CN112634413B - 生成模型和生成3d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3D动画的方法、装置、设备、存储介质和计算机程序，涉及人工智能技术领域，具体为计算机视觉、增强现实和深度学习技术领域。具体实现方案为：获取预置的针对特定情绪的样本集，并初始化特定情绪的情绪向量；获取预先建立的表情预测模型。执行以下训练步骤：从样本集中选取样本；将所选取的样本中的样本音频特征输入第一卷积层，得到高层特征；将高层特征与情绪向量融合，得到融合特征；将融合特征输入第二卷积层和全连接层，得到预测的表情参数；根据该样本的期望的表情参数和预测的表情参数计算损失值；若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。该实施方式提供了表达不同情绪的人脸3D动画模型。

Description

生成模型和生成3D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、增强现实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。合成逼真的视觉内容不仅具有很大的商业价值，而且也是业界一直所期望的。如果没有计算机合成的综合视觉效果，许多电影特效也是不可能实现的。目前，网络上就已经存在着大量的人工合成视频。此外，语音识别与文本合成语音技术也已广泛应用于聊天机器人中。现有的基于深度学习的方法，通过单张图像生成整个人脸说话的视频，这种方式已经足以得到很好的与提供的语音匹配的唇形，但是无法产生动的面部表情，无法实现对表情的可控，因而无法很好地满足特定场景下，虚拟人情绪表达的需求。

发明内容

本公开提供了一种生成模型和生成3D动画的方法、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种生成模型的方法，包括：获取预置的针对特定情绪的样本集，并初始化特定情绪的情绪向量，其中，样本集至少包含一个样本，样本包括样本音频特征、期望的表情参数。获取预先建立的表情预测模型，其中，表情预测模型包括第一卷积层、情绪融合层、第二卷积层、全连接层。执行以下训练步骤：从样本集中选取样本。将所选取的样本中的样本音频特征输入第一卷积层，得到高层特征。将高层特征与情绪向量融合，得到融合特征。将融合特征输入第二卷积层和全连接层，得到预测的表情参数。根据该样本的期望的表情参数和预测的表情参数计算损失值。若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。

根据本公开的第二方面，提供了一种生成3D动画的方法，包括：从待转换的语音中提取语音特征。根据业务场景确定语音的情绪。获取根据第一方面中任一项的方法训练出的情绪对应的情绪向量。将情绪向量和语音特征一起输入根据第一方面中任一项的方法训练出的表情预测模型，得到表情参数。将表情参数输入渲染引擎生成3D人脸动画。

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针对特定情绪的样本集，并初始化特定情绪的情绪向量，其中，样本集至少包含一个样本，样本包括样本音频特征、期望的表情参数。模型获取单元，被配置成获取预先建立的表情预测模型，其中，表情预测模型包括第一卷积层、情绪融合层、第二卷积层、全连接层。选取单元，被配置成从样本集中选取样本。特征提取单元，被配置成将所选取的样本中的样本音频特征输入第一卷积层，得到高层特征。融合单元，被配置成将高层特征与情绪向量融合，得到融合特征。预测单元，被配置成将融合特征输入第二卷积层和全连接层，得到预测的表情参数。计算单元，被配置成根据该样本的期望的表情参数和预测的表情参数计算损失值。输出单元，被配置成若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。

根据本公开的第四方面，提供了一种生成3D动画的装置，包括：提取单元，被配置成从待转换的语音中提取语音特征。确定单元，被配置成根据业务场景确定语音的情绪。获取单元，被配置成获取根据第一方面中任一项的方法训练出的情绪对应的情绪向量。预测单元，被配置成将情绪向量和语音特征一起输入根据第一方面中任一项的方法训练出的表情预测模型，得到表情参数。生成单元，被配置成将表情参数输入渲染引擎生成3D人脸动画。

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。

根据本公开的第七方面，提供了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根据第一方面和第二方面中任一项所述的方法。

根据本申请的技术，通过在表情预测模型中引入情绪向量，能够低成本有效地实现单一模型对虚拟人情绪控制的能力。极大地提升了虚拟人面部的情绪表达能力，在交互类、播报类场景下，能够使得虚拟人能够以切换不同的表情与用户交互。适应不同上下文情景中情感表达需求，增强了与用户的情感共鸣，极大地提升了虚拟人产品的竞争力。

