CN113079328A - 视频生成方法和装置、存储介质和电子设备 - Google Patents

Abstract

本公开涉及一种视频生成方法和装置、存储介质和电子设备，所述方法包括：将待处理文本输入视频特征生成模型，得到视频特征序列；基于所述视频特征序列生成发音器官动作视频。本公开可以提升发音器官动作视频的生成效率。

Description

视频生成方法和装置、存储介质和电子设备

技术领域

本公开涉及视频领域，具体地，涉及一种视频生成方法和装置、存储介质和电子设备。

背景技术

在进行发音学习的场景下，人们很难知悉他人口腔中器官的位置和发力情况，只通过声音来判断应该如何发音是较为困难的，学习效果较差，效率较低。

目前，可以通过制作发音器官动作动画的形式对发音时的口腔情况进行模拟展示，但是这种方式展示的画面并非真实的口腔画面，参考性不高，并且制作动画费时费力效率不高，在批量生成动画的需求场景下，往往无法达到理想的制作效率。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种视频生成方法，包括将待处理文本输入视频特征生成模型，得到视频特征序列；基于所述视频特征序列生成发音器官动作视频。

第二方面，本公开提供一种视频生成装置，包括输入模块，用于将待处理文本输入视频特征生成模型，得到视频特征序列；生成模块，用于基于所述视频特征序列生成发音器官动作视频。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括存储装置和处理装置，存储装置上存储有计算机程序，处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

通过上述的技术方案，至少可以达到以下的技术效果：

可以将待处理文本输入视频特征生成模型得到视频特征序列，并将视频特征序列还原为发音器官动作视频，从而可以快捷高效地基于文本生成文本对应的发音器官动作视频，提高了发音器官动作视频的生成效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

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。在附图中：

图1是根据一示例性公开实施例示出的一种视频生成方法的流程图。

图2是根据一示例性公开实施例示出的一种视频特征生成模型训练流程的示意图。

图3是根据一示例性公开实施例示出的一种视频生成装置的框图。

图4是根据一示例性公开实施例示出的一种电子设备的框图。

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。

图1是根据一示例性公开实施例示出的一种视频生成方法的流程图，如图1所示，所述方法包括以下步骤：

S11、将待处理文本输入视频特征生成模型，得到视频特征序列。

其中，所述视频特征生成模型是通过以下步骤训练得到的：将各样本子句文本各样本文本分割为样本音素序列；获取各样本子句文本对应的样本发音器官动作子视频；提取各样本发音器官动作子视频的样本视频特征序列；基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型。

音素序列为将待处理文本拆分为用于生成视频的小单元之后排列得到的序列，经过对待处理文本进行分割，可以得到更精细的模型输入值，使得模型可以根据音素更高效地生成准确的视频特征序列。

例如，在待处理文本为“How are you”的情况下，可以以音素为分割单位，将待处理文本分割为

[ɑ：][ju：]的音素序列。

待处理文本为待生成发音器官动作视频的文本，该文本可以为一个词组、一个句子、一个段落、一篇文章等任意长度的文本，考虑到模型的处理效率，可以对待处理文本进行分句处理得到长度较短的子句，也就是说，在一种可能的实施方式中，可以对所述样本文本进行分句，得到多个样本子句文本，作为模型的输入值。

在这种情况下，可以通过下述方式训练视频特征生成模型：从样本发音器官动作视频中确定各样本子句文本对应的样本发音器官动作子视频；将样本子文本分割为样本音素子序列；提取各样本发音器官动作子视频的样本视频子特征序列；基于所述样本音素子序列和所述样本视频特征子序列训练所述视频特征生成模型。

样本发音器官动作子视频为基于样本文本制作或录制的发音器官动作视频，发音器官动作视频可以是采用任意动画制作渲染软件制成的口腔的动画发音器官动作视频，也可以是通过摄像机、核磁共振仪拍摄的人朗读样本子句文本时的头部视频。

