CN113902838A - 动画生成方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种动画生成方法、装置、存储介质及电子设备，所述方法包括：获取输入文本；生成与所述输入文本对应的目标音素序列，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画，实现了无需通过摄像设备来实时捕捉用户的表情数据来驱动虚拟形象的目的。

Description

动画生成方法、装置、存储介质及电子设备

技术领域

本公开涉及电子信息技术领域，具体地，涉及一种动画生成方法、装置、存储介质及电子设备。

背景技术

增强现实(Augmented Reality，AR)技术，是一种实时地计算摄像机影像的位置及角度并加上对应图像、视频、三维模型的技术，这种技术的目的是在屏幕上把虚拟世界融入现实世界并进行互动。其中，ARKit是一种开发框架，用于提供AR开发平台。

相关技术中，ARKit需要通过摄像设备实时捕捉用户的表情数据，进而利用该表情数据来驱动虚拟形象(例如，游戏人物形象)做出与用户相同的表情，实现增强现实。

发明内容

提供该部分内容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。该部分内容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，本公开提供一种动画生成方法，包括：

获取输入文本；

生成与所述输入文本对应的目标音素序列，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

第二方面，本公开提供一种动画生成装置，包括：

文本获取模块，用于获取输入文本；

第一生成模块，用于生成与所述输入文本对应的目标音素序列，其中，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

确定模块，用于根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

第二生成模块，用于基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

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第一方面中所述动画生成方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现第一方面中所述动画生成方法的步骤。

通过上述技术方案，获取输入文本；生成与输入文本对应的目标音素序列，目标音素序列包括与输入文本对应的音频中的每个音频帧对应的音素；根据目标音素序列，确定与目标音素序列对应的表情动画曲线，表情动画曲线用于表征随时间变化的表情变化过程；基于表情动画曲线对预设的虚拟形象进行渲染，生成虚拟形象的动画。基于文本和音频来确定表情动画曲线，并以此对预设的虚拟形象进行渲染，实现了无需通过摄像设备来实时捕捉用户的表情数据来驱动虚拟形象的目的。

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是根据本公开一示例性实施例示出的一种动画生成方法的流程图。

图2是根据本公开一示例性实施例示出的一种特征提取网络的结构图。

图3是根据本公开一示例性实施例示出的一种动画生成装置的框图。

图4是根据本公开一示例性实施例示出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。

相关技术中，ARKit主要用于实时捕捉收集从用户的面部3D(3Dimensions，三维)信息，面部3D信息是随着时间变化的表情参数，根据该面部3D信息可以制作3D虚拟形象动画。

图1是根据本公开一示例性实施例示出的一种动画生成方法的流程图。该动画生成方法可以应用于电子设备，该动画生成方法包括以下步骤：

步骤101，获取输入文本。

在一些实施例中，电子设备可以主动获取输入文本，也可以被动接收输入文本。例如，电子设备可以通过有线或无线方式从与电子设备连接的其他设备获取输入文本。

在一些实施例中，输入文本可以是预先存储在电子设备的文本，也可以是实时生成的文本，也可以是从网络中爬取到的文本。本实施例在此不作限定。

在一些实施例中，输入文本可以是中文文本，也可以是除中文以外的其他语言(例如英文)的文本

步骤102，生成与输入文本对应的目标音素序列，目标音素序列包括与输入文本对应的音频中的每个音频帧对应的音素。

其中，音素是语音中最小的单位。不同语言对应的音素不同。以中文为例，可以理解的是，一个字包括一个或多个音素，对应地，音素序列是按输入文字中各字排列顺序和各字中所包括音素排列顺序得到的序列。

示例地，以输入文本为“普通话”为例，对应的，音素序列＝[p，u，t，o，ng，h，u，a]。

值得说明的是，目标音素序列是基于与输入文本对应的音频对输入文本对应的音素序列进行扩展得到的。

仍以输入文本为“普通话”为例，输入文本对应的音频包括10个音频帧，其中，“p”的音频帧为1帧，“u”的音频帧为3帧，“t”的音频帧为3帧，“o”的音频帧为2帧，“ng”的音频帧为2帧，“h”的音频帧为2帧，“u”的音频帧为2帧，“a”的音频帧为1帧，则对应扩展得到的目标音素序列＝[p，u，u，u，t，t，t，o，o，ng，ng，h，h，u，u，a]，可以理解的是，目标音素序列中每个音素对应的数量与其对应的音频帧的数量是一致的。

