式中，首先得到与基准音频的时序对应的表情系数序列，然后由该表情系数序列，得到人脸表情动画，为得到人脸表情动画提供了一个可选方式，提高了人脸表情动画得到的可靠性。
在本实施例的一些可选实现方式中，如图3所示，得到与基准音频的时序对应的表情系数序列的方法包括以下步骤：
步骤301，将基准音频与汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳。
本可选实现方式中，时间戳包括音频中每个汉语拼音的开始和截止时间，可以通过预先训练完成的拼音和音频对齐模型，可以将每个汉语拼音与基准音频中各个汉字发音的进行对齐，获取每个汉语拼音的时间戳。
步骤302，查找已标注完成的拼音表情系数字典，得到各个汉语拼音对应的表情系数序列。
其中，拼音表情系数字典用于表示汉语拼音与表情系数序列之间的对应关系。
拼音表情系数字典可以通过多种方式标定得到，可选地，记录声优演员读所有汉语拼音(例如去除声调的409个汉语拼音)时的三维人脸网格序列，确定每个汉语拼音一一对应的三维人脸网格序列，根据三维人脸表情识别原理，由三维人脸网格序列，计算每个汉语拼音一一对应的表情系数序列，得到具有与各个汉语拼音一一对应的表情系数序列的拼音表情系数字典。
在本实施例的一些可选实现方式中，拼音表情系数字典通过以下方式标注得到：录制声优演员读汉语拼音时的视频，得到与每个汉语拼音一一对应的拼音视频；对各个拼音视频中各个视频帧进行人脸关键点检测；基于检测到的人脸关键点计算表情系数，得到具有与各个汉语拼音一一对应的表情系数序列的拼音表情系数字典。
本可选实现方式中，人脸关键点比如有150个，和三维人脸模型密集三维点中150个三维点有对应关系，基于该对应关系完成绑定。
表情基底(blend shape，变型形状)共有51个参数(bs1,bs2,bs3…bs51)，对应每个表情基底都有一个表情系数(p1,p2,p3…p51)与之对应，将bs1*p1+bs2*p2+bs3*p3+……+bs51*p51得到三维人脸模型。对三维人脸模型中绑定的150点进行二维投影，得到投影后150个二维点，和人脸检测出的150个关键点计算损失，通过最小二乘迭代求解(求的解为表情系数的参数，该参数有51个)，使得两者之间损失最小，得到最后的具有51个参数的表情系数。
本实现方式中，通过对录制的拼音视频，对各个拼音视频中各个视频帧进行人脸关键点检测，汉语拼音去除音调后，共有409个(不同音调的拼音是一个汉语拼音)，因此得到拼音表情系数字典仅需要标注少量的拼音，节省了大量的数据标注时间和费用，提高了动画生成的效率。
步骤303，基于时间戳，拼接汉语拼音序列中所有汉语拼音对应的表情系数序列，得到与基准音频的时序对应的表情系数序列。
本可选实现方式中，在拼接所有汉语拼音对应的表情系数序列的过程中，可以对每个汉语拼音对应的人脸表情系数序列进行时序拉伸，纵向叠加，以及时序平滑等处理，以保证生成的人脸表情动画中相邻字之间嘴型和表情变换十分衔接自然。
本可选实现方式提供的得到与基准音频的时序对应的表情系数序列，通过基准音频得到汉语拼音的时间戳，查找与汉语拼音序列中各个汉语拼音对应的表情序列，基于时间戳，拼接汉语拼音序列中所有汉语拼音对应的表情系数序列，得到与基准音频的时序对应的表情系数序列，由此保证了人脸表情系数时序上的平滑度和衔接切换自然度。
在本实施例的一些可选实现方式中，如图4所示，得到人脸表情动画的方法，包括以下步骤：
步骤401，将表情系数序列与表情基底进行加权求和，得到三维人脸模型序列。
本可选实现方式中，由于表情基底共有51个参数(bs1,bs2,bs3…bs51)，对应每个表情基底都有一个表情系数(p1,p2,p3…p51)与之对应，将bs1*p1+bs2*p2+bs3*p3+……+bs51*p51得到三维人脸模型。
步骤402，对三维人脸模型序列进行渲染，得到视频帧图片序列。
本可选实现方式中，可以通过渲染工具将三维人脸模型序列渲染成具有虚拟人物形象的图片序列。
步骤403，合成视频帧图片序列，得到人脸表情动画。
本可选实现方式提供的得到人脸表情动画的方法，通过得到的与基准音频的时序对应的表情系数序列，与表情基底进行加权求和，得到三维人脸模型序列，对三维人脸模型序列进行渲染，得到视频帧图片序列，合成视频帧图片序列，得到人脸表情动画，保证了动画生成的稳定性。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了动画生成装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
如图5所示，本实施例提供的动画生成装置500包括：处理单元501，解析单元502，生成单元503，得到单元504。其中，上述处理单元501，可以被配置成对待处理素材进行处理，生成规范化文本。上述解析单元502，可以被配置成对规范化文本进行解析，生成规范化文本的汉语拼音序列。上述生成单元503，可以被配置成基于待处理素材，生成基准音频。上述得到单元504，可以被配置成基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。
在本实施例中，动画生成装置500中：处理单元501、解析单元502、生成单元503、得到单元504的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104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，上述得到单元504包括：系数得到子单元(图中未示出)，表情得到子单元(图中未示出)。其中，上述系数得到子单元，可以被配置成基于汉语拼音序列、基准音频，得到与基准音频的时序对应的表情系数序列。上述表情得到子单元，可以被配置成基于与基准音频的时序对应的表情系数序列，得到人脸表情动画。
在本实施例的一些可选的实现方式中，上述系数得到子单元包括：时序对齐模块(图中未示出)，系数查找模块(图中未示出)，系数拼接模块(图中未示出)。其中，上述时序对齐模块，可以被配置成将基准音频与汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳。上述系数查找模块，可以被配置成查找已标注完成的拼音表情系数字典，得到各个汉语拼音对应的表情系数序列，拼音表情系数字典用于表示汉语拼音与表情系数序列之间的对应关系。上述系数拼接模块，可以被配置成基于时间戳，拼接汉语拼音序列中所有汉语拼音对应的表情系数序列，得到与基准音频的时序对应的表情系数序列。