逐帧或抽帧地对样本发音器官动作视频的视频特征进行提取，可以得到样本发音器官动作视频多个图像帧的特征信息，将视频特征信息按照视频帧的排列顺序进行排列，可以得到样本视频特征序列。值得说明的是，本公开不对图像帧的特征信息的形式进行限定，任意可以提取并可以通过处理还原为图像的特征信息的形式均可以作为本公开中的视频特征序列中的特征信息。

在一种可能的实施方式中，该特征信息为主成分信息，通过逐帧对所述样本发音器官动作视频进行主成分分析得到各视频帧的主成分信息，并将各视频帧的所述主成分信息按照视频帧顺序进行排列，得到所述样本视频特征序列。通过对主成分信息进行还原，可以得到还原图像，将还原图像按照样本视频特征序列的顺序排列并合成，可以得到还原的发音器官动作视频。

将样本音素序列和与该样本音素序列对应的样本视频特征序列作为训练样本，对视频特征生成模型进行训练，使得视频特征生成模型可以基于任意的音素生成与之对应的视频特征或视频特征序列。该视频特征生成模型可以为深度学习模型，通过对样本音素序列中的各样本音素进行标签标注的形式生成输入深度学习模型的训练样本，经过多轮迭代训练后使得深度学习模型可以准确地基于音素生成视频特征。该视频特征生成模型还可以为注意力模型，所述视频特征生成模型包括编码器和解码器，所述编码器用于基于音素序列生成编码结果，所述解码器用于基于所述编码结果生成视频特征序列，通过音素序列到视频特征序列的端到端训练的形式对编码器和解码器进行训练，使得注意力模型可以准确地基于音素序列生成视频特征序列。

值得说明的是，在待生成的发音器官动作视频为MRI(Magnetic ResonanceImaging，核磁共振成像)视频的情况下，考虑到MRI视频的录制成本较高，一次性录制较长的视频可以降低录制成本，因此，该样本发音器官动作子视频可以是从一个完整的样本发音器官动作视频中分割得到的，相对应的，样本子句文本也是从样本文本中分割得到的。该样本发音器官动作视频可以是通过核磁共振仪器拍摄的用户朗诵样本文本时的MRI视频，通过对样本文本进行分句，并基于分句的结果将样本发音器官动作视频分割为与各样本子句文本对应的子视频，可以得到多个样本发音器官动作子视频。

在一种可能的实施方式中，可以对样本文本进行分句，得到多个样本子句文本，对与样本发音器官动作视频同步录制的样本语音进行语音识别，并基于语音识别结果，确定各样本子句文本对应的语音片段，基于各语音片段的时间轴信息，从所述样本发音器官动作视频中确定各语音片段对应的样本发音器官动作子视频。

例如，通过对样本文本“How are you？I’m fine thank you,and you？”进行分句，可以得到“How are you”“I’m fine”“thank you”“and you”四个子句，通过对时长为6秒的样本语音进行识别，可以得到“How are you”对应的语音片段的时间轴信息为“00:00:00至00:01:40”，“I’m fine”对应的语音片段的时间轴信息为“00:01:40至00:02:50”，“thankyou”对应的语音片段的时间轴信息为“00:02:50至00:04:40”，“and you”对应的语音片段的时间轴信息为“00:04:40至00:06:00”，则可以将时长为6秒的样本发音器官动作子视频按照时间轴信息分割为“00:00:00至00:01:40”、“00:01:40至00:02:50”、“00:02:50至00:04:40”、“00:04:40至00:06:00”四个视频片段，每个视频片段为其对应的样本子句文本的样本发音器官动作子视频。

