CN114820891A - 唇形生成方法、装置、设备及介质 - Google Patents
唇形生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114820891A CN114820891A CN202210439599.3A CN202210439599A CN114820891A CN 114820891 A CN114820891 A CN 114820891A CN 202210439599 A CN202210439599 A CN 202210439599A CN 114820891 A CN114820891 A CN 114820891A
- Authority
- CN
- China
- Prior art keywords
- lip
- image sequence
- sequence
- video
- audio
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000000926 separation method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 53
- 230000003287 optical effect Effects 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 17
- 239000013604 expression vector Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及视频处理技术领域,提供了一种唇形生成方法、装置、设备及介质,所述方法通过获取包含说话者唇形的说话视频样本,并从说话视频样本中提取不同时间段的子视频,对子视频进行音视频分离得到第一唇形图像序列、第一说话音频序列以及第二唇形图像序列,将第一说话音频序列和第二唇形图像序列作为唇形生成模型的输入,并将第一唇形图像序列作为期望输出的结果对唇形生成模型进行训练,之后利用训练好的唇形生成模型进行唇形生成。本申请实施例从同一说话视频样本中提取出不同时间段的唇形图像序列和说话音频序列,并以此对唇形生成模型进行训练,利用训练好的唇形生成模型进行唇形生成,能够在任意人物上无拘束地进行唇形生成。
Description
技术领域
本申请涉及视频处理技术领域,尤其涉及一种唇形生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着短视频内容消费的快速增长,快速创建视频内容已成为一个典型的需求,而视频质量的高低较大取决于生成的说话者唇形。
为了快速构建高质量的视频,相关技术中通过深度学习,从单个说话者长时间的说话视频中学习从语言表达到唇形标志的映射,由于只接受特定说话者的训练,无法合成新的身份或者声音。
然而,实际应用中视频创建希望服务于多个用户,因此,需要提供一种独立于说话者,能够在任意人物上无拘束地生成唇形的方法。
发明内容
本申请实施例的主要目的在于提出一种唇形生成方法、装置、电子设备及计算机可读存储介质,能够在任意人物上无拘束地进行唇形生成。
为实现上述目的,本申请实施例的第一方面提出了一种唇形生成方法,所述方法包括:
获取包含说话者唇形的说话视频样本;
从所述说话视频样本中提取第一子视频和第二子视频,所述第一子视频和所述第二子视频为所述说话视频样本中不同时间段的子视频;
对所述第一子视频进行音视频分离,得到第一唇形图像序列和第一说话音频序列;
对所述第二子视频进行音视频分离,得到第二唇形图像序列;
将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型;
获取初始唇形图像序列和目标说话音频序列,所述初始唇形图像序列包含说话者唇形;
将所述初始唇形图像序列和所述目标说话音频序列输入所述训练好的唇形生成模型,得到说话者唇形与所述目标说话音频序列匹配的目标唇形图像序列。
根据本发明一些实施例提供的唇形生成方法,所述将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型,包括:
将所述第一说话音频序列、所述第二唇形图像序列输入唇形生成模型,得到预测唇形图像序列;
基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果;
当所述判别结果满足预设的训练结束条件,结束训练,得到训练好的唇形生成模型;
当所述判别结果未满足预设的训练结束条件,根据所述判别结果对所述唇形生成模型的参数进行更新,并继续对所述唇形生成模型进行训练直至所述判别结果满足预设的训练结束条件。
根据本发明一些实施例提供的唇形生成方法,所述判别结果包括图像真实度概率;
所述基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果,包括:
获取预设的图像质量判别器;
将所述预测唇形图像序列和所述第一唇形图像序列输入到所述图像质量判别器,以通过所述图像质量判别器得到所述预测唇形图像序列相对于所述第一唇形图像序列的图像真实度概率。