在本实施例的一些可选的实现方式中，上述拼音表情系数字典通过录制模块(图中未示出)，检测模块(图中未示出)，计算模块(图中未示出)标注得到。其中，上述录制模块，可以被配置成录制声优演员读汉语拼音时的视频，得到与每个汉语拼音一一对应的拼音视频。上述检测模块，可以被配置成对各个拼音视频中各个视频帧进行人脸关键点检测。上述计算模块，可以被配置成基于检测到的人脸关键点计算表情系数，得到具有与各个汉语拼音一一对应的表情系数序列的拼音表情系数字典。
在本实施例的一些可选的实现方式中，上述表情得到子单元包括：系数加权模块(图中未示出)，系数渲染模块(图中未示出)，系数合成模块(图中未示出)。其中，上述系数加权模块，可以被配置成将表情系数序列与表情基底进行加权求和，得到三维人脸模型序列。上述系数渲染模块，可以被配置成对三维人脸模型序列进行渲染，得到视频帧图片序列。上述系数合成模块，可以被配置成合成视频帧图片序列，得到人脸表情动画。
在本实施例的一些可选的实现方式中，待处理素材包括：待处理音频，处理单元501包括：识别子单元(图中未示出)，处理子单元(图中未示出)。其中，识别子单元，可以被配置成对待处理音频进行语音识别处理，生成汉语文本。处理子单元，可以被配置成对汉语文本进行文本规范化处理，生成规范化文本。
在本实施例的一些可选的实现方式中，得到单元504包括：网格得到子单元(图中未示出)，视频得到子单元(图中未示出)。其中，上述网格得到子单元，可以被配置成基于汉语拼音序列、基准音频，得到与基准音频的时序对应的三维人脸网格序列。上述视频得到子单元，可以被配置成基于与基准音频的时序对应的三维人脸网格序列，得到人脸表情动画。
在本实施例的一些可选的实现方式中，网格得到子单元包括：时间对齐模块(图中未示出)，网格查找模块(图中未示出)，网格得到模块(图中未示出)。其中，上述时间对齐模块，可以被配置成将基准音频与汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳；上述网格查找模块，可以被配置成查找已标注完成的拼音网格字典，得到各个汉语拼音对应的三维人脸网格序列，拼音网格字典用于表示汉语拼音与三维人脸网格序列之间的对应关系；上述网格得到模块，可以被配置成基于时间戳，拼接汉语拼音序列中所有汉语拼音对应的三维人脸网格序列，得到与基准音频的时序对应的三维人脸网格序列。
在本实施例的一些可选的实现方式中，视频得到子单元包括：网格渲染模块(图中未示出)，网格合成模块(图中未示出)。其中，上述网格渲染模块，被配置成对与基准音频的时序对应的三维人脸网格序列进行渲染，得到视频帧图片序列；上述网格合成模块，被配置成合成视频帧图片序列，得到人脸表情动画。
本申请的实施例提供的动画生成装置，首先处理单元501对待处理素材进行处理，生成规范化文本；其次，解析单元502对规范化文本进行解析，生成规范化文本的汉语拼音序列；再次，生成单元503基于待处理素材，生成基准音频；最后，得到单元504基于汉语拼音序列、基准音频，得到与基准音频的时序对应的人脸表情动画。由此，将待处理素材分别转化为汉语拼音序列以及基准音频，基于基准音频的时序和汉语拼音序列，得到与基准音频的时序对应的人脸表情动画，无需海量标注音频与人脸表情，节省了开发成本；基于汉语拼音序列生成的人脸表情动画不仅可以支持所有音频语句，还提高了人脸动画表情生成的可靠性。
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6所示，是根据本申请实施例的动画生成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6所示，该电子设备包括：一个或多个处理器601、存储器602，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6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的动画生成方法。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动画生成方法。
存储器602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动画生成方法对应的程序指令/模块(例如，附图5所示的处理单元501、解析单元502、生成单元503和得到单元504)。处理器601通过运行存储在存储器602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动画生成方法。
存储器602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动画生成方法的电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至动画生成方法的电子设备。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。
动画生成方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接，图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与动画生成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604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)、互联网和区块链网络。
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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也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。
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 (17)