上述的分句方式仅作为举例展示，本领域技术人员可以采用其他的分句方式对句子进行分句处理，本公开对此不做限制。

考虑到MRI视频录制时录制仪器可能没有录音功能，需由额外的录音设备对样本语音进行录制，而样本发音器官动作视频和样本语音在录制时可能有开始时间不同、结束时间不同等问题导致的时差，因此，在一种可能的实施方式中，对所述样本语音与所述样本发音器官动作视频的时间轴信息进行对齐处理；调整所述样本语音或所述样本发音器官动作视频的长度，以使所述样本语音和所述样本发音器官动作视频的长度一致。

考虑到人在录制视频时可能会有姿势变动，使得录制得到的视频中的面部位置不固定，从而可能影响到视频的美观性，还可能影响到视频的特征信息提取，增加模型的训练成本，因此，在一种可能的实施方式中，逐帧对所述样本发音器官动作视频中的面部位置进行调整，以使各视频帧中的相同器官位于相同的图像位置。

该调整可以采用像素追踪或者光流跟踪的形式进行，或者，可以采用特征点提取并对齐的方式进行，对视频帧的处理包括但不限于旋转、平移、放大、缩小，还可以对视频帧的画面大小进行统一裁剪，以减少视频中的干扰信息。

S12、基于所述视频特征序列生成发音器官动作视频。

通过对视频特征序列中的各个特征信息进行还原，可以得到还原图像，将还原图像根据视频特征序列的排列顺序进行排列，可以合成得到发音器官动作视频。该发音器官动作视频的形式与样本发音器官动作视频的形式相同，即，在样本发音器官动作视频为动画视频的情况下，该发音器官动作视频也为动画视频，在样本发音器官动作视频为MRI视频的情况下，该发音器官动作视频也为MRI视频。

在一种可能的实施方式中，考虑到MRI视频的内容相对于非MRI领域的人员来说可能存在不便于查看的问题，因此，在生成了MRI视频之后，可以对视频内容进行美化处理，例如，以动画器官替代真实的器官图像，并将各动画器官进行着色处理等，使得美化后的视频便于查看。

图2是根据一示例性公开实施例示出的一种视频特征生成模型训练流程的示意图。该示意图是发音器官动作视频为MRI视频、视频特征生成模型为注意力模型的情况下的训练流程的示意图，如图2所示，可以基于采集基于样本文本录制的MRI发音器官动作视频和样本音频，并对MRI发音器官动作视频和样本音频进行同步对齐，将样本文本进行分句，并基于分句结果和样本音频的识别结果确定各样本子句文本对应的发音器官动作子视频，将MRI发音器官动作视频进行中心化处理和主成分分析(值得说明的是，中心化处理和主成分分析可以以整个MRI视频为单位进行，也可以以发音器官动作子视频为单位对各发音器官动作子视频分别进行，本公开对此不做限制)，并将样本子句文本的音素序列以及其对应的主成分信息序列输入注意力模型中，通过注意力模型的注意力机制训练编码器和解码器，从而完成视频特征生成模型的训练过程。

通过上述的技术方案，至少可以达到以下的技术效果：

可以将待处理文本输入视频特征生成模型得到视频特征序列，并将视频特征序列还原为发音器官动作视频，从而可以快捷高效地基于文本生成文本对应的发音器官动作视频，提高了发音器官动作视频的生成效率。

图3是根据一示例性公开实施例示出的一种视频生成装置的框图。如图3所示，所述装置300包括：

输入模块310，用于将待处理文本输入视频特征生成模型，得到视频特征序列。

生成模块320，用于基于所述视频特征序列生成发音器官动作视频。

在一种可能的实施方式中，所述装置300还包括拆分模块，用于将所述待处理文本拆分为音素序列；所述输入模块310，用于将所述待处理文本拆分得到的所述音素序列输入所述视频特征生成模型，得到视频特征序列。

在一种可能的实施方式中，所述装置还包括：训练模块，用于将各样本文本分割为样本音素序列；获取各样本文本对应的样本发音器官动作视频；提取各样本发音器官动作视频的样本视频特征序列；基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型。

