CN115866291A - 一种数据处理方法及其装置 - Google Patents

一种数据处理方法及其装置 Download PDF

Info

Publication number
CN115866291A
CN115866291A CN202211071943.4A CN202211071943A CN115866291A CN 115866291 A CN115866291 A CN 115866291A CN 202211071943 A CN202211071943 A CN 202211071943A CN 115866291 A CN115866291 A CN 115866291A
Authority
CN
China
Prior art keywords
data
action
voice data
network
feature
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
Application number
CN202211071943.4A
Other languages
English (en)
Inventor
敖腾隆
刘利斌
娄宇珂
陈宝权
张镇嵩
许松岑
吴小飞
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.)
Peking University
Huawei Technologies Co Ltd
Original Assignee
Peking University
Huawei Technologies 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 Peking University, Huawei Technologies Co Ltd filed Critical Peking University
Priority to CN202211071943.4A priority Critical patent/CN115866291A/zh
Publication of CN115866291A publication Critical patent/CN115866291A/zh
Priority to PCT/CN2023/116552 priority patent/WO2024046473A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G10L15/04—Segmentation; Word boundary detection
    • 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
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/439—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

一种数据处理方法，应用于基于语音或文本实现的动作生成，所述方法包括：获取语音数据；根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；根据所述特征表示，通过动作生成网络，生成动作数据。本申请可以使得生成的动作具有准确的节奏感，进而使得动作更贴合人物对象在真实发出语音时的动作。

Description

一种数据处理方法及其装置
技术领域
本申请涉及人工智能领域，尤其涉及一种数据处理方法及其装置。
背景技术
在公共演讲中，肢体语言可以增加演讲的节奏感，让演讲更生动，更具有说服力。有研究表明，肢体语言在沟通交流中扮演重要角色。肢体动作可以更加准确地表达意图和传递情感，与语音传达的信息互补；其次，肢体动作能够帮助用户更专注于与数字人沟通的内容；且肢体动作能够提升数字人的说服力，可信度及真实感；肢体动作能够反应说话人的意图及个性。沟通中缺少肢体语言或者肢体动作僵化，会陷入恐怖谷效应。
人们期待虚拟数字人(或者可以简称为数字人)的行为更像人。虚拟数字人可以跟人一样，在演讲的时候，可以配合语音做出节奏性，强调性的动作。对于一些特殊的语音语义可以有特定的身体动作，例如，人们说“好”或者“ok”的时候，倾向于比OK的手势，说到“第一”或者“首先”的时候，倾向于微微停顿，比个1的手型。
因此，如何根据语音生成对应的手势等身体动作是一个亟待解决的问题。
发明内容
本申请提供了一种数据处理方法，可以使得生成的动作具有准确的节奏感，进而使得动作更贴合人物对象在真实发出语音时的动作。
第一方面，本申请提供了一种数据处理方法，所述方法包括：获取语音数据；根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；根据所述特征表示，通过动作生成网络，生成动作数据。
在一种可能的实现中，动作数据可以为身体动作的关节点旋转角度或者动作的3D点云信息，这里并不限定。
在一种可能的实现中，可以根据语音数据来预测发出该语音数据的人物对象的动作数据。其中，用户在发声时(例如进行演讲时)，会做出一定的动作，且该动作存在一定的节奏点，例如，节奏点可以为做出所述身体动作时由静止到运动或者由运动到静止的临界点。若能够在特征提取之前就显性的将节奏信息识别出来并作为模型的输入，可以使得后续生成的动作具有准确的节奏感，进而使得动作更贴合人物对象在真实发出语音时的动作。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：所述第一位置和所述第二位置为所述语音数据中的onset点；所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，动作节奏点通常出现在语音的onset(和音量相关的音频特征)上，但却不是全部的onset都是用户动作的节奏点，语音的相邻节奏点之间的间隔是有一个范围的，该范围与讲者风格相关。假设该范围为[t1，t2]，通常小于t1的时间间隔是由于噪声、填充词或者不顺畅的发音引起的。超过t2的时间间隔通常是对应着停顿或者是不说话的安静阶段。基于这些观察，可以将相邻onset的时间间隔在预设范围内的onset确定为是节奏点，进而可以识别出用户在发出所述语音数据时做出的身体动作的节奏点，并基于该节奏点对语音数据进行切分。