根据本发明一些实施例提供的唇形生成方法,所述判别结果包括光流特征差异值;
所述基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果,包括:
获取所述预测唇形图像序列中两两相邻帧的第一光流特征和所述第一唇形图像序列中两两相邻帧的第二光流特征;
根据所述第一光流特征和所述第二光流特征,确定所述预测唇形图像序列与所述第一唇形图像序列之间的光流特征差异值。
根据本发明一些实施例提供的唇形生成方法,所述判别结果包括音视频同步率;
所述方法还包括:
获取训练好的SyncNet模型;
将所述第一说话音频序列和所述预测唇形图像序列输入到所述SyncNet模型,以通过所述SyncNet模型得到所述预测唇形图像序列中说话者唇形相对于所述第一说话音频序列的音视频同步率。
根据本发明一些实施例提供的唇形生成方法,所述唇形生成模型包括音频编码器、图像编码器和图像解码器,其中,
所述音频编码器用于对输入的所述第一说话音频序列进行编码,得到音频表示向量,所述音频表示向量包含音频特征信息;
所述图像编码器用于对输入的所述第二唇形图像序列进行编码,得到图像表示向量,所述图像表示向量包含唇形特征信息;
所述图像解码器用于对所述音频表示向量和所述图像表示向量的拼接向量进行解码,生成所述预测唇形图像序列。
根据本发明一些实施例提供的唇形生成方法,所述方法还包括:
将所述目标说话音频序列和所述目标唇形图像序列进行音视频合并,得到目标视频。
为实现上述目的,本申请实施例的第二方面提出了一种唇形生成装置,所述装置包括:
视频样本获取模块,用于获取包含说话者唇形的说话视频样本;
子视频提取模块,用于从所述说话视频样本中提取第一子视频和第二子视频,所述第一子视频和所述第二子视频为所述说话视频样本中不同时间段的子视频;
第一音视频分离模块,用于对所述第一子视频进行音视频分离,得到第一唇形图像序列和第一说话音频序列;
第二音视频分离模块,用于对所述第二子视频进行音视频分离,得到第二唇形图像序列;
模型训练模块,用于将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型;
序列获取模块,用于获取初始唇形图像序列和目标说话音频序列,所述初始唇形图像序列包含说话者唇形;
唇形生成模块,用于将所述初始唇形图像序列和所述目标说话音频序列输入所述训练好的唇形生成模型,得到说话者唇形与所述目标说话音频序列匹配的目标唇形图像序列。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个计算机程序,所述一个或者多个计算机程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出一种唇形生成方法、装置、电子设备以及计算机可读存储介质,所述唇形生成方法通过获取包含说话者唇形的说话视频样本,并从说话视频样本中提取出的不同时间段的第一子视频和第二子视频,继而对第一子视频和第二子视频进行音视频分离,分别得到第一唇形图像序列、与第一唇形图像序列对应的第一说话音频序列以及第二唇形图像序列,之后将第一说话音频序列和第二唇形图像序列作为唇形生成模型的输入,将第一唇形图像序列作为期望所述唇形生成模型输出的结果,对唇形生成模型进行训练,得到训练好的唇形生成模型,之后获取初始唇形图像序列和目标说话音频序列,初始唇形图像序列包含说话者唇形,并将初始唇形图像序列和目标说话音频序列输入训练好的唇形生成模型,得到说话者唇形与目标说话音频序列匹配的目标唇形图像序列。本申请通过从同一说话视频样本提取不同时间段的第一说话音频序列和第二唇形图像序列,并作为唇形生成模型的输入,将说话者唇形与第一说话音频序列匹配的第一唇形图像序列作为期望唇形生成模型输出的结果,对唇形生成模型进行训练,使得训练好的唇形生成模型独立于说话者,能够在任意人物上无拘束地进行唇形生成。
附图说明
图1是本申请实施例提供的一种唇形生成方法的流程示意图;
图2是图1中步骤S150的子步骤示意图;
图3是图2中步骤S220的子步骤示意图;
图4是图2中步骤S220的子步骤示意图;
图5是本申请另一实施例提供的一种唇形生成方法的流程示意图;
图6是本申请另一实施例提供的一种唇形生成方法的流程示意图;
图7是本申请实施例提供的一种唇形生成装置的结构示意图;
图8是本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的名词进行解析:
光流(Optical Flow),由于目标对象或者摄像机的移动造成的图像对应在连续两帧图像序列中的移动被称为光流。它是一个2D向量场,可以用来显示一个点从第一帧图像到第二帧图像之间的移动,通过利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息。
随着短视频内容消费的快速增长,快速创建视频内容已成为一个典型的需求,而视频质量的高低较大取决于生成的说话者唇形。
为了快速构建高质量的视频,相关技术中通过深度学习,从单个说话者长时间的说话视频中学习从语言表达到唇形标志的映射,由于只接受特定说话者的训练,无法合成新的身份或者声音。