在一种可能的实施方式中，所述训练模块，还用于对所述样本文本进行分句，得到多个样本子句文本；从所述样本发音器官动作视频中确定各样本子句文本对应的样本发音器官动作子视频；将样本子文本分割为样本音素子序列；提取各样本发音器官动作子视频的样本视频子特征序列；基于所述样本音素子序列和所述样本视频特征子序列训练所述视频特征生成模型。

在一种可能的实施方式中，所述训练模块，还用于逐帧对所述样本发音器官动作视频中的面部位置进行调整，以使各视频帧中的相同器官位于相同的图像位置。

在一种可能的实施方式中，所述训练模块，用于逐帧对所述样本发音器官动作子视频进行主成分分析得到各视频帧的主成分信息；将各视频帧的所述主成分信息按照视频帧顺序进行排列，得到所述样本视频特征序列。

在一种可能的实施方式中，所述视频特征生成模型为注意力模型，所述视频特征生成模型包括编码器和解码器，所述编码器用于基于音素序列生成编码结果，所述解码器用于基于所述编码结果生成视频特征序列。

上述各模块所具体执行的步骤在方法部分实施例中已经进行了详细阐述，在此不做赘述。

通过上述的技术方案，至少可以达到以下的技术效果：

可以将待处理文本输入视频特征生成模型得到视频特征序列，并将视频特征序列还原为发音器官动作视频，从而可以快捷高效地基于文本生成文本对应的发音器官动作视频，提高了发音器官动作视频的生成效率。

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。本公开实施例中的终端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。

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模块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，模块的名称在某种情况下并不构成对该模块本身的限定。

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提供了一种视频生成方法，包括将待处理文本输入视频特征生成模型，得到视频特征序列；基于所述视频特征序列生成发音器官动作视频。

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，所述方法还包括：将所述待处理文本拆分为音素序列；所述将待处理文本输入视频特征生成模型，得到视频特征序列音素序列，包括：将所述待处理文本拆分得到的所述音素序列输入所述视频特征生成模型，得到视频特征序列。

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，所述视频特征生成模型是通过以下步骤训练得到的：将各样本文本分割为样本音素序列；获取各样本文本对应的样本发音器官动作视频；提取各样本发音器官动作视频的样本视频特征序列；基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型。

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，所述训练步骤还包括：对所述样本文本进行分句，得到多个样本子句文本；从所述样本发音器官动作视频中确定各样本子句文本对应的样本发音器官动作子视频；所述将样本文本分割为样本音素序列，包括：将样本子文本分割为样本音素子序列；所述提取各样本发音器官动作视频的样本视频特征序列，包括：提取各样本发音器官动作子视频的样本视频子特征序列；所述基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型，包括：基于所述样本音素子序列和所述样本视频特征子序列训练所述视频特征生成模型。

根据本公开的一个或多个实施例，示例5提供了示例3的方法，所述方法还包括：逐帧对所述样本发音器官动作视频中的面部位置进行调整，以使各视频帧中的相同器官位于相同的图像位置。

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，所述提取各样本发音器官动作子视频的样本视频特征序列，包括：逐帧对所述样本发音器官动作子视频进行主成分分析得到各视频帧的主成分信息；将各视频帧的所述主成分信息按照视频帧顺序进行排列，得到所述样本视频特征序列。

根据本公开的一个或多个实施例，示例7提供了示例2-5的方法，所述视频特征生成模型为注意力模型，所述视频特征生成模型包括编码器和解码器，所述编码器用于基于音素序列生成编码结果，所述解码器用于基于所述编码结果生成视频特征序列。

根据本公开的一个或多个实施例，示例8提供了一种视频生成装置，所述装置包括：输入模块，用于将待处理文本输入视频特征生成模型，得到视频特征序列；生成模块，用于基于所述视频特征序列生成发音器官动作视频。

根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述装置还包括拆分模块，用于将所述待处理文本拆分为音素序列；所述输入模块，用于将所述待处理文本拆分得到的所述音素序列输入所述视频特征生成模型，得到视频特征序列。