步骤103，根据目标音素序列，确定与目标音素序列对应的表情动画曲线。

应当可以理解的是，一个音素的发音时长不同，其对应的嘴部的变化是不同的，音素的发音时长不同，则对应的目标音素序列是不同的，进而不同目标音素序列的表情动画曲线是不同的，目标音素序列与表情动画曲线唯一对应。其中，表情动画曲线用于表征随时间变化的表情变化过程。

步骤104，基于表情动画曲线对预设的虚拟形象进行渲染，生成虚拟形象的动画。

在一些实施例中，虚拟形象可以是虚拟人物形象或虚拟动物形象。对虚拟形象进行渲染，为虚拟形象赋予与表情动画曲线表征的表情变化过程的表情变化过程。

应当可以理解的是，表情动画曲线是表征面部信息，因此，基于表情动画曲线对预设的虚拟形象的面部进行渲染，由此生成虚拟形象的动画。

需要说明的是，依据表情动画曲线对虚拟形象进行渲染的实施过程可以参照相关技术，本实施例在此不做赘述。

通过上述方式，基于文本和音频来确定表情动画曲线，并以此对预设的虚拟形象进行渲染，实现了无需通过摄像设备来实时捕捉用户的表情数据来驱动虚拟形象的目的。

在可能的方式中，用户可以配置与输入文本对应的音素帧数序列，音素帧数序列中包括与输入文本对应的音素序列中每个音素的音频帧数，在此情况下，图1中所示的生成与输入文本对应的目标音素序列的步骤可以包括：获取预配置的与输入文本对应的音素帧数序列；根据音素序列中每个音素的音频帧数，对音素序列中每个音素的个数进行扩展，生成与输入文本对应的目标音素序列。

仍以输入文本为“普通话”为例，音素帧数序列＝[1，3，3，2，2，2，2，1]，每个数字表征与该数字对应的音素在目标音素序列中的个数，根据该音素帧数序列对输入文本对应的音素序列中每个音素扩展得到的目标音素序列＝[p，u，u，u，t，t，t，o，o，ng，ng，h，h，u，u，a]。

可以理解的是，目标音素序列中每个音素的个数不同表征其读取该音素的表情是不同的，因此，通过上述方式，采用预配置的不同的音素帧数序列来生成与输入文本不同的目标音素序列，以此来得到不同表情动画曲线，进而依据不同表情动画曲线对预设的虚拟形象进行渲染，以此生成不同的虚拟形象的表情动画，无需通过摄像头实时采集用户表情数据，达到快速生成虚拟形象的表情动画的目的。

在可能的方式中，可以采用模型来生成与输入文本对应的目标音素序列，在此情况下，图1中所示的生成与输入文本对应的目标音素序列的步骤可以包括：获取与输入文本对应的音频；根据输入文本和音频，采用训练好的语音识别模型，生成与输入文本对应的目标音素序列。

其中，语音识别模型用于将输入文本和音频进行强制对齐，以此得到目标音素序列。

在一些实施方式中，语音识别模型可以通过以下方式训练得到，获取多个第一样本，基于多个第一样本迭代更新初始语音识别模型的参数以减小各第一样本对应的第一损失函数值，得到训练好的语音识别模型；其中，各第一样本对应的第一损失函数值可以通过以下过程确定：根据语音识别模型对第一样本进行处理，得到预测目标音素序列；基于预测目标音素序列和第一样本的目标音素序列的差异，确定第一样本对应的第一损失函数值。

其中，每个第一样本包括样本文本、与样本文本对应的样本音频和样本目标音素序列，样本目标音素序列包括与样本音频中每个音频帧对应的音素，样样本目标音素序列是预先进行标注的。