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3a-3b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3D动画的方法的一个实施例的流程图；

图5是根据本申请生成3D动画的方法的应用场景的示意图；

图6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7是根据本申请生成3D动画的装置的一个实施例的结构示意图；

图8是用来实现本申请实施例的生成模型的方法和生成3D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3D动画的方法或生成3D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 La7er 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特征、期望的表情参数。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3D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3D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3D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，获取预置的针对特定情绪的样本集，初始化特定情绪的情绪向量。

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。情绪可包括以下至少一项：自然、微笑、大笑、悲伤。每种情绪都对应有自己的情绪向量。使用不同的表情数据训练不同的情绪向量。如图3b所示，训练数据由不同表情组成，如图所示有自然，微笑，悲伤等，可为每种表情设定一个情绪向量，该向量在本申请的实现中是16维，随机初始化的。模型训练时，不断从训练数据库中随机采样某种表情的数据，然后用来训练情绪向量库中对应的情绪向量以及主模型(主模型值指的是表1中，除了情绪向量以外的结构)。这样经过大量迭代，遍历过若干次训练数据库后，情绪的信息被存储在对应的情绪向量中。

在这里，每种情绪对应一个样本集，每个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特征、期望的表情参数。可通过RNN(特征神经网络)，例如DeepSpeech等网络结构从样本音频中提取出样本音频特征，也可通过数学方法提取音频特征。每一帧图像对应一组表情参数。3D虚拟人像的面部驱动(包括口型)是由一些动画引擎预定义的一组Blender Shape(BS，表情参数)参数控制的。BS参数是一个向量，每一个维度取值范围为[0，1]，代表一个特定的面部运动。例如jaw_open这个维度控制着下巴的张合程度，数值越大表示张合越大。图3a中左图展示的是jaw_open＝0对应的虚拟人像形态，右图展示的是jaw_open＝1对应的虚拟人像形态。类似的，控制虚拟人面部各个肌肉维度的总共370个BS，共同控制虚拟人的面部运动，让其拥有表达各种表情的能力。

步骤202，获取预先建立的表情预测模型。

在本实施例中，表情预测模型可以是一种深度学习网络结构，例如，生成式对抗网络的生成器。表情预测模型可包括第一卷积层、情绪融合层、第二卷积层、全连接层。详细结构见表1。注意该表中的结构只是本申请的一种实现方式，理论上可以设计任意的特征提取以及与之相匹配的任意网络结构。

表1

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209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期望的表情参数。表情参数为若干帧人脸表情的参数，每帧表情参数标记了每个人脸图像中关键点的真实位置。样本音频可以对应多帧人脸图像，相应的，也对应多组表情参数(每组表情参数对应一帧人脸图像)。

步骤204，将所选取的样本中的样本音频特征输入第一卷积层，得到高层特征。

在本实施例中，这里的第一卷积层指的是情绪融合层之前的卷积层，可以是多层，表1中为5层。例如，对一段520ms的语音，提取64*32维的音频特征并拼接成一个二维的矩阵R^64×32，然后使用卷积神经网络(Convolutional Neural Networks，CNN)提取高层次的特征。

步骤205，将高层特征与情绪向量融合，得到融合特征。

在本实施例中，如上例所示，在第五个卷积层后，得到256*64*1维度的特征，然后把情绪向量(本申请的实现为16维)扩充至16*64*1的维度，然后与上述卷积层的特征直接叠加在一起，得到一个(256+16)*64*1的特征，即为融合特征。