然而,实际应用中视频创建希望服务于多个用户,因此,需要提供一种独立于说话者,能够在任意人物上无拘束地生成唇形的方法。
基于此,本申请实施例提供了一种唇形生成方法、装置、电子设备及计算机可读存储介质,能够在任意人物上无拘束地进行唇形生成。
本申请实施例提供的一种唇形生成方法、装置、电子设备及计算机可读存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的唇形生成方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的唇形生成方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现唇形生成方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
请参见图1,图1示出了本申请实施例提供的一种唇形生成方法的流程示意图。如图1所示,该唇形生成方法包括但不限于步骤S110至S170:
步骤S110,获取包含说话者唇形的说话视频样本。
步骤S120,从所述说话视频样本中提取第一子视频和第二子视频,所述第一子视频和所述第二子视频为所述说话视频样本中不同时间段的子视频。
步骤S130,对所述第一子视频进行音视频分离,得到第一唇形图像序列和第一说话音频序列。
步骤S140,对所述第二子视频进行音视频分离,得到第二唇形图像序列。
步骤S150,将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型。
步骤S160,获取初始唇形图像序列和目标说话音频序列,所述初始唇形图像序列包含说话者唇形。
步骤S170,将所述初始唇形图像序列和所述目标说话音频序列输入所述训练好的唇形生成模型,得到说话者唇形与所述目标说话音频序列匹配的目标唇形图像序列。
可以理解的是,将从包含说话者唇形的说话视频样本中随机提取出不同时间段的两段子视频,即第一子视频和第二子视频,且第一子视频和第二子视频的时间长度一致。对第一子视频和第二子视频进行音视频分离,且按照预设的帧间隔将分离换成出的图像视频划分为多个图像帧,得到唇形图像序列、与唇形图像序列相对应的说话音频序列。
示例性的,对第一子视频进行音视频分离,得到第一唇形图像序列Ir,Ir+1,…,Ir+n和第一说话音频序列Ar,Ar+1,…,Ar+n,对第二子视频进行音视频分离,得到第二唇形图像序列It,It+1,…,It+n,将第一唇形图像序列Ir,Ir+1,…,Ir+n作为参考图像序列,将第二唇形图像序列It,It+1,…,It+n作为待处理图像序列。
在一些实施例中,如图2所示,所述步骤S150:将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型,包括但不限于步骤S210至S240:
步骤S210,将所述第一说话音频序列、所述第二唇形图像序列输入所述唇形生成模型,得到预测的预测唇形图像序列。
步骤S220,基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果。
步骤S230,当所述判别结果满足预设的训练结束条件,结束训练,得到训练好的唇形生成模型。
步骤S240,当所述判别结果未满足预设的训练结束条件,根据所述判别结果对所述唇形生成模型的参数进行更新,并继续对所述唇形生成模型进行训练直至所述判别结果满足预设的训练结束条件。
在一些实施例中,所述唇形生成模型包括音频编码器、图像编码器和图像解码器,其中,
所述音频编码器用于对输入的所述第一说话音频序列进行编码,得到音频表示向量,所述音频表示向量包含音频特征信息;
所述图像编码器用于对输入的所述第二唇形图像序列进行编码,得到图像表示向量,所述图像表示向量包含唇形特征信息;
所述图像解码器用于对所述音频表示向量和所述图像表示向量的拼接向量进行解码,生成所述预测唇形图像序列。
示例性的,请参见图6,图6示出了本申请另一实施例提供的一种唇形生成方法中的流程示意图。如图6所示,在步骤S210中,将第一说话音频序列Ar,Ar+1,…,Ar+n、第二唇形图像序列It,It+1,…,It+n输入到唇形生成模型,得到预测唇形图像序列,也就是通过音频编码器Eψ对第一说话音频序列Ar,Ar+1,…,Ar+n进行编码,得到相应的音频表示向量R1,并通过图像编码器对第一唇形图像序列It,It+1,…,It+n进行编码,得到相应的图像表示向量R2,之后通过图像解码器Dω对音频表示向量R1和图像表示向量R2进行拼接,得到音频表示向量R1和图像表示向量R2的拼接向量,之后对拼接向量进行解码生成预测唇形图像序列
可以理解的是,在步骤S220中,基于预测唇形图像序列和第一唇形图像序列,确定第一唇形图像序列的判别结果,根据判别结果对唇形生成模型的参数进行更新,也就是通过判别结果对唇形生成模型进行优化。其中,判别结果可以是预测唇形图像序列的图像质量、音频同步、图像序列平滑程序等参数信息,通过设置判别结果对应的训练结束条件,当判别结果未满足对应的训练结束条件时,根据判别结果对唇形生成模型的参数进行更新,而当判别结果满足对应的训练结束条件,则结束训练,得到训练好的唇形生成模型。