在一些实施例中，第一损失函数值可以通过交叉熵损失函数计算所得。交叉熵损失函数用于表征预测目标音素序列和第一样本的目标音素序列的差异。

在一些实施例中，基于多个第一样本迭代更新初始语音识别模型的迭代停止条件可以是迭代次数达到预设次数，或各第一样本对应的第一损失函数值小于预设阈值。本实施例在此不作限定。

在一些实施例中，初始语音识别模型可以是LAS(Listen Attend and Spell，)模型。

在一些实施例中，还可以采用GMM-HMM(Gaussian mixture model-Hidden MarkovMode，高斯混合模型-隐马尔科夫模型)来基于输入文本和音频得到与输入文本对应的目标因素序列，GMM-HMM可以基于样本文本和样本音频进行训练得到。在GMM-HMM中，存在多种对应关系，根据多种对应关系可以确定每一音素对应的音频帧帧数，多种对应关系包括一个音素对应多个连续的HMM状态，一个状态对应一个音频帧的特征，一个音素对应多个音频帧的特征，由此根据GMM-HMM可以确定一个音素对应的音频帧的帧数。

具体来讲，GMM-HMM可以对连续的音频帧提取声学特征，得到声学特征序列，进而根据声学特征序列匹配状态序列。其中，每个状态序列都有一个分数，该分数代表该状态序列和特征序列的匹配分数，根据该分数可以确定匹配度最高的状态序列，根据上述对应关系和状态序列，即可以确定状态序列中的音素和每一音素对应的音频帧帧数。

在可能的实施方式中，图1所示的根据目标音素序列，确定与目标音素序列对应的表情动画曲线的步骤可以包括：根据表情预测模型对目标音素序列进行处理，得到目标音素序列中每个音素的各表情类别的权重；针对目标音素序列中的每个音素，对该音素的各表情类别的权重进行加权，并基于加权结果确定与该音素对应的目标表情参数；根据目标音素序列中所有音素的目标表情参数，确定与目标音素序列对应的表情动画曲线。

在一些实施例中，与表情相关的类别包括52个通道，每个通道表征一种表情类别，在本公开中表情类别可以是用于表征嘴部形状与姿态的12个通道。应当可以理解的是，在发音时，嘴部形状与姿态的变化足以表征面部表情的变化，因此，仅考虑12个通道可以降低后续确定表情动画曲线的计算量。其中，该嘴部形状与姿态可以是嘟嘴姿态、嘴上咧姿态(包括左上和右上)、嘴下咧姿态(包括左下和右下)等等。

其中，各表情类别的权重用于表征各表情类别的程度。示例地，以表情类别为嘴上咧姿态为例，嘴上咧姿态的权重用于表征嘴上咧程度。

其中，目标音素序列中所有音素的目标表情参数用于表征随着时间变化的表情变化过程，即表情动画曲线。

通过上述方式，利用模型来对目标音素序列进行处理预测得到目标音素序列中每个音素的各表情类别的权重，提高了数据计算效率；进而根据各表情类别的权重来确定目标音素序列中所有音素的目标表情参数，并隐依据所有音素的目标表情参数得到表情动画曲线。

在一些实施例中，表情预测模型可以包括特征提取网络和线性网络，通过表情预测模型得到目标音素序列中每个音素的各表情类别的权重的步骤可以包括：根据特征提取网络对目标音素序列进行处理，得到目标音素序列的目标特征向量；根据线性网络对目标特征向量进行处理，得到目标音素序列中每个音素的各表情类别的权重。

其中，特征提取网络可以是善于提取序列特征的网络。参照图2，在一些实施例中，特征提取网络包括编码层、第一卷积网络层、池化层、第二卷积网络层和高速神经网络层。通过该特征提取网络提取目标音素序列的目标特征向量的过程可以包括：根据编码层对目标音素序列进行处理，得到第一特征向量；根据第一卷积网络层对第一特征向量进行处理，得到多个第二特征向量；根据池化层对经过堆叠操作的多个第二特征向量进行处理，得到第三特征向量；根据第二卷积网络层对第三特征向量进行处理，得到第四特征向量；根据高速神经网络层对第四特征向量和第一特征向量进行处理，得到目标特征向量。