在一种可能的实现中，可以使用一个启发性的策略来识别语音节奏。将语音进行切分，小于t1的不识别为节奏点，而针对于超过t2的可以插入伪节奏点。可以用以下的方式插入伪节奏点：距离上一个节奏点的时间超过t1，并且语音的音量超过一定的阈值Ia，可以将该阈值设置为环境噪声的平均音量，以使得相邻的分割点位置的时间间隔在预设范围内。如果区间内所有的音量都小于Ia，就均匀地插入最少的伪节奏点，以使得相邻的分割点位置的时间间隔在预设范围内。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；所述根据所述特征表示，通过动作生成网络，生成动作数据，包括：根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成动作数据。
在一种可能的实现中，除了将通过特征提取网络得到的特征表示输入到动作生成网络之外，还可以根据特征表示(例如特征表示中的高层次特征)通过神经网络来识别出动作的类型，并将动作类型和特征表示输入到动作生成网络。
由于动作类别本身携带语义，使得输入到动作生成网络的特征以及后续生成的身体动作具备语义相关性。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；所述根据所述特征表示，通过动作生成网络，生成动作数据，包括：根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述风格编码的分布为均匀分布。
第二方面，本申请提供了一种数据处理方法，所述方法包括：
获取人物对象的语音数据以及第一动作数据，所述第一动作数据为所述人物对象在发出所述语音数据时做出的身体动作的真实动作数据；
根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成第二动作数据；所述第一动作数据和所述第二动作数据之间的差异用于更新所述特征提取网络以及所述动作生成网络。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述特征表示以及初始化的风格编码，通过动作生成网络，生成第二动作数据；
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的第一风格编码；
通过预设的损失函数，更新所述初始化的风格编码，以得到更新后的风格编码；
所述第一风格编码和所述更新后的风格编码之间的差异用于更新所述编码器。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成第二动作数据。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成第二动作数据。
第三方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取语音数据；
处理模块，用于根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述风格编码的分布为均匀分布。
第四方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取人物对象的语音数据以及第一动作数据，所述第一动作数据为所述人物对象在发出所述语音数据时做出的身体动作的真实动作数据；
处理模块，用于根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成第二动作数据；所述第一动作数据和所述第二动作数据之间的差异用于更新所述特征提取网络以及所述动作生成网络。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，具体用于：
根据所述特征表示以及初始化的风格编码，通过动作生成网络，生成第二动作数据；
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的第一风格编码；
通过预设的损失函数，更新所述初始化的风格编码，以得到更新后的风格编码；
所述第一风格编码和所述更新后的风格编码之间的差异用于更新所述编码器。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成第二动作数据。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成第二动作数据。
第五方面，本申请实施例提供了一种数据处理装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法、或者如上述第二方面及其任一可选的方法。
第六方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、或者如上述第二方面及其任一可选的方法。
第七方面，本申请实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、或者如上述第二方面及其任一可选的方法。
第八方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持执行设备或训练设备实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
附图说明
图1A为人工智能主体框架的一种结构示意图；
图1B和图2为本发明的应用系统框架示意；
图3为终端的一种可选的硬件结构示意图；
图4为一种服务器的结构示意图；
图5为本申请的一种系统架构示意；
图6为一种云服务的流程；
图7为一种云服务的流程；
图8为本申请实施例提供的一种数据处理方法的流程示意；
图9为本申请实施例提供的数据处理方法的流程示意；
图10为本申请实施例提供的数据处理方法的流程示意；
图11A为本申请实施例提供的数据处理方法的流程示意；
图11B为本申请实施例提供的数据处理方法的流程示意；
图12A为本申请实施例提供的数据处理方法的流程示意；
图12B为本申请实施例提供的数据处理方法的流程示意；
图13为本申请实施例提供的数据处理装置的一种结构示意图；
图14为本申请实施例提供的数据处理装置的一种结构示意图；
图15为本申请实施例提供的执行设备的一种结构示意图；
图16为本申请实施例提供的训练设备一种结构示意图；