在一些实施例中,所述判别结果包括图像真实度概率,请参见图3,图3示出了本申请实施例提供的一种唇形生成方法中步骤S220的子步骤示意图。如图3所示,该唇形生成方法包括但不限于步骤S310至S320。
步骤S310,获取预设的图像质量判别器。
步骤S320,将所述预测唇形图像序列和所述第一唇形图像序列输入到所述图像质量判别器,以通过所述图像质量判别器得到所述预测唇形图像序列相对于所述第一唇形图像序列的图像真实度概率。
可以理解的是,通过获取预设的图像质量判别器,对预测唇形图像序列进行图像真实度判别,输入预测唇形图像序列与真实图像(即第一唇形图像序列)至图像质量判别器,以通过图像质量判别器输出预测唇形图像序列相对于第一唇形图像序列的图像真实度概率值。继而根据图像真实度概率值,在训练过程中,对唇形生成模型的参数进行更新,指导唇形生成模型生成图像质量更好的预测唇形图像序列,直至通过图像质量判别器得到的图像真实度概率满足预设的训练结束条件。
示例性的,如图6所示,将预测唇形图像序列和第一唇形图像序列It,It+1,…,It+n输入到预设的图像质量判别器Dδ,以通过图像质量判别器Dδ得到预测唇形图像序列相对于真实图像(第一唇形图像序列)的图像真实度概率。
示例性的,预设的训练结束条件为45%,即当通过图像质量判别器Dδ得到的图像真实度概率小于45%时,根据判别结果获取对应的Loss损失函数并对唇形生成模型进行约束,以使唇形生成模型生成更加真实的唇形图像序列;而当图像真实度概率等于或大于45%,则结束训练得到训练好的唇形生成模型。
需要说明的是,可以根据实际应用情况调整图像真实度概率对应的训练结束条件,在此不作具体限定。
在一些实施例中,所述判别结果包括光流特征差异值,请参见图4,图4示出了本申请实施例提供的一种唇形生成方法中步骤S220的子步骤示意图。如图4所示,该唇形生成方法包括但不限于步骤S410至S420。
步骤S410,获取所述预测唇形图像序列中两两相邻帧的第一光流特征和所述第一唇形图像序列中两两相邻帧的第二光流特征。
步骤S420,根据所述第一光流特征和所述第二光流特征,确定所述预测唇形图像序列与所述第一唇形图像序列之间的光流特征差异值。
可以理解的是,分别获取预测唇形图像序列和第一唇形图像序列中两两相邻帧的光流特征,即第一光流特征和第二光流特征,根据第一光流特征和第二光流特征确定预测唇形图像序列和第一唇形图像序列之间的光流特征差异值,继而根据光流特征差异值,在训练过程中,对唇形生成模型的参数进行更新,指导唇形生成模型生成更为平滑流畅的唇形图像序列,直至预测唇形图像序列相对于第一唇形图像序列的光流特征差异值满足预设的训练结束条件。
示例性的,如图6所示,将预测唇形图像序列和第一唇形图像序列It,It+1,…,It+n输入到光流特征提取器D,以通过光流特征提取器D得到预测唇形图像序列和真实图像(第一唇形图像序列)两两相邻帧之间的光流特征差异值。
在一些实施例中,基于预测唇形图像序列和第一唇形图像序列的光流特征差异,利用L2 Loss均方误差函数(MEAN Square Error,MSE)对唇形生成模型进行约束,以使唇形生成模型生成平滑流畅的唇形图像序列。
需要说明的是,可以根据实际应用情况调整光流特征差异值对应的训练结束条件,在此不作具体限定。
在一些实施例中,所述判别结果包括音视频同步率,请参见图5,图5示出了本申请实施例提供的一种唇形生成方法的流程示意图。如图5所示,该唇形生成方法包括但不限于步骤S510至S520。
步骤S510,获取训练好的SyncNet模型。
步骤S520,将所述第一说话音频序列和所述预测唇形图像序列输入到所述SyncNet模型,以通过所述SyncNet模型得到所述预测唇形图像序列中说话者唇形相对于所述第一说话音频序列的音视频同步率。
可以理解的是,通过预先学习相关数据集的同步率,得到训练好的SyncNet模型,之后将第一说话音频序列和预测唇形图像序列输入到利用训练好的SyncNet模型,以通过SyncNet模型得到预测唇形图像序列中说话者唇形相对于第一说话音频序列的音视频同步率。
示例性的,预设的训练结束条件为95%,即当通过音视频同步器S得到的音视频同步率小于95%时,根据判别结构获取对应的Loss损失函数并对唇形生成模型进行约束,以使唇形生成模型生成音视频同步率更高的唇形图像序列;而当音视频同步率等于或大于95%时,则结束训练得到训练好的唇形生成模型。
需要说明的是,可以根据实际应用情况调整音视频同步率对应的训练结束条件,在此不作具体限定。
在一些实施例中,所述唇形生成方法还包括:
将所述目标说话音频序列和所述目标唇形图像序列进行音视频合并,得到目标视频。
可以理解的是,通过训练好的唇形生成模型得到说话者唇形与目标说话音频序列匹配的目标唇形图像序列,之后将目标说话音频序列和目标唇形图像序列进行音视频合并,能够快速构建唇形对应、音频同步的高质量视频,以满足短视频内容消费的快速增长而带来的快速创建视频内容的需求。
在一些实施例中,所述唇形生成方法中预测唇形图像序列对应的判别结果包括图像真实度概率以及光流特征差异值。