具体来讲，编码层是以低维向量来表示目标音素序列。

第一卷积网络层可以包括若干卷积核，每个卷积核表征不同通道(维度)，每个卷积核分别对第一特征向量进行一维卷积处理，以得到不同通道的第二特征向量，即通过第一卷积网络层对第一特征向量进行处理，可以得到表征多个通道的第二特征向量。应当可以理解的是，第一特征向量的维度大于第二特征向量的维度。

第一卷积网络层输出多个第二特征向量进行堆叠操作，采用池化层对进行堆叠操作多个第二特征向量进行池化处理，得到第三特征向量。其中，该池化可以是沿着时间轴最大池化，以增加当前信息的不变性，且可以取步长为1进行池化，以维持时间分辨率。

根据第二卷积网络层对第三特征向量进行处理，得到第四特征向量，其中，第四特征向量的维度与第一特征向量的维度相同，以此可以对第四特征向量的维度与第一特征向量进行残差连接操作。考虑到在模型层数较高时，训练集的误差不降反升，由此梯度消失隐患也会增大，导致模型性能降低。因此，通过对第四特征向量的维度与第一特征向量进行残差连接操作，以此来降低梯度消失造成模型性能下降的影响。

高速神经网络层是对是第四特征向量和第一特征向量进行残差连接操作得到的向量进一步提取更高级别的特征，进而得到目标特征向量。

在一些实施例中，表情预测模型通过以下方式训练得到：获取多个第二样本，基于多个第二样本集迭代更新初始表情预测模型的参数以减小各第二样本集对应的第二损失函数值，得到训练好的表情预测模型，其中，每个第二样本集包括预设数量的第二样本；其中，各第二样本集对应的第二损失函数值通过以下方式确定：根据表情预测模型对第二样本集中各第二样本进行处理，得到第二样本集中各第二样本的预测表情权重；基于第二样本集中各第二样本的预测表情权重和第二样本集中各第二样本的样本表情权重的差异，确定第二样本集对应的第二损失函数值。

其中，每个第二样本包括样本目标音素序列和与样本目标音素序列对应的样本表情权重，样本目标音素序列包括与样本目标音素序列对应的样本音频中的每个音频帧对应的音素。

在一些实施例中，预设数量可以根据实际情况进行设定，本实施例在此不作限定。

在一些实施例中，第二损失函数值可以通过交叉熵损失函数计算所得。第二损失函数值可以是表征第二样本集中各第二样本的预测表情权重和第二样本集中各第二样本的样本表情权重的差异和的均值。

在一些实施例中，与语音识别模型迭代停止条件类似的，基于多个第二样本集迭代更新初始表情预测模型的迭代停止条件可以是迭代次数达到预设次数，或各第二样本集对应的第二损失函数值小于预设阈值。本实施例在此不作限定。

应当可以理解的是，初始表情预测模型的模型结构与表情预测模型的模型结构类似，具体可参见上述依据图2对表情预测模型的模型结构相关描述，本实施例在此不作赘述。

通过上述方式，采用多个第二样本的预测表情权重和各第二样本的样本表情权重差异来确定第二损失函数值，以此对表情预测模型进行收敛，确保训练得到的表情预测模型对所有数据表现均良好，提高表情预测模型的稳定性。

在一些实施例中，在训练表情预测模型的阶段，由于是基于多个第二样本集包括的多个第二样本对初始表情预测模型进行迭代更新，因此，可以采用批标准化形式进行训练，模型的输出即是一个张量，模型输出的张量和多个第二样本表征的张量的差异即是第二样本集对应的第二损失函数值。以下结合表情预测模型的模型结构和模型结构中每个层级输入和输出数据的表现形式对本实施例进行进一步解释说明。

具体来讲，编码层对每个第二样本的样本目标音素序列提取特征向量，该编码层的输出可以表示为[B，T，C1]，B表示批大小，即第二样本集中第二样本的数量，T表示每个第二样本的样本目标音素序列中元素的个数，C1表示每个第二样本的样本目标音素序列的特征向量。