图17为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。
下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。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，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，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单元。
本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语，且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外，在阐述本发明实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外，用语“示例性(exemplary)”旨在指代实例或例示。
首先对人工智能系统总体工作流程进行描述，请参见图1A，图1A示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。
其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
首先介绍本申请的应用场景，本申请可以但不限于应用在具备基于文字或语音生成包含虚拟人(或者除虚拟人之外的其他对象)的视频的功能的应用程序(以下可以简称为虚拟人生成类应用程序)或者云侧服务器提供的云服务等，接下来分别进行介绍：
一、虚拟人生成类应用程序
本申请实施例的产品形态可以为虚拟人生成类应用程序。虚拟人生成类应用程序可以运行在终端设备或者云侧的服务器上。
在一种可能的实现中，虚拟人生成类应用程序可以实现基于文字或语音生成包含虚拟人(或者除虚拟人之外的其他对象)的视频的任务，其中，在智能应答的场景中，文字或语音可以为用户输入的请求、问询或者其他请求交互的语音或者文字，应用程序所生成的虚拟人的视频可以包含针对于用户输入的语音或者文字的应答语音以及相应发出应答语音时的虚拟人，该虚拟人会做出仿人类的动作，也就是能够做出人类在发出应答语音时相匹配的身体动作。示例性的，身体动作可以为手势。
其中，在动作生成类的场景中，文字或语音可以为用户输入的语音或者文字，应用程序所生成的虚拟人的视频可以包含相应发出用户输入的语音或者文字对应的语音时的虚拟人，该虚拟人会做出仿人类的动作，也就是能够做出人类在发出输入的语音或者文字对应的语音时相匹配的身体动作。
在一种可能的实现中，用户可以打开终端设备上安装的虚拟人生成类应用程序，并输入语音或者文字(可以是主动的输入、也可以是被动的采集，例如通过终端设备上的音频传感器采集得到)，虚拟人生成类应用程序可以通过本申请实施例提供的方法基于语音或者文字生成虚拟人、或者是虚拟人的动作数据，并将虚拟人、或者是虚拟人的动作数据呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。
在一种可能的实现中，用户可以打开终端设备上安装的虚拟人生成类应用程序，并输入语音或文字(可以是主动的输入、也可以是被动的采集，例如通过终端设备上的音频传感器采集得到)，虚拟人生成类应用程序可以将语音或文字发送至云侧的服务器，云侧的服务器通过本申请实施例提供的方法基于语音或者文字生成虚拟人、或者是虚拟人的动作数据，并将虚拟人、或者是虚拟人的动作数据回传至终端设备，终端设备可以将虚拟人、或者是虚拟人的动作数据呈现给用户(呈现方式可以但不限于是显示、保存、上传到云侧等)。
在一种可能的实现中，虚拟人生成类应用程序实现的虚拟人生成可以具体用于使能增强现实(augmented reality，AR)、虚拟现实(virtual reality，VR)、混合现实(mixedreality，MR)远程会议、运动健康、元宇宙等应用场景中的虚拟人物驱动等。
接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的虚拟人生成类应用程序。
参照图1B，图1B为本申请实施例中虚拟人生成类应用程序的功能架构示意：
在一种可能的实现中，如图1B所示，虚拟人生成类应用程序102可接收输入的参数101(例如包含人体的语音或文字)且产生虚拟人的动作数据103(或者基于虚拟人的动作数据还原得到的虚拟人物的信息)。虚拟人生成类应用程序102可在(举例来说)至少一个计算机系统上执行，且包括计算机代码，所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行本文中所描述的数据处理方法。
参照图2，图2为本申请实施例中运行虚拟人生成类应用程序的实体架构示意：
参见图2，图2示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中，服务器200可以包括一个或者多个服务器(图2中以包括一个服务器作为示例进行说明)，服务器200可以为一个或者多个终端提供虚拟人生成服务。
其中，终端100上可以安装有虚拟人生成类应用程序，或者打开与虚拟人生成相关的网页，上述应用程序和网页可以提供一个界面，终端100可以接收用户在虚拟人生成界面上输入的相关参数，并将上述参数发送至服务器200，服务器200可以基于接收到的参数，得到处理结果，并将处理结果返回至至终端100。
应理解，在一些可选的实现中，终端100也可以由自身完成基于接收到的参数，得到数据处理结果的动作，而不需要服务器配合实现，本申请实施例并不限定。
接下来描述图2中终端100的产品形态；
本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等，本申请实施例对此不作任何限制。
图3示出了终端100的一种可选的硬件结构示意图。
参考图3所示，终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解，图3仅仅是终端或多功能设备的举例，并不构成对终端或多功能设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