可以理解的是,根据预测唇形图像序列和第一唇形图像序列得到预测唇形图像序列相对于第一唇形图像序列的图像真实度概率以及预测唇形图像序列与第一唇形图像序列的光流特征差异值。在唇形生成模型的训练过程中,基于图像真实度概率以及光流特征差异值对唇形生成模型的参数进行更新,以使唇形生成模型生成图像质量以及平滑度更高的唇形图像序列,直至图像真实度概率和光流特征差异值分别满足对应的训练结束条件,得到训练好的唇形生成模型。
示例性的,如图6所示,将预测唇形图像序列和第一唇形图像序列It,It+1,…,It+n输入到预设的图像质量判别器Dδ以及光流特征提取器D,分别得到预测唇形图像序列相对于真实图像(第一唇形图像序列)的图像真实度概率以及预测唇形图像序列和真实图像(第一唇形图像序列)两两相邻帧之间的光流特征差异值。
在一些实施例中,所述唇形生成方法中预测唇形图像序列对应的判别结果包括光流特征差异值以及音视频同步率。
可以理解的是,根据预测唇形图像序列和第一唇形图像序列得到预测唇形图像序列与第一唇形图像序列的光流特征差异值,同时,根据第一说话音频序列和预测唇形图像序列得到预测唇形图像序列中说话者唇形和第一说话音频序列之间的音视频同步率。在唇形生成模型的训练过程中,基于光流特征差异值和音视频同步率对唇形生成模型的参数进行更新,以使唇形生成模型生成平滑度、音视频同步率更高的唇形图像序列,直至光流特征差异值和音视频同步率分别满足对应的训练结束条件,得到训练好的唇形生成模型。
示例性的,如图6所示,将预测唇形图像序列和第一唇形图像序列It,It+1,…,It+n输入到光流特征提取器D,以及将预测唇形图像序列和第一说话音频序列Ar,Ar+1,…,Ar+n输入到音视频同步器S,分别得到预测唇形图像序列和真实图像(第一唇形图像序列)两两相邻帧之间的光流特征差异值以及预测唇形图像序列中说话者唇形和第一说话音频序列之间的音视频同步率。
在一些实施例中,所述唇形生成方法中预测唇形图像序列对应的判别结果包括图像真实度概率、光流特征差异值以及音视频同步率。
可以理解的是,根据预测唇形图像序列和第一唇形图像序列得到预测唇形图像序列相对于第一唇形图像序列的图像真实度概率以及预测唇形图像序列与第一唇形图像序列的光流特征差异值,同时,根据第一说话音频序列和预测唇形图像序列得到预测唇形图像序列中说话者唇形和第一说话音频序列之间的音视频同步率。在唇形生成模型的训练过程中,基于图像真实度概率、光流特征差异值和音视频同步率对唇形生成模型的参数进行更新,以使唇形生成模型生成图像质量、视频平滑度和音视频同步率更高的唇形图像序列,直至图像真实度概率、光流特征差异值和音视频同步率分别满足对应的训练结束条件,得到训练好的唇形生成模型。
示例性的,如图6所示,将预测唇形图像序列和第一唇形图像序列Ir,Ir+1,…,Ir+n输入预设的图像质量判别器Dδ以及光流特征提取器D,以及将预测唇形图像序列和第一说话音频序列Ar,Ar+1,…,Ar+n输入到音视频同步器S,分别得到预测唇形图像序列相对于真实图像(第一唇形图像序列)的图像真实度概率、预测唇形图像序列和真实图像(第一唇形图像序列)两两相邻帧之间的光流特征差异值以及预测唇形图像序列中说话者唇形和第一说话音频序列之间的音视频同步率。
下面通过一个具体实施例描述本申请实施例提供的唇形生成方法:
参见图6,所述方法通过获取包含说话者唇形的说话视频样本,从说话视频样本中提取不同时间段的第一子视频和第二子视频,并对第一子视频和第二子视频进行音视频分离,得到第一子视频对应的第一唇形图像序列Ir,Ir+1,…,Ir+n和第一说话音频序列Ar,Ar+1,…,Ar+n,以及第二子视频对应的第二唇形图像序列It,It+1,…,It+n,将第一说话音频序列Ar,Ar+1,…,Ar+n和第二唇形图像序列It,It+1,…,It+n输入到唇形生成模型中,分别通过音频编码器Eψ和图像编码器得到第一说话音频序列对应的音频表示向量R1以及第二唇形图像序列对应的图像表示向量R2,并利用图像解码器Dω对音频表示向量R1和图像表示向量R2的拼接向量进行解码,得到预测唇形图像序列
基于预测唇形图像序列、第一说话音频序列和第一唇形图像序列,通过图像质量判别器Dδ、光流特征提取器D和音视频同步器S得到图像质量、视频平滑度以及音视频同步率三个方面的判别结果,并以此对唇形生成模型进行约束以使其生成图像质量、视频平滑度和音视频同步率更高的唇形图像序列,直至判别结果分别满足对应的训练结束条件,结束训练,得到训练好的唇形生成模型。最后,利用训练好的唇形生成模型进行唇形生成。
本申请提出一种唇形生成方法,所述唇形生成方法通过获取包含说话者唇形的说话视频样本,并从说话视频样本中提取出的不同时间段的第一子视频和第二子视频,继而对第一子视频和第二子视频进行音视频分离,分别得到第一唇形图像序列、与第一唇形图像序列对应的第一说话音频序列以及第二唇形图像序列,之后将第一说话音频序列和第二唇形图像序列作为唇形生成模型的输入,将第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型,之后获取初始唇形图像序列和目标说话音频序列,初始唇形图像序列包含说话者唇形,并将初始唇形图像序列和目标说话音频序列输入训练好的唇形生成模型,得到说话者唇形与目标说话音频序列匹配的目标唇形图像序列。本申请通过从同一说话视频样本提取不同时间段的第一说话音频序列和第二唇形图像序列,并作为唇形生成模型的输入,将说话者唇形与第一说话音频序列匹配的第一唇形图像序列作为期望唇形生成模型输出的结果,对唇形生成模型进行训练,使得训练好的唇形生成模型独立于说话者,能够在任意人物上无拘束地进行唇形生成。