步骤206，将融合特征输入第二卷积层和全连接层，得到预测的表情参数。

在本实施例中，这里的第二卷积层指的是情绪融合层之后的卷积层，可以是多层，表1中为5层。融合特征经过若干卷积层和两层全联接层之后输出预测的表情参数。

步骤207，根据该样本的期望的表情参数和预测的表情参数计算损失值。

在本实施例中，本方案采用的是有监督的训练，需要将预测的表情参数与样本中期望的表情参数进行比较计算损失值。损失值的计算方法为现有技术，因此不再赘述。

步骤208，若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。

在本实施例中，若损失值小于阈值，说明表情预测模型训练完成，得到的情绪向量也能很好的对表情参数进行预测。生成了可控制动画表情的模型，以及用于控制表情的情绪向量。

步骤209，若损失值大于等于阈值，则调整情绪向量和表情预测模型的相关参数使得损失值收敛，并基于调整后的情绪向量和表情预测模型，继续执行步骤203-209。

在本实施例中，若损失值大于等于阈值，说明模型和情绪向量的训练未完成，则调整情绪向量和表情预测模型的相关参数来使得损失值收敛。可先保持表情预测模型的参数不变，反复执行步骤203至步骤209，调整对应情绪向量的参数，使得损失值逐渐变小直至稳定。然后再保持情绪向量的参数不变，反复执行步骤203至步骤209，调整表情预测模型的参数，使得损失值逐渐变小直至稳定。交替训练表情预测模型的参数和情绪向量的参数，直至损失值收敛。

本申请的上述实施例提供的方法，能够快速、准确地训练出生成3D动画的模型，使得模型生成的3D动画的表情可控。

在本实施例的一些可选的实现方式中，该方法还包括：获取不同情绪的样本集；根据每种情绪的样本集执行上述训练步骤，得到每种情绪的情绪向量。每种情绪的样本训练出一种情绪向量，不同的情绪的样本训练出不同的情绪向量。这样可按需求将同一段音频生成不同情绪的动画表情。

继续参见图4，其示出了本申请提供的生成3D动画的方法的一个实施例的流程400。该生成3D动画的方法可以包括以下步骤：

步骤401，从待转换的语音中提取语音特征。

在本实施例中，生成3D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)或其他设备采集的语音。将获取的语音输入RNN提取语音特征。

步骤402，根据业务场景确定语音的情绪。

在本实施例中，用户可自选情绪，也由服务器根据语音的内容确定出情绪。

在本实施例的一些可选的实现方式中，若语音为用户原始输入的语音，则将语音输入预先训练的情绪识别模型，确定出用户的情绪。情绪识别模型是一种分类器，能够区别出输入的语音的情绪。可利用用于训练情绪向量的样本来训练情绪识别模型。可以快速准确地确定出用户的情绪，从而生成正确反应情绪的表情动画。

在本实施例的一些可选的实现方式中，若语音是根据文本转换的，则将文本的内容输入预先训练的主题模型，确定出文本的主题；确定与主题匹配的情绪。主题模型也是一种常见的神经网络模型，可以根据文本的内容确定出主题。例如，文本内容为“沉痛哀悼生成模型”，可确定文本的主题为讣告，此时对应的情绪应该是悲伤，而不宜用微笑等情绪。即使是在文本转换的语音的情况下，无法直接通过语音确定用户的情绪，仍可以通过内容来准确分析出情绪，从而生成正确反应情绪的表情动画。

步骤403，获取情绪对应的情绪向量。

在本实施例中，获取根据步骤201-209训练出的情绪向量。

步骤404，将情绪向量和语音特征一起输入表情预测模型，得到表情参数。

在本实施例中，将步骤401提取的语频特征和步骤402获得的情绪向量输入步骤201-209训练得到的生成3D动画的模型，输出表情参数。

步骤405，将表情参数输入渲染引擎生成3D人脸动画。

在本实施例中，可使用现有技术常用的3D渲染方法，对表情参数进行渲染，得到3D动画，从而完成虚拟形象的驱动。

需要说明的是，本实施例生成3D动画的方法可以用于测试上述各实施例所生成的生成3D动画的模型。进而根据测试结果可以不断地优化生成3D动画的模型。该方法也可以是上述各实施例所生成的生成3D动画的模型的实际应用方法。采用上述各实施例所生成的生成3D动画的模型，来生成人脸3D动画，有助于提高人脸3D动画的情绪可控性。