根据本公开的一个或多个实施例，示例10提供了示例8的装置，所述装置还包括：训练模块，用于将各样本文本分割为样本音素序列；获取各样本文本对应的样本发音器官动作视频；提取各样本发音器官动作视频的样本视频特征序列；基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型。

根据本公开的一个或多个实施例，示例11提供了示例10的装置，所述训练模块，还用于对所述样本文本进行分句，得到多个样本子句文本；从所述样本发音器官动作视频中确定各样本子句文本对应的样本发音器官动作子视频；将样本子文本分割为样本音素子序列；提取各样本发音器官动作子视频的样本视频子特征序列；基于所述样本音素子序列和所述样本视频特征子序列训练所述视频特征生成模型。

根据本公开的一个或多个实施例，示例12提供了示例10的装置，所述训练模块，还用于逐帧对所述样本发音器官动作视频中的面部位置进行调整，以使各视频帧中的相同器官位于相同的图像位置。

根据本公开的一个或多个实施例，示例13提供了示例8的装置，所述训练模块，用于逐帧对所述样本发音器官动作子视频进行主成分分析得到各视频帧的主成分信息；将各视频帧的所述主成分信息按照视频帧顺序进行排列，得到所述样本视频特征序列。

根据本公开的一个或多个实施例，示例14提供了示例9-12的装置，所述视频特征生成模型为注意力模型，所述视频特征生成模型包括编码器和解码器，所述编码器用于基于音素序列生成编码结果，所述解码器用于基于所述编码结果生成视频特征序列。

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。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (10)

1.一种视频生成方法，其特征在于，所述方法包括：

将待处理文本输入视频特征生成模型，得到视频特征序列；

基于所述视频特征序列生成发音器官动作视频。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述待处理文本拆分为音素序列；

所述将待处理文本输入视频特征生成模型，得到视频特征序列音素序列，包括：

将所述待处理文本拆分得到的所述音素序列输入所述视频特征生成模型，得到视频特征序列。

3.根据权利要求1所述的方法，其特征在于，所述视频特征生成模型是通过以下步骤训练得到的：

将各样本文本分割为样本音素序列；

获取各样本文本对应的样本发音器官动作视频；

提取各样本发音器官动作视频的样本视频特征序列；

基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型。

4.根据权利要求3所述的方法，其特征在于，所述训练步骤还包括：

对所述样本文本进行分句，得到多个样本子句文本；

从所述样本发音器官动作视频中确定各样本子句文本对应的样本发音器官动作子视频；

所述将样本文本分割为样本音素序列，包括：

将样本子文本分割为样本音素子序列；

所述提取各样本发音器官动作视频的样本视频特征序列，包括：

提取各样本发音器官动作子视频的样本视频子特征序列；

所述基于所述样本音素序列和所述样本视频特征序列训练所述视频特征生成模型，包括：

基于所述样本音素子序列和所述样本视频特征子序列训练所述视频特征生成模型。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

逐帧对所述样本发音器官动作视频中的面部位置进行调整，以使各视频帧中的相同器官位于相同的图像位置。

6.根据权利要求1所述的方法，其特征在于，所述提取各样本发音器官动作子视频的样本视频特征序列，包括：

逐帧对所述样本发音器官动作子视频进行主成分分析得到各视频帧的主成分信息；

将各视频帧的所述主成分信息按照视频帧顺序进行排列，得到所述样本视频特征序列。

7.根据权利要求2-5任一项所述的方法，其特征在于，所述视频特征生成模型为注意力模型，所述视频特征生成模型包括编码器和解码器，所述编码器用于基于音素序列生成编码结果，所述解码器用于基于所述编码结果生成视频特征序列。

8.一种视频生成装置，其特征在于，所述装置包括：

输入模块，用于将待处理文本输入视频特征生成模型，得到视频特征序列；

生成模块，用于基于所述视频特征序列生成发音器官动作视频。

9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。

Images