1.一种动画生成方法，所述方法包括：
对待处理素材进行处理，生成规范化文本；
对所述规范化文本进行解析，生成所述规范化文本的汉语拼音序列；
基于所述待处理素材，生成基准音频；
基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的人脸表情动画
包括：
基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的表情系数序列；基于与所述基准音频的时序对应的表情系数序列，得到所述人脸表情动画；所述基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的表情系数序列，包括：
将所述基准音频与所述汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳；
查找已标注完成的拼音表情系数字典，得到各个汉语拼音对应的表情系数序列，所述拼音表情系数字典用于表示去除音调后的汉语拼音与表情系数序列之间的对应关系；
基于所述时间戳，拼接所述汉语拼音序列中所有汉语拼音对应的表情系数序列，得到与所述基准音频的时序对应的表情系数序列。
2.根据权利要求1所述的方法，其中，所述拼音表情系数字典通过以下方式标注得到：
录制声优演员读汉语拼音时的视频，得到与每个汉语拼音一一对应的拼音视频；
对各个拼音视频中各个视频帧进行人脸关键点检测；
基于检测到的人脸关键点计算表情系数，得到具有与各个汉语拼音一一对应的表情系数序列的拼音表情系数字典。
3.根据权利要求1所述的方法，其中，所述基于与所述基准音频的时序对应的表情系数序列，得到所述人脸表情动画，包括：
将所述表情系数序列与表情基底进行加权求和，得到三维人脸模型序列；
对三维人脸模型序列进行渲染，得到视频帧图片序列；
合成所述视频帧图片序列，得到人脸表情动画。
4.根据权利要求1所述的方法，其中，所述待处理素材包括：待处理音频，所述对待处理素材进行处理，生成规范化文本包括：
对所述待处理音频进行语音识别处理，生成汉语文本；
对所述汉语文本进行文本规范化处理，生成规范化文本。
5.根据权利要求1所述的方法，其中，所述基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的人脸表情动画，包括：
基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的三维人脸网格序列；基于与所述基准音频的时序对应的三维人脸网格序列，得到所述人脸表情动画。
6.根据权利要求5所述的方法，其中，所述基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的三维人脸网格序列，包括：
将所述基准音频与所述汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳；
查找已标注完成的拼音网格字典，得到各个汉语拼音对应的三维人脸网格序列，所述拼音网格字典用于表示汉语拼音与三维人脸网格序列之间的对应关系；
基于所述时间戳，拼接所述汉语拼音序列中所有汉语拼音对应的三维人脸网格序列，得到与所述基准音频的时序对应的三维人脸网格序列。
7.根据权利要求5所述的方法，其中，所述基于与所述基准音频的时序对应的三维人脸网格序列，得到所述人脸表情动画，包括：
对所述与所述基准音频的时序对应的三维人脸网格序列进行渲染，得到视频帧图片序列；
合成所述视频帧图片序列，得到人脸表情动画。
8.一种动画生成装置，所述装置包括：
处理单元，被配置成对待处理素材进行处理，生成规范化文本；
解析单元，被配置成对所述规范化文本进行解析，生成所述规范化文本的汉语拼音序列；
生成单元，被配置成基于所述待处理素材，生成基准音频；
得到单元，被配置成基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的人脸表情动画；所述得到单元包括：
系数得到子单元，被配置成基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的表情系数序列；
表情得到子单元，被配置成基于与所述基准音频的时序对应的表情系数序列，得到所述人脸表情动画；所述系数得到子单元包括：