模型训练完成后，预测流程如图5所示，对于一段文本转换出的语音，用户可选择业务场景下最合适的表情，并选择对应的情绪向量(比如选择微笑)，使用该向量以及主模型，就可以得到一段虚拟人微笑着说话的视频。如果需要选择其他表情，流程相同。因此本申请的方案获得了单一模型情绪可控的能力。

比起分立地训练若干个单一表情的模型，本申请的技术方案具有以下优势：

1、主模型能够从不同情绪数据中学习口型信息，数据的利用率更高。

2、解耦了口型和表情的学习，口型从语音中学习，表情信息作为先验存储在情绪向量中。模型效果更加。

3、单一模型实现表情控制，切换表情几乎无成本。线上部署时，所占内存资源更少。

继续参见图6，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6所示，本实施例的生成模型的装置600可以包括：样本获取单元601、模型获取单元602、选取单元603、特征提取单元604、融合单元605、预测单元606、计算单元607、输出单元608。其中，样本获取单元601，被配置成获取预置的针对特定情绪的样本集，并初始化特定情绪的情绪向量，其中，样本集至少包含一个样本，样本包括样本音频特征、期望的表情参数。模型获取单元602，被配置成获取预先建立的表情预测模型，其中，表情预测模型包括第一卷积层、情绪融合层、第二卷积层、全连接层。选取单元603，被配置成从样本集中选取样本。特征提取单元604，被配置成将所选取的样本中的样本音频特征输入第一卷积层，得到高层特征。融合单元605，被配置成将高层特征与情绪向量融合，得到融合特征。预测单元606，被配置成将融合特征输入第二卷积层和全连接层，得到预测的表情参数。计算单元607，被配置成根据该样本的期望的表情参数和预测的表情参数计算损失值。输出单元608，被配置成若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。

在本实施例的一些可选的实现方式中，装置600还包括调整单元609，被配置成：若损失值大于等于阈值，则调整情绪向量和表情预测模型的相关参数使得损失值收敛，并基于调整后的情绪向量和表情预测模型，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，装置600还包括重复单元(附图中未示出)，被配置成：获取不同情绪的样本集。根据每种情绪的样本集执行上述训练步骤，得到每种情绪的情绪向量。

继续参见图7，作为对上述图4所示方法的实现，本申请提供了一种生成3D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7所示，本实施例的生成3D动画的装置700可以包括：提取单元701、确定单元702、获取单元703、预测单元704、生成单元705。其中，提取单元701，被配置成从待转换的语音中提取语音特征。确定单元702，被配置成根据业务场景确定语音的情绪。获取单元703，被配置成获取情绪对应的情绪向量。预测单元704，被配置成将情绪向量和语音特征一起输入表情预测模型，得到表情参数。生成单元705，被配置成将表情参数输入渲染引擎生成3D人脸动画。

在本实施例的一些可选的实现方式中，确定单元702进一步被配置成：若语音为用户原始输入的语音，则将语音输入预先训练的情绪识别模型，确定出用户的情绪。

在本实施例的一些可选的实现方式中，确定单元702进一步被配置成：若语音是根据文本转换的，则将文本的内容输入预先训练的主题模型，确定出文本的主题。确定与主题匹配的情绪。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如方法生成模型。例如，在一些实施例中，方法生成模型可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法生成模型的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法生成模型。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

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。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (14)

1.一种生成模型的方法，包括：

获取预置的针对特定情绪的样本集，并初始化所述特定情绪的情绪向量，其中，所述样本集至少包含一个样本，样本包括样本音频特征、期望的表情参数，其中，每种情绪对应各自的情绪向量，不同情绪向量使用不同表情数据训练，表情参数为多帧人脸图像表情的参数，每帧表情参数标记了每帧人脸图像中关键点的真实位置；

获取预先建立的表情预测模型，其中，所述表情预测模型包括第一卷积层、情绪融合层、第二卷积层、全连接层；

执行以下训练步骤：从所述样本集中选取样本；将所选取的样本中的样本音频特征输入所述第一卷积层，得到高层特征；将所述高层特征与所述情绪向量融合，得到融合特征；将所述融合特征输入所述第二卷积层和所述全连接层，得到预测的表情参数；根据该样本的期望的表情参数和所述预测的表情参数计算损失值；若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。