第一卷积网络层对每个第二样本的特征向量进行卷积操作，得到N个不同通道下的特征向量，该第一卷积网络层的的输出可以表示为[B，T，N，C2]，其中，C2表征每个第二样本的样本目标音素序列的不同通道下的特征向量。

对每个第二样本的N个特征进行堆积操作，得到[B，T，NXC2]，其中，NXC2表示每个第二样本的样本目标音素序列的N个通道下的特征进行堆积操作后得到的特征。

池化层对每个NXC2进行时间维度上最大池化处理，得到[B，T，NXC2]。

第二卷积网络层采用批标准化的形式进行卷积处理，得到张量表现形式的特征向量[BXTXC1]，再与多个第二样本的第一特征向量的张量表现形式的特征向量进行残差连接操作，并由高速神经网络层对残差连接操作后的张量进一步提取特征，最后通过线性网络输出通道为12的张量，该张量用于标准B个不同第二样本对应的各表情类别的权重。

在一些实施例中，针对目标音素序列中的每个音素，对该音素的各表情类别的权重进行加权，并基于加权结果确定与该音素对应的目标表情参数；以及根据目标音素序列中所有音素的目标表情参数，确定与目标音素序列对应的表情动画曲线也可以通过对表情预测模型增加网络层级结构，以此通过模型来得到目标表情参数。与上述实施例相对应地，输出的通道为12的张量直接可以表征不同第二样本下的表情动画曲线。

在一些实施例中，第二样本可以是从ARKit core中获取的数据构建的，ARKitcore中存储有通过摄像头实时采集到的用户读取文本时的数据，该数据包括表情动画数据、表情动画数据对应的各表情类别的权重数据、文本数据和音频数据，根据该数据可以构建第二样本。

通过上述方式，从ARKit core中获取的数据构建第二样本，可以降低样本构建的成本。

基于同一发明构思，本公开实施例还提供一种动画生成装置，参照图3，该动画生成装置300包括：

文本获取模块301，用于获取输入文本；

第一生成模块302，用于生成与所述输入文本对应的目标音素序列，其中，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

确定模块303，用于根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

第二生成模块304，用于基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

可选地，所述第一生成模块302包括：

帧数获取子模块，用于获取预配置的与所述输入文本对应的音素帧数序列，所述音素帧数序列中包括与所述输入文本对应的音素序列中每个音素的音频帧数；

第一生成子模块，用于根据所述音素序列中每个音素的音频帧数，对所述音素序列中每个音素的个数进行扩展，生成与所述输入文本对应的目标音素序列。

可选地，所述第一生成模块302包括：

音频获取子模块，用于获取与所述输入文本对应的音频；

第二生成子模块，用于根据所述输入文本和所述音频，采用训练好的语音识别模型，生成与所述输入文本对应的目标音素序列。

可选地，所述动画生成装置300还包括：

第一样本获取模块，用于获取多个第一样本，每个所述第一样本包括样本文本、与所述样本文本对应的样本音频和样本目标音素序列，所述样本目标音素序列包括与所述样本音频中每个音频帧对应的音素；