输入单元130可用于接收输入的数字或字符信息，以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作)，并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作，将该触摸动作转换为触摸信号发送给该处理器170，并能接收该处理器170发来的命令并加以执行；该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131，输入单元130还可以包括其他输入设备。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键133等)、轨迹球、鼠标、操作杆等中的一种或多种。
其中，其他输入设备132可以接收到输入的语音或文字等等。
该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中，显示单元140可用于显示虚拟人生成类应用程序的界面、基于语音或文字得到的虚拟人等。
该存储器120可用于存储指令和数据，存储器120可主要包括存储指令区和存储数据区，存储数据区可存储各种数据，如多媒体文件、文本等；存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元，或者他们的子集、扩展集。还可以包括非易失性随机存储器；向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源，支持控制软件和应用。还用于多媒体文件的存储，以及运行程序和应用的存储。
处理器170是终端100的控制中心，利用各种接口和线路连接整个终端100的各个部分，通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据，从而对终端设备进行整体控制。可选的，处理器170可包括一个或多个处理单元；优选的，处理器170可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器170中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号，发给计算处理设备相应的部件，读取以及处理软件中的数据，尤其是读取和处理存储器120中的数据和程序，以使其中的各个功能模块执行相应的功能，从而控制相应的部件按指令的要求进行动作。
其中，存储器120可以用于存储数据处理方法相关的软件代码，处理器170可以执行芯片的数据处理方法的步骤，也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。
该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送，例如，将基站的下行信息接收后，给处理器170处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General PacketRadio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
其中，在本申请实施例中，该射频单元110可以将语音或文字发送至服务器200，并接收到服务器200发送的虚拟人的动作数据或者基于虚拟人的动作数据还原得到的虚拟人物的信息。
应理解，该射频单元110为可选的，其可以被替换为其他通信接口，例如可以是网口。
终端100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器170逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
终端100还包括外部接口180，该外部接口可以是标准的Micro USB接口，也可以使多针连接器，可以用于连接终端100与其他装置进行通信，也可以用于连接充电器为终端100充电。
尽管未示出，终端100还可以包括闪光灯、无线保真(wireless fidelity，WiFi)模块、蓝牙模块、不同功能的传感器等，在此不再赘述。下文中描述的部分或全部方法均可以应用在如图3所示的终端100中。
接下来描述图2中服务器200的产品形态；
图4提供了一种服务器200的结构示意图，如图4所示，服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。
总线201可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器202可以为中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、微处理器(micro processor，MP)或者数字信号处理器(digital signal processor，DSP)等处理器中的任意一种或多种。
存储器204可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器204还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，机械硬盘(hard drivedrive，HDD)或固态硬盘(solid state drive，SSD)。
其中，存储器204可以用于存储数据处理方法相关的软件代码，处理器202可以执行芯片的数据处理方法的步骤，也可以调度其他单元以实现相应的功能。
应理解，上述终端100和服务器200可以为集中式或者是分布式的设备，上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，处理器可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解，本申请实施例中的和模型推理过程相关的步骤涉及AI相关的运算，在执行AI运算时，终端设备和服务器的指令执行架构不仅仅局限在上述介绍的处理器结合存储器的架构。下面结合图5对本申请实施例提供的系统架构进行详细的介绍。
图5为本申请实施例提供的系统架构示意图。如图5所示，系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。
执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501，预处理模块513和预处理模块514是可选的。