时序对齐模块，被配置成将所述基准音频与所述汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳；
系数查找模块，被配置成查找已标注完成的拼音表情系数字典，得到各个汉语拼音对应的表情系数序列，所述拼音表情系数字典用于表示去除音调后的汉语拼音与表情系数序列之间的对应关系；
系数拼接模块，被配置成基于所述时间戳，拼接所述汉语拼音序列中所有汉语拼音对应的表情系数序列，得到与所述基准音频的时序对应的表情系数序列。
9.根据权利要求8所述的装置，其中，所述拼音表情系数字典通过以下模块标注得到：
录制模块，被配置成录制声优演员读汉语拼音时的视频，得到与每个汉语拼音一一对应的拼音视频；
检测模块，被配置成对各个拼音视频中各个视频帧进行人脸关键点检测；
计算模块，被配置成基于检测到的人脸关键点计算表情系数，得到具有与各个汉语拼音一一对应的表情系数序列的拼音表情系数字典。
10.根据权利要求8所述的装置，其中，所述表情得到子单元包括：
系数加权模块，被配置成将所述表情系数序列与表情基底进行加权求和，得到三维人脸模型序列；
系数渲染模块，被配置成对三维人脸模型序列进行渲染，得到视频帧图片序列；
系数合成模块，被配置成合成所述视频帧图片序列，得到人脸表情动画。
11.根据权利要求8所述的装置，其中，所述待处理素材包括：待处理音频，所述处理单元包括：
识别子单元，被配置成对所述待处理音频进行语音识别处理，生成汉语文本；
处理子单元，被配置成对所述汉语文本进行文本规范化处理，生成规范化文本。
12.根据权利要求8所述的装置，其中，所述得到单元包括：
网格得到子单元，被配置成基于所述汉语拼音序列、所述基准音频，得到与所述基准音频的时序对应的三维人脸网格序列；
视频得到子单元，被配置成基于与所述基准音频的时序对应的三维人脸网格序列，得到所述人脸表情动画。
13.根据权利要求12所述的装置，其中，所述网格得到子单元包括：
时间对齐模块，被配置成将所述基准音频与所述汉语拼音序列中各个汉语拼音进行时序对齐，得到各个汉语拼音的时间戳；
网格查找模块，被配置成查找已标注完成的拼音网格字典，得到各个汉语拼音对应的三维人脸网格序列，所述拼音网格字典用于表示汉语拼音与三维人脸网格序列之间的对应关系；
网格得到模块，被配置成基于所述时间戳，拼接所述汉语拼音序列中所有汉语拼音对应的三维人脸网格序列，得到与所述基准音频的时序对应的三维人脸网格序列。
14.根据权利要求12所述的装置，其中，所述视频得到子单元包括：
网格渲染模块，被配置成对所述与所述基准音频的时序对应的三维人脸网格序列进行渲染，得到视频帧图片序列；
网格合成模块，被配置成合成所述视频帧图片序列，得到人脸表情动画。
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。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202011430467.1A 2020-12-09 2020-12-09 动画生成方法、装置、电子设备以及计算机可读介质 Active CN112541957B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011430467.1A CN112541957B (zh) 2020-12-09 2020-12-09 动画生成方法、装置、电子设备以及计算机可读介质
JP2021131563A JP7232293B2 (ja) 2020-12-09 2021-08-12 動画生成方法、装置、電子機器およびコンピュータ可読媒体
US17/527,473 US11948236B2 (en) 2020-12-09 2021-11-16 Method and apparatus for generating animation, electronic device, and computer readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011430467.1A CN112541957B (zh) 2020-12-09 2020-12-09 动画生成方法、装置、电子设备以及计算机可读介质