请参见图7,本申请实施例还提供了一种唇形生成装置100,所述唇形生成装置100包括:
视频样本获取模块110,用于获取包含说话者唇形的说话视频样本;
子视频提取模块120,用于从所述说话视频样本中提取第一子视频和第二子视频,所述第一子视频和所述第二子视频为所述说话视频样本中不同时间段的子视频;
第一音视频分离模块130,用于对所述第一子视频进行音视频分离,得到第一唇形图像序列和第一说话音频序列;
第二音视频分离模块140,用于对所述第二子视频进行音视频分离,得到第二唇形图像序列;
模型训练模块150,用于将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型;
序列获取模块160,用于获取初始唇形图像序列和目标说话音频序列,所述初始唇形图像序列包含说话者唇形;
唇形生成模块170,用于将所述初始唇形图像序列和所述目标说话音频序列输入所述训练好的唇形生成模型,得到说话者唇形与所述目标说话音频序列匹配的目标唇形图像序列。
在一些实施例中,所述唇形生成装置100还包括:
视频生成模块,用于将所述目标说话音频序列和所述目标唇形图像序列进行音视频合并,得到目标视频。
本申请提出一种唇形生成装置,所述唇形生成装置通过视频样本获取模块获取包含说话者唇形的说话视频样本,并利用第一音视频分离模块和第二音视频分离模块从说话视频样本中提取出的不同时间段的第一子视频和第二子视频,继而对第一子视频和第二子视频进行音视频分离,分别得到第一唇形图像序列、与第一唇形图像序列对应的第一说话音频序列以及第二唇形图像序列,之后模型训练模块将第一说话音频序列和第二唇形图像序列作为唇形生成模型的输入,将第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型,之后序列获取模块获取初始唇形图像序列和目标说话音频序列,初始唇形图像序列包含说话者唇形,唇形生成模块将初始唇形图像序列和目标说话音频序列输入训练好的唇形生成模型,得到说话者唇形与目标说话音频序列匹配的目标唇形图像序列。本申请通过从同一说话视频样本提取不同时间段的第一说话音频序列和第二唇形图像序列,并作为唇形生成模型的输入,将说话者唇形与第一说话音频序列匹配的第一唇形图像序列作为期望唇形生成模型输出的结果,对唇形生成模型进行训练,使得训练好的唇形生成模型独立于说话者,能够在任意人物上无拘束地进行唇形生成。
需要说明的是,上述装置的模块之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
请参见图8,图8示出本申请实施例提供的一种电子设备的硬件结构,电子设备包括:
处理器210,可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集合成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集合成电路等方式实现,用于执行相关计算机程序,以实现本申请实施例所提供的技术方案;
存储器220,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器220可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器220中,并由处理器210来调用执行本申请实施例的唇形生成方法;
输入/输出接口230,用于实现信息输入及输出;
通信接口240,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;和总线250,在设备的每个组件(例如处理器210、存储器220、输入/输出接口230和通信接口240)之间传输信息;
其中处理器210、存储器220、输入/输出接口230和通信接口240通过总线250实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个计算机程序,一个或者多个计算机程序可被一个或者多个处理器执行,以实现上述唇形生成方法。
存储器作为一种计算机可读存储介质,可用于存储软件程序以及计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。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。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集合成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请每个实施例中的各功能单元可以集合成在一个处理单元中,也可以是每个单元单独物理存在,也可以两个或两个以上单元集合成在一个单元中。上述集合成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集合成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请每个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种唇形生成方法,其特征在于,所述方法包括:
获取包含说话者唇形的说话视频样本;
从所述说话视频样本中提取第一子视频和第二子视频,所述第一子视频和所述第二子视频为所述说话视频样本中不同时间段的子视频;
对所述第一子视频进行音视频分离,得到第一唇形图像序列和第一说话音频序列;
对所述第二子视频进行音视频分离,得到第二唇形图像序列;
将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型;
获取初始唇形图像序列和目标说话音频序列,所述初始唇形图像序列包含说话者唇形;
将所述初始唇形图像序列和所述目标说话音频序列输入所述训练好的唇形生成模型,得到说话者唇形与所述目标说话音频序列匹配的目标唇形图像序列。
2.根据权利要求1所述的唇形生成方法,其特征在于,所述将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型,包括:
将所述第一说话音频序列、所述第二唇形图像序列输入唇形生成模型,得到预测唇形图像序列;
基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果;
当所述判别结果满足预设的训练结束条件,结束训练,得到训练好的唇形生成模型;
当所述判别结果未满足预设的训练结束条件,根据所述判别结果对所述唇形生成模型的参数进行更新,并继续对所述唇形生成模型进行训练直至所述判别结果满足预设的训练结束条件。
3.根据权利要求2所述的唇形生成方法,其特征在于,所述判别结果包括图像真实度概率;
所述基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果,包括:
获取预设的图像质量判别器;
将所述预测唇形图像序列和所述第一唇形图像序列输入到所述图像质量判别器,以通过所述图像质量判别器得到所述预测唇形图像序列相对于所述第一唇形图像序列的图像真实度概率。
4.根据权利要求2所述的唇形生成方法,其特征在于,所述判别结果包括光流特征差异值;
所述基于所述预测唇形图像序列和所述第一唇形图像序列,确定所述第一唇形图像序列的判别结果,包括:
获取所述预测唇形图像序列中两两相邻帧的第一光流特征和所述第一唇形图像序列中两两相邻帧的第二光流特征;
根据所述第一光流特征和所述第二光流特征,确定所述预测唇形图像序列与所述第一唇形图像序列之间的光流特征差异值。
5.根据权利要求2所述的唇形生成方法,其特征在于,所述判别结果包括音视频同步率;
所述方法还包括:
获取训练好的SyncNet模型;
将所述第一说话音频序列和所述预测唇形图像序列输入到所述SyncNet模型,以通过所述SyncNet模型得到所述预测唇形图像序列中说话者唇形相对于所述第一说话音频序列的音视频同步率。
6.根据权利要求2所述的唇形生成方法,其特征在于,所述唇形生成模型包括音频编码器、图像编码器和图像解码器,其中,
所述音频编码器用于对输入的所述第一说话音频序列进行编码,得到音频表示向量,所述音频表示向量包含音频特征信息;
所述图像编码器用于对输入的所述第二唇形图像序列进行编码,得到图像表示向量,所述图像表示向量包含唇形特征信息;
所述图像解码器用于对所述音频表示向量和所述图像表示向量的拼接向量进行解码,生成所述预测唇形图像序列。
7.根据权利要求1所述的唇形生成方法,其特征在于,所述方法还包括:
将所述目标说话音频序列和所述目标唇形图像序列进行音视频合并,得到目标视频。
8.一种唇形生成装置,其特征在于,所述装置包括:
视频样本获取模块,用于获取包含说话者唇形的说话视频样本;
子视频提取模块,用于从所述说话视频样本中提取第一子视频和第二子视频,所述第一子视频和所述第二子视频为所述说话视频样本中不同时间段的子视频;
第一音视频分离模块,用于对所述第一子视频进行音视频分离,得到第一唇形图像序列和第一说话音频序列;
第二音视频分离模块,用于对所述第二子视频进行音视频分离,得到第二唇形图像序列;
模型训练模块,用于将所述第一说话音频序列、所述第二唇形图像序列作为唇形生成模型的输入,将所述第一唇形图像序列作为期望所述唇形生成模型输出的结果,对所述唇形生成模型进行训练,得到训练好的唇形生成模型;
序列获取模块,用于获取初始唇形图像序列和目标说话音频序列,所述初始唇形图像序列包含说话者唇形;
唇形生成模块,用于将所述初始唇形图像序列和所述目标说话音频序列输入所述训练好的唇形生成模型,得到说话者唇形与所述目标说话音频序列匹配的目标唇形图像序列。
9.一种电子设备,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,