其中，执行设备510可以为上述运行人物虚拟人生成类应用程序的终端设备或者服务器。
数据采集设备560用于采集训练样本。训练样本可以为语音或文字，以及对语音或文字中的人物的标注(例如人物的真实动作数据)等。在采集到训练样本之后，数据采集设备560将这些训练样本存入数据库530。
训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络(例如本申请实施例中的特征提取网络、动作生成网络、编码器等)，以得到目标模型/规则501。
需要说明的是，在实际应用中，数据库530中维护的训练样本不一定都来自于数据采集设备560的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练，也有可能从云端或其他地方获取训练样本进行模型训练，上述描述不应该作为对本申请实施例的限定。
根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中，如应用于图5所示的执行设备510，该执行设备510可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备，车载终端等，还可以是服务器等。
具体的，训练设备520可以将训练后的模型传递至执行设备510。
在图5中，执行设备510配置输入/输出(input/output，I/O)接口512，用于与外部设备进行数据交互，用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中语音或文字等)。
预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解，可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时，可以直接采用计算模块511对输入数据进行处理。
在执行设备510对输入数据进行预处理，或者在执行设备510的计算模块511执行计算等相关的处理过程中，执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统550中。
最后，I/O接口512将处理结果(例如虚拟人的动作数据或者基于虚拟人的动作数据还原得到的虚拟人物的信息等)提供给客户设备540，从而提供给用户。
在图5所示情况下，用户可以手动给定输入数据，该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下，客户设备540可以自动地向I/O接口512发送输入数据，如果要求客户设备540自动发送输入数据需要获得用户的授权，则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端，采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据，并存入数据库530。当然，也可以不经过客户设备540进行采集，而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果，作为新的样本数据存入数据库530。
值得注意的是，图5仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图5中，数据存储系统550相对执行设备510是外部存储器，在其它情况下，也可以将数据存储系统550置于执行设备510中。应理解，上述执行设备510可以部署于客户设备540中。
从模型的推理侧来说：
本申请实施例中，上述执行设备520的计算模块511可以获取到数据存储系统550中存储的代码来实现本申请实施例中的和模型推理过程相关的步骤。
本申请实施例中，执行设备520的计算模块511可以包括硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
具体的，执行设备520的计算模块511可以为具有执行指令功能的硬件系统，本申请实施例提供的和模型推理过程相关的步骤可以为存储在存储器中的软件代码，执行设备520的计算模块511可以从存储器中获取到软件代码，并执行获取到的软件代码来实现本申请实施例提供的和模型推理过程相关的步骤。
应理解，执行设备520的计算模块511可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的和模型推理过程相关的步骤的部分步骤还可以通过执行设备520的计算模块511中不具有执行指令功能的硬件系统来实现，这里并不限定。
从模型的训练侧来说：
本申请实施例中，上述训练设备520可以获取到存储器(图5中未示出，可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。
本申请实施例中，训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gatearray，FPGA)、通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解，训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现，这里并不限定。
二、服务器提供的虚拟人生成类云服务：
在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供虚拟人生成的服务。
其中，终端设备可以通过云端提供的API，将相关参数(例如语音或文字)发送至服务器，服务器可以基于接收到的参数，得到处理结果(例如虚拟人的动作数据或者基于虚拟人的动作数据还原得到的虚拟人物的信息等)，并将处理结果返回至至终端。
关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。
如图6示出了使用一项云平台提供的虚拟人生成类云服务的流程。
1.开通并购买内容审核服务。
2.用户可以下载内容审核服务对应的软件开发工具包(software developmentkit，SDK)，通常云平台提供多个开发版本的SDK，供用户根据开发环境的需求选择，例如JAVA版本的SDK、python版本的SDK、PHP版本的SDK、Android版本的SDK等。