第一迭代更新模块，用于基于多个第一样本迭代更新初始语音识别模型的参数以减小各第一样本对应的第一损失函数值，得到训练好的语音识别模型；

所述动画生成装置300还包括：

第一预测模块，用于根据语音识别模型对所述第一样本进行处理，得到预测目标音素序列；

第一损失函数值确定模块，用于基于所述预测目标音素序列和所述第一样本的样本目标音素序列的差异，确定所述第一样本对应的第一损失函数值。

可选地，所述确定模块303包括：

权重确定子模块，用于根据表情预测模型对所述目标音素序列进行处理，得到所述目标音素序列中每个音素的各表情类别的权重；

目标表情参数确定子模块，用于针对所述目标音素序列中的每个音素，对该音素的各表情类别的权重进行加权，并基于加权结果确定与该音素对应的目标表情参数；

表情动画曲线确定子模块，用于根据所述目标音素序列中所有音素的目标表情参数，确定与所述目标音素序列对应的表情动画曲线。

可选地，所述表情预测模型包括特征提取网络和线性网络，权重确定子模块具体包括：

目标特征向量确定单元，用于根据所述特征提取网络对所述目标音素序列进行处理，得到所述目标音素序列的目标特征向量；

权重确定单元，根据所述线性网络对所述目标特征向量进行处理，得到所述目标音素序列中每个音素的各表情类别的权重。

可选地，所述特征提取网络包括编码层、第一卷积网络层、池化层、第二卷积网络层和高速神经网络层，所述目标特征向量确定单元具体用于：

根据所述编码层对所述目标音素序列进行处理，得到第一特征向量；

根据所述第一卷积网络层对所述第一特征向量进行处理，得到多个第二特征向量；

根据所述池化层对经过堆叠操作的所述多个第二特征向量进行处理，得到第三特征向量；

根据所述第二卷积网络层对所述第三特征向量进行处理，得到第四特征向量；

根据所述高速神经网络层对所述第四特征向量和所述第一特征向量进行处理，得到所述目标特征向量。

可选地，所述动画生成装置300还包括：

第二样本获取模块，用于获取多个第二样本，每个所述第二样本包括样本目标音素序列和与所述样本目标音素序列对应的样本表情权重，所述样本目标音素序列包括与所述样本目标音素序列对应的样本音频中的每个音频帧对应的音素；

第二迭代更新模块，用于基于多个第二样本集迭代更新初始表情预测模型的参数以减小各第二样本集对应的第二损失函数值，得到训练好的表情预测模型，其中，每个所述第二样本集包括预设数量的第二样本；

所述动画生成装置300还包括：

第二预测模块，用于根据表情预测模型对所述第二样本集中各第二样本进行处理，得到所述第二样本集中各第二样本的预测表情权重；

第二损失函数值确定模块，用于基于所述第二样本集中各第二样本的预测表情权重和所述第二样本集中各第二样本的样本表情权重的差异，确定所述第二样本集对应的第二损失函数值。

基于同一发明构思，本公开实施例还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方法实施例中所述动画生成方法的步骤。

基于同一发明构思，本公开实施例还提供一种电子设备，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现方法实施例中所述动画生成方法的步骤。

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，电子设备可以利用诸如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：获取输入文本；生成与所述输入文本对应的目标音素序列，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

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，例如，文本获取模块还可以被描述为“获取输入文本的模块”。