Publications (2)

Publication Number Publication Date
CN112541957A CN112541957A (zh) 2021-03-23
CN112541957B true CN112541957B (zh) 2024-05-21

Family

ID=75019773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011430467.1A Active CN112541957B (zh) 2020-12-09 2020-12-09 动画生成方法、装置、电子设备以及计算机可读介质

Country Status (3)

Country Link
US (1) US11948236B2 (zh)
JP (1) JP7232293B2 (zh)
CN (1) CN112541957B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744368A (zh) * 2021-08-12 2021-12-03 北京百度网讯科技有限公司 动画合成方法、装置、电子设备及存储介质
CN113706669B (zh) * 2021-08-12 2022-09-27 北京百度网讯科技有限公司 动画合成方法、装置、电子设备及存储介质
CN113628309B (zh) * 2021-08-17 2023-09-22 杭州相芯科技有限公司 一种真人语音口型动画生成方法及系统、电子设备、存储介质
CN115311731B (zh) * 2022-10-10 2023-01-31 之江实验室 一种手语数字人的表情生成方法和装置
CN116664731B (zh) * 2023-06-21 2024-03-29 华院计算技术(上海)股份有限公司 人脸动画生成方法及装置、计算机可读存储介质、终端
CN116843798B (zh) * 2023-07-03 2024-07-05 支付宝(杭州)信息技术有限公司 动画生成方法、模型训练方法及装置
CN116860312B (zh) * 2023-09-05 2023-11-07 成都智慧锦城大数据有限公司 一种程序异常文本信息维护方法、装置及存储介质
CN117373455B (zh) * 2023-12-04 2024-03-08 翌东寰球(深圳)数字科技有限公司 一种音视频的生成方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6661418B1 (en) * 2001-01-22 2003-12-09 Digital Animations Limited Character animation system
CN1971621A (zh) * 2006-11-10 2007-05-30 中国科学院计算技术研究所 语音和文本联合驱动的卡通人脸动画生成方法
CN104835190A (zh) * 2015-04-29 2015-08-12 华东师范大学 一种3d即时通讯系统及其通讯方法
CN109377540A (zh) * 2018-09-30 2019-02-22 网易（杭州）网络有限公司 面部动画的合成方法、装置、存储介质、处理器及终端
CN109410918A (zh) * 2018-10-15 2019-03-01 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN110751708A (zh) * 2019-10-21 2020-02-04 北京中科深智科技有限公司 一种实时的语音驱动人脸动画的方法和系统
CN110797006A (zh) * 2020-01-06 2020-02-14 北京海天瑞声科技股份有限公司 端到端的语音合成方法、装置及存储介质
CN110956948A (zh) * 2020-01-03 2020-04-03 北京海天瑞声科技股份有限公司 端到端的语音合成方法、装置及存储介质
CN111988658A (zh) * 2020-08-28 2020-11-24 网易（杭州）网络有限公司 视频生成方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4617500B2 (ja) 2006-07-24 2011-01-26 株式会社国際電気通信基礎技術研究所 リップシンクアニメーション作成装置、コンピュータプログラム及び顔モデル生成装置
JP7112075B2 (ja) 2017-08-07 2022-08-03 国立研究開発法人情報通信研究機構 音声合成のためのフロントエンドの学習方法、コンピュータプログラム、音声合成システム、及び音声合成のためのフロントエンド処理方法
US10586368B2 (en) * 2017-10-26 2020-03-10 Snap Inc. Joint audio-video facial animation system
CN109903758B (zh) * 2017-12-08 2023-06-23 阿里巴巴集团控股有限公司 音频处理方法、装置及终端设备
US20200342056A1 (en) * 2019-04-26 2020-10-29 Tencent America LLC Method and apparatus for natural language processing of medical text in chinese