3.用户根据需求下载对应版本的SDK到本地后，将SDK工程导入至本地开发环境，在本地开发环境中进行配置和调试，本地开发环境还可以进行其他功能的开发，使得形成一个集合了虚拟人生成类能力的应用。
4.虚拟人生成类应用在被使用的过程中，当需要进行虚拟人生成时，可以触发虚拟人生成的API调用。当应用触发虚拟人生成功能时，发起API请求至云环境中的虚拟人生成类服务的运行实例，其中，API请求中携带语音或文字，由云环境中的运行实例对语音或文字进行处理，获得处理结果(例如虚拟人的动作数据或者基于虚拟人的动作数据还原得到的虚拟人物的信息等)。
5.云环境将处理结果返回至应用，由此完成一次的虚拟人生成服务调用。
三、服务器提供的模型训练类云服务：
在一种可能的实现中，服务器可以基于客户提供的语音或文字，来提供一个适配于该语音或文字中人物对象(或者更泛化的人物)的虚拟人生成的模型。
在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供配图信息还原的服务。
其中，终端设备可以通过云端提供的API，将相关参数(例如语音或文字)发送至服务器，服务器可以基于接收到的参数，得到处理结果，并将处理结果(例如适配于该语音或文字中人物对象(或者更泛化的人物)的虚拟人生成的模型等)返回至终端。
如图7示出了使用一项云平台提供的模型训练类云服务的流程。
关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。
由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的，神经单元可以是指以xs和截距1为输入的运算单元，该运算单元的输出可以为：
Figure SMS_1
其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
(2)深度神经网络
深度神经网络(Deep Neural Network，DNN)，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准，我们常说的多层神经网络和深度神经网络其本质上是同一个东西。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：
Figure SMS_3
其中，/>
Figure SMS_7
是输入向量，/>
Figure SMS_9
是输出向量，/>
Figure SMS_4
是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量/>
Figure SMS_6
经过如此简单的操作得到输出向量/>
Figure SMS_8
由于DNN层数多，则系数W和偏移向量/>
Figure SMS_10
的数量也就是很多了。那么，具体的参数在DNN是如何定义的呢？首先我们来看看系数W的定义。以一个三层的DNN为例，如：第二层的第4个神经元到第三层的第2个神经元的线性系数定义为/>
Figure SMS_2
上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结下，第L-1层的第k个神经元到第L层的第j个神经元的系数定义为/>
Figure SMS_5
注意，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。
(3)卷积神经网络(Convosutionas Neuras Network，CNN)是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。这其中隐含的原理是：图像的某一部分的统计信息与其他部分是一样的。即意味着在某一部分学习的图像信息也能用在另一部分上。所以对于图像上的所有位置，我们都能使用同样的学习得到的图像信息。在同一卷积层中，可以使用多个卷积核来提取不同的图像信息，一般地，卷积核数量越多，卷积操作反映的图像信息越丰富。
卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。
(4)反向传播算法
卷积神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。
(5)损失函数
在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断地调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
(6)反向传播算法
神经网络可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的神经网络模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的神经网络模型的参数，例如权重矩阵。
在公共演讲中，肢体语言可以增加演讲的节奏感，让演讲更生动，更具有说服力。有研究表明，肢体语言在沟通交流中扮演重要角色。首先，肢体动作更加准确地表达意图和传递情感，与语音传达的信息互补；其次，肢体动作能够帮助用户更专注于与数字人沟通的内容；第三，能够提升数字人的说服力，可信度及真实感；最后，能够反应说话人的意图及个性。沟通中缺少肢体语言或者肢体动作僵化，会陷入恐怖谷效应。
人们期待虚拟数字人(或者可以简称为数字人)的行为更像人。虚拟数字人可以跟人一样，在演讲的时候，可以配合语音做出节奏性，强调性的动作。对于一些特殊的语音语义可以有特定的动作，例如，人们说“好/ok”的时候，倾向于比OK的手势，说到“第一/首先”的时候，倾向于微微停顿，比个1的手型。
因此，如何根据语音生成对应的手势等身体动作是一个亟待解决的问题。
为了解决上述问题，本申请实施例提供了一种数据处理方法。下面结合附图对本申请实施例的数据处理方法进行详细的介绍。
参照图8，图8为本申请实施例提供的一种数据处理方法的流程示意，如图8所示，本申请实施例提供的一种数据处理方法，可以包括步骤801至804，下面分别对这些步骤进行详细的描述。
801、获取获取语音数据。
在动作生成类应用中，可以获取到用户的语音数据，并基于该语音数据生成对应的动作数据。该动作数据可用于生成对应的虚拟人。
在动作生成类应用中，可以获取到用户的文本数据，并基于该文本数据生成对应的语音数据，进而可以基于该语音数据(可选的，还可以包括文本数据)生成对应的动作数据。该动作数据可用于生成对应的虚拟人。