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提供了一种动画生成方法，包括：

生成与所述输入文本对应的目标音素序列，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

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，所述生成与所述输入文本对应的目标音素序列，包括：

获取预配置的与所述输入文本对应的音素帧数序列，所述音素帧数序列中包括与所述输入文本对应的音素序列中每个音素的音频帧数；

根据所述音素序列中每个音素的音频帧数，对所述音素序列中每个音素的个数进行扩展，生成与所述输入文本对应的目标音素序列。

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，所述生成与所述输入文本对应的目标音素序列，包括：

获取与所述输入文本对应的音频；

根据所述输入文本和所述音频，采用训练好的语音识别模型，生成与所述输入文本对应的目标音素序列。

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，所述语音识别模型通过以下方式训练得到：

获取多个第一样本，每个所述第一样本包括样本文本、与所述样本文本对应的样本音频和样本目标音素序列，所述样本目标音素序列包括与所述样本音频中每个音频帧对应的音素；

基于多个第一样本迭代更新初始语音识别模型的参数以减小各第一样本对应的第一损失函数值，得到训练好的语音识别模型；

其中，各第一样本对应的第一损失函数值通过以下过程确定：

根据语音识别模型对所述第一样本进行处理，得到预测目标音素序列；

基于所述预测目标音素序列和所述第一样本的样本目标音素序列的差异，确定所述第一样本对应的第一损失函数值。

根据本公开的一个或多个实施例，示例5提供了示例1-4中任一所述的方法，所述语音识别模型通过以下方式训练得到：

获取多个第一样本，每个所述第一样本包括样本文本、与所述样本文本对应的样本音频和样本目标音素序列，所述样本目标音素序列包括与所述样本音频中每个音频帧对应的音素；

基于多个第一样本迭代更新初始语音识别模型的参数以减小各第一样本对应的第一损失函数值，得到训练好的语音识别模型；

其中，各第一样本对应的第一损失函数值通过以下过程确定：

根据语音识别模型对所述第一样本进行处理，得到预测目标音素序列；

基于所述预测目标音素序列和所述第一样本的样本目标音素序列的差异，确定所述第一样本对应的第一损失函数值。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述表情预测模型包括特征提取网络和线性网络，所述根据表情预测模型对所述目标音素序列进行处理，得到所述目标音素序列中每个音素的各表情类别的权重，包括：

根据所述特征提取网络对所述目标音素序列进行处理，得到所述目标音素序列的目标特征向量；

根据所述线性网络对所述目标特征向量进行处理，得到所述目标音素序列中每个音素的各表情类别的权重。

根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述特征提取网络包括编码层、第一卷积网络层、池化层、第二卷积网络层和高速神经网络层，所述根据所述特征提取网络对所述目标音素序列进行处理，得到所述目标音素序列的目标特征向量，包括：

根据所述编码层对所述目标音素序列进行处理，得到第一特征向量；

根据所述第一卷积网络层对所述第一特征向量进行处理，得到多个第二特征向量；

根据所述池化层对经过堆叠操作的所述多个第二特征向量进行处理，得到第三特征向量；

根据所述第二卷积网络层对所述第三特征向量进行处理，得到第四特征向量；

根据所述高速神经网络层对所述第四特征向量和所述第一特征向量进行处理，得到所述目标特征向量。

根据本公开的一个或多个实施例，示例8提供了示例5的方法，所述表情预测模型通过以下方式训练得到：

获取多个第二样本，每个所述第二样本包括样本目标音素序列和与所述样本目标音素序列对应的样本表情权重，所述样本目标音素序列包括与所述样本目标音素序列对应的样本音频中的每个音频帧对应的音素；

基于多个第二样本集迭代更新初始表情预测模型的参数以减小各第二样本集对应的第二损失函数值，得到训练好的表情预测模型，其中，每个所述第二样本集包括预设数量的第二样本；

其中，各第二样本集对应的第二损失函数值通过以下方式确定：

根据表情预测模型对所述第二样本集中各第二样本进行处理，得到所述第二样本集中各第二样本的预测表情权重；

基于所述第二样本集中各第二样本的预测表情权重和所述第二样本集中各第二样本的样本表情权重的差异，确定所述第二样本集对应的第二损失函数值。

根据本公开的一个或多个实施例，示例9提供了一种动画生成装置，包括：

文本获取模块，用于获取输入文本；

第一生成模块，用于生成与所述输入文本对应的目标音素序列，其中，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

确定模块，用于根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

第二生成模块，用于基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

根据本公开的一个或多个实施例，示例10提供了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示例1-8中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现示例1-8中任一项所述方法的步骤。

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 (11)

1.一种动画生成方法，其特征在于，包括：

获取输入文本；

生成与所述输入文本对应的目标音素序列，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

2.根据权利要求1所述的动画生成方法，其特征在于，所述生成与所述输入文本对应的目标音素序列，包括：

获取预配置的与所述输入文本对应的音素帧数序列，所述音素帧数序列中包括与所述输入文本对应的音素序列中每个音素的音频帧数；

根据所述音素序列中每个音素的音频帧数，对所述音素序列中每个音素的个数进行扩展，生成与所述输入文本对应的目标音素序列。

3.根据权利要求1所述的动画生成方法，其特征在于，所述生成与所述输入文本对应的目标音素序列，包括：

获取与所述输入文本对应的音频；

根据所述输入文本和所述音频，采用训练好的语音识别模型，生成与所述输入文本对应的目标音素序列。

4.根据权利要求3所述的动画生成方法，其特征在于，所述语音识别模型通过以下方式训练得到：

获取多个第一样本，每个所述第一样本包括样本文本、与所述样本文本对应的样本音频和样本目标音素序列，所述样本目标音素序列包括与所述样本音频中每个音频帧对应的音素；

基于多个第一样本迭代更新初始语音识别模型的参数以减小各第一样本对应的第一损失函数值，得到训练好的语音识别模型；

其中，各第一样本对应的第一损失函数值通过以下过程确定：

根据语音识别模型对所述第一样本进行处理，得到预测目标音素序列；

基于所述预测目标音素序列和所述第一样本的样本目标音素序列的差异，确定所述第一样本对应的第一损失函数值。

5.根据权利要求1-4任一所述的动画生成方法，其特征在于，所述根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，包括：