所述存储器存储有计算机程序,所述计算机程序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如权利要求1至7中任一项所述的唇形生成方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的唇形生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439599.3A CN114820891A (zh) | 2022-04-25 | 2022-04-25 | 唇形生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210439599.3A CN114820891A (zh) | 2022-04-25 | 2022-04-25 | 唇形生成方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820891A true CN114820891A (zh) | 2022-07-29 |
Family
ID=82507573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210439599.3A Pending CN114820891A (zh) | 2022-04-25 | 2022-04-25 | 唇形生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229311A (zh) * | 2022-12-30 | 2023-06-06 | 北京生数科技有限公司 | 视频处理方法、装置及存储介质 |
-
2022
- 2022-04-25 CN CN202210439599.3A patent/CN114820891A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229311A (zh) * | 2022-12-30 | 2023-06-06 | 北京生数科技有限公司 | 视频处理方法、装置及存储介质 |
CN116229311B (zh) * | 2022-12-30 | 2023-12-05 | 北京生数科技有限公司 | 视频处理方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476871B (zh) | 用于生成视频的方法和装置 | |
CN108446390B (zh) | 用于推送信息的方法和装置 | |
US9589363B2 (en) | Object tracking in encoded video streams | |
CN109844736B (zh) | 概括视频内容 | |
WO2018019126A1 (zh) | 视频类别识别方法和装置、数据处理装置和电子设备 | |
CN109218629B (zh) | 视频生成方法、存储介质和装置 | |
CN110446066B (zh) | 用于生成视频的方法和装置 | |
US20230004567A1 (en) | Voice query refinement to embed context in a voice query | |
CN108900788B (zh) | 视频生成方法、视频生成装置、电子装置及存储介质 | |
CN108304376B (zh) | 文本向量的确定方法、装置、存储介质及电子装置 | |
CN114422825A (zh) | 音视频同步方法、装置、介质、设备及程序产品 | |
CN110472558B (zh) | 图像处理方法和装置 | |
CN112149642A (zh) | 一种文本图像识别方法和装置 | |
CN111970536B (zh) | 一种基于音频生成视频的方法和装置 | |
KR20220000758A (ko) | 영상 검출 장치 및 그 동작 방법 | |
CN113392270A (zh) | 视频处理方法、装置、计算机设备以及存储介质 | |
WO2023045635A1 (zh) | 多媒体文件的字幕处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
CN114241558A (zh) | 模型的训练方法、视频生成方法和装置、设备、介质 | |
CN114820891A (zh) | 唇形生成方法、装置、设备及介质 | |
CN110662080B (zh) | 面向机器的通用编码方法 | |
CN116645624A (zh) | 视频内容理解方法和系统、计算机设备、存储介质 | |
CN112866577B (zh) | 图像的处理方法、装置、计算机可读介质及电子设备 | |
US20220375223A1 (en) | Information generation method and apparatus | |
CN114513706B (zh) | 视频生成方法和装置、计算机设备、存储介质 | |
CN111340101B (zh) | 稳定性评估方法、装置、电子设备和计算机可读存储介质 |
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 |