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6661418B1 (en) * 2001-01-22 2003-12-09 Digital Animations Limited Character animation system
CN1971621A (zh) * 2006-11-10 2007-05-30 中国科学院计算技术研究所 语音和文本联合驱动的卡通人脸动画生成方法
CN104835190A (zh) * 2015-04-29 2015-08-12 华东师范大学 一种3d即时通讯系统及其通讯方法
CN109377540A (zh) * 2018-09-30 2019-02-22 网易（杭州）网络有限公司 面部动画的合成方法、装置、存储介质、处理器及终端
CN109410918A (zh) * 2018-10-15 2019-03-01 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN110751708A (zh) * 2019-10-21 2020-02-04 北京中科深智科技有限公司 一种实时的语音驱动人脸动画的方法和系统
CN110956948A (zh) * 2020-01-03 2020-04-03 北京海天瑞声科技股份有限公司 端到端的语音合成方法、装置及存储介质
CN110797006A (zh) * 2020-01-06 2020-02-14 北京海天瑞声科技股份有限公司 端到端的语音合成方法、装置及存储介质
CN111988658A (zh) * 2020-08-28 2020-11-24 网易（杭州）网络有限公司 视频生成方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于动态基元选取的真实感可视语音合成系统;周密;穆凯辉;陶建华;;系统仿真学报;20080923(第S1期);全文 *

Also Published As

Publication number Publication date
CN112541957A (zh) 2021-03-23
JP7232293B2 (ja) 2023-03-02
JP2021182438A (ja) 2021-11-25
US20220180584A1 (en) 2022-06-09
US11948236B2 (en) 2024-04-02

Similar Documents

Publication Publication Date Title
CN112541957B (zh) 动画生成方法、装置、电子设备以及计算机可读介质
US20210201550A1 (en) Method, apparatus, device and storage medium for animation interaction
JP7432556B2 (ja) マンマシンインタラクションのための方法、装置、機器および媒体
CN110347867B (zh) 用于生成嘴唇动作视频的方法和装置
CN114144790A (zh) 具有三维骨架正则化和表示性身体姿势的个性化语音到视频
US20240070397A1 (en) Human-computer interaction method, apparatus and system, electronic device and computer medium
CN112329451B (zh) 手语动作视频生成方法、装置、设备及存储介质
CN113450759A (zh) 语音生成方法、装置、电子设备以及存储介质
CN112287698B (zh) 篇章翻译方法、装置、电子设备和存储介质
CN114882862A (zh) 一种语音处理方法及相关设备
Brock et al. Deep JSLC: A multimodal corpus collection for data-driven generation of Japanese sign language expressions
US11670029B2 (en) Method and apparatus for processing character image data
CN112328088B (zh) 图像的呈现方法和装置
CN112289305B (zh) 韵律预测方法、装置、设备以及存储介质
CN112397050B (zh) 韵律预测方法、训练方法、装置、电子设备和介质
CN114630190A (zh) 关节姿态参数的确定方法、模型训练方法及装置
CN113938739A (zh) 信息显示方法、装置、电子设备及存储介质
Pari et al. SLatAR-A Sign Language Translating Augmented Reality Application
CN113673277A (zh) 线上绘本内容的获取方法、装置以及智能屏设备
Gamage et al. Sinhala Sign Language Translation through Immersive 3D Avatars and Adaptive Learning
Kaviyaraj et al. Augmented Reality and Artificial Intelligence in Sign Language Expression
US11107285B2 (en) Augmented reality-based image editing
Wyawahare et al. ListenBot: Augmented Reality Based Speech To Sign Language Conversion
CN118015157A (zh) 用于实时生成3d数字人肢体动作的多模态驱动算法
Ranum et al. The NGT200 Dataset: Geometric Multi-View Isolated Sign Recognition

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