2.根据权利要求1所述的方法，其中，所述方法还包括：

若损失值大于等于所述阈值，则调整情绪向量和所述表情预测模型的相关参数使得损失值收敛，并基于调整后的情绪向量和所述表情预测模型，继续执行上述训练步骤。

3.根据权利要求1所述的方法，其中，所述方法还包括：

获取不同情绪的样本集；

根据每种情绪的样本集执行上述训练步骤，得到每种情绪的情绪向量。

4.一种生成3D动画的方法，包括：

从待转换的语音中提取语音特征；

根据业务场景确定所述语音的情绪；

获取根据权利要求1-3中任一项所述的方法训练出的所述情绪对应的情绪向量；

将所述情绪向量和所述语音特征一起输入根据权利要求1-3中任一项所述的方法训练出的表情预测模型，得到表情参数；

将所述表情参数输入渲染引擎生成3D人脸动画。

5.根据权利要求4所述的方法，其中，所述根据业务场景确定所述语音的情绪，包括：

若所述语音为用户原始输入的语音，则将所述语音输入预先训练的情绪识别模型，确定出所述用户的情绪。

6.根据权利要求4所述的方法，其中，所述根据业务场景确定所述语音的情绪，包括：

若所述语音是根据文本转换的，则将所述文本的内容输入预先训练的主题模型，确定出所述文本的主题；

确定与所述主题匹配的情绪。

7.一种生成模型的装置，包括：

样本获取单元，被配置成获取预置的针对特定情绪的样本集，并初始化所述特定情绪的情绪向量，其中，所述样本集至少包含一个样本，样本包括样本音频特征、期望的表情参数，其中，每种情绪对应各自的情绪向量，不同情绪向量使用不同表情数据训练，表情参数为多帧人脸图像表情的参数，每帧表情参数标记了每帧人脸图像中关键点的真实位置；

模型获取单元，被配置成获取预先建立的表情预测模型，其中，所述表情预测模型包括第一卷积层、情绪融合层、第二卷积层、全连接层；

选取单元，被配置成从所述样本集中选取样本；

特征提取单元，被配置成将所选取的样本中的样本音频特征输入所述第一卷积层，得到高层特征；

融合单元，被配置成将所述高层特征与所述情绪向量融合，得到融合特征；

预测单元，被配置成将所述融合特征输入所述第二卷积层和所述全连接层，得到预测的表情参数；

计算单元，被配置成根据该样本的期望的表情参数和所述预测的表情参数计算损失值；

输出单元，被配置成若损失值小于阈值，则输出训练完成的表情预测模型和情绪向量。

8.根据权利要求7所述的装置，其中，所述装置还包括调整单元，被配置成：

若损失值大于等于所述阈值，则调整情绪向量和所述表情预测模型的相关参数使得损失值收敛，并基于调整后的情绪向量和所述表情预测模型，继续执行上述训练步骤。

9.根据权利要求7所述的装置，其中，所述装置还包括重复单元，被配置成：

获取不同情绪的样本集；

根据每种情绪的样本集执行上述训练步骤，得到每种情绪的情绪向量。

10.一种生成3D动画的装置，包括：

提取单元，被配置成从待转换的语音中提取语音特征；

确定单元，被配置成根据业务场景确定所述语音的情绪；

获取单元，被配置成获取根据权利要求1-3中任一项所述的方法训练出的所述情绪对应的情绪向量；

预测单元，被配置成将所述情绪向量和所述语音特征一起输入根据权利要求1-3中任一项所述的方法训练出的表情预测模型，得到表情参数；

生成单元，被配置成将所述表情参数输入渲染引擎生成3D人脸动画。

11.根据权利要求10所述的装置，其中，所述确定单元进一步被配置成：

若所述语音为用户原始输入的语音，则将所述语音输入预先训练的情绪识别模型，确定出所述用户的情绪。

12.根据权利要求10所述的装置，其中，所述确定单元进一步被配置成：

若所述语音是根据文本转换的，则将所述文本的内容输入预先训练的主题模型，确定出所述文本的主题；

确定与所述主题匹配的情绪。

13.一种电子设备，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。

14.一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。