根据表情预测模型对所述目标音素序列进行处理，得到所述目标音素序列中每个音素的各表情类别的权重；

针对所述目标音素序列中的每个音素，对该音素的各表情类别的权重进行加权，并基于加权结果确定与该音素对应的目标表情参数；

根据所述目标音素序列中所有音素的目标表情参数，确定与所述目标音素序列对应的表情动画曲线。

6.根据权利要求5所述的动画生成方法，其特征在于，所述表情预测模型包括特征提取网络和线性网络，所述根据表情预测模型对所述目标音素序列进行处理，得到所述目标音素序列中每个音素的各表情类别的权重，包括：

根据所述特征提取网络对所述目标音素序列进行处理，得到所述目标音素序列的目标特征向量；

根据所述线性网络对所述目标特征向量进行处理，得到所述目标音素序列中每个音素的各表情类别的权重。

7.根据权利要求6所述的动画生成方法，其特征在于，所述特征提取网络包括编码层、第一卷积网络层、池化层、第二卷积网络层和高速神经网络层，所述根据所述特征提取网络对所述目标音素序列进行处理，得到所述目标音素序列的目标特征向量，包括：

根据所述编码层对所述目标音素序列进行处理，得到第一特征向量；

根据所述第一卷积网络层对所述第一特征向量进行处理，得到多个第二特征向量；

根据所述池化层对经过堆叠操作的所述多个第二特征向量进行处理，得到第三特征向量；

根据所述第二卷积网络层对所述第三特征向量进行处理，得到第四特征向量；

根据所述高速神经网络层对所述第四特征向量和所述第一特征向量进行处理，得到所述目标特征向量。

8.根据权利要求5所述的动画生成方法，其特征在于，所述表情预测模型通过以下方式训练得到：

获取多个第二样本，每个所述第二样本包括样本目标音素序列和与所述样本目标音素序列对应的样本表情权重，所述样本目标音素序列包括与所述样本目标音素序列对应的样本音频中的每个音频帧对应的音素；

基于多个第二样本集迭代更新初始表情预测模型的参数以减小各第二样本集对应的第二损失函数值，得到训练好的表情预测模型，其中，每个所述第二样本集包括预设数量的第二样本；

其中，各第二样本集对应的第二损失函数值通过以下方式确定：

根据表情预测模型对所述第二样本集中各第二样本进行处理，得到所述第二样本集中各第二样本的预测表情权重；

基于所述第二样本集中各第二样本的预测表情权重和所述第二样本集中各第二样本的样本表情权重的差异，确定所述第二样本集对应的第二损失函数值。

9.一种动画生成装置，其特征在于，包括：

文本获取模块，用于获取输入文本；

第一生成模块，用于生成与所述输入文本对应的目标音素序列，其中，所述目标音素序列包括与所述输入文本对应的音频中的每个音频帧对应的音素；

确定模块，用于根据所述目标音素序列，确定与所述目标音素序列对应的表情动画曲线，所述表情动画曲线用于表征随时间变化的表情变化过程；

第二生成模块，用于基于所述表情动画曲线对预设的虚拟形象进行渲染，生成所述虚拟形象的动画。

10.一种计算机可读介质，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1-8中任一项所述动画生成方法的步骤。

11.一种电子设备，其特征在于，包括：

存储装置，其上存储有一个或多个计算机程序；

一个或多个处理装置，用于执行所述存储装置中的所述一个或多个计算机程序，以实现权利要求1-8中任一项所述动画生成方法的步骤。

Images