在交互类应用中，可以获取到用户的语音数据，基于该语音数据中的文本确定答复文本，并根据答复文本生成对应的语音数据，进而可以基于该语音数据(可选的，还可以包括答复文本)生成对应的动作数据。该动作数据可用于生成对应的虚拟人。
在一种可能的实现中，该动作数据可以为手势动作等。
802、根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点。
在一种可能的实现中，可以根据语音数据来预测发出该语音数据的人物对象的动作数据。其中，用户在发声时(例如进行演讲时)，会做出一定的动作，且该动作存在一定的节奏点，节奏点为做出所述身体动作时由静止到运动或者由运动到静止的临界点。若能够在特征提取之前就显性的将节奏信息识别出来并作为模型的输入，可以使得后续生成的动作具有准确的节奏感，进而使得动作更贴合人物对象在真实发出语音时的动作。
接下来介绍如何识别出上述节奏信息。
在一种可能的实现中，可以根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，其中，所述音频特征与音量以及音高中的至少一种有关。
在一种可能的实现中，节奏点通常出现在语音的onset(和音量相关的音频特征)上，但却不是全部的onset都是用户动作的节奏点，语音的相邻节奏点之间的间隔是有一个范围的，该范围与讲者风格相关。假设该范围为[t1，t2]，通常小于t1的时间间隔是由于噪声、填充词或者不顺畅的发音引起的。超过t2的时间间隔通常是对应着停顿或者是不说话的安静阶段。基于这些观察，可以将相邻onset的时间间隔在预设范围内的onset确定为是节奏点，进而可以识别出用户在发出所述语音数据时做出的身体动作的节奏点，并基于该节奏点对语音数据进行切分。
以第一位置和第二位置为例，第一位置和第二位置为多个分割点位置中相邻的分割点位置。
在一种可能的实现中，所述第一位置和所述第二位置为通过如下方式确定的：所述第一位置和所述第二位置为所述语音数据中的onset点，且所述onset点之间的时间间隔在预设范围内。其中，预设范围可以为上述介绍的[t1，t2]。
在一种可能的实现中，可以使用一个启发性的策略来识别语音节奏。将语音进行切分，小于t1的不识别为节奏点，而针对于超过t2的可以插入伪节奏点。可以用以下的方式插入伪节奏点：距离上一个节奏点的时间超过t1，并且语音的音量超过一定的阈值Ia，可以将该阈值设置为环境噪声的平均音量，以使得相邻的分割点位置的时间间隔在预设范围内。如果区间内所有的音量都小于Ia，就均匀地插入最少的伪节奏点，以使得相邻的分割点位置的时间间隔在预设范围内。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置；所述第一位置和所述第二位置可以为通过如下方式确定的：所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
803、根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示。
804、根据所述特征表示，通过动作生成网络，生成动作数据。
在一种可能的实现中，可以根据分割点位置将语音数据进行分割，得到多个语音片段，将多个语音片段输入到特征网络中。
在一种可能的实现中，可以根据分割点位置将语音数据对应的文本数据进行分割，得到多个文本片段，每个文本片段可以和多个语音片段之间一一对应。
在一种可能的实现中，可以根据上述识别地节奏点，对输入的语音进行分割，并将分割好的语音片段都归一化到t2的长度。将这段语音对应的动作特征及文本特征也重采样到t2的长度。
在一种可能的实现中，可以将所述语音数据以及指示所述多个分割点位置的字符输入到特征提取网络，得到特征表示，并根据所述特征表示，通过动作生成网络，生成动作数据。
在一种可能的实现中，除了将通过特征提取网络得到的特征表示输入到动作生成网络之外，还可以根据特征表示(例如特征表示中的高层次特征)通过神经网络来识别出动作的类型，并将动作类型和特征表示输入到动作生成网络。
根据上述基于节奏的分割方法，可以将数据集内的所有动作都切分成等长的动作片段。通过神经网络可以得到这些动作对应的类别，可以认为这些动作类别就是动作的高层次特征。
对数据集中的high-level的语音特征进行聚类，可以发现每个类别内对应的文本都很相似，例如“many”“quite a few”“lots of”“much”“more”等；将这些high-level语音特征对应的动作输入到训练好的动作编码器，将动作编码进行可视化，可以发现这些动作集中在某几个类别。
在具体实现中，可以使用vq-vae在动作的隐空间对动作进行聚类，也可以直接用kmeans对动作进行聚类。根据分割的结果，得到一系列动作片段{M1,M2,…,Mi,…Mn}，通过VQ-VAE的方式，可以得到一个手势词典库
Figure SMS_11
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，可以根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示(也就是高层特征)，确定所述身体动作的动作类别；所述根据所述特征表示，通过动作生成网络，生成动作数据，包括：根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成动作数据。
由于动作类别本身携带语义，使得输入到动作生成网络的特征以及后续生成的身体动作具备语义相关性。
此外，对于任意一个动作片段Mi，通过VQ-VAE的编码器可以知道其对应的高层次特征手势词汇(动作类别)为Si，可以分解出该动作片段对应的风格码Zi，方法如图10所示，将上一个片段的动作Mi-1通过动作编码器得到其对应的动作特征
Figure SMS_12
将当前时段的语音的低层次特征/>
Figure SMS_13
与其上下两个时段的低层次语音特征/>
Figure SMS_14
及/>
Figure SMS_15
通过音频编码器得到当前时段的音频特征/>
Figure SMS_16
将/>
Figure SMS_17
Si与可学习的手势风格码Zi融合在一起输入到动作生成网络中生成最终的动作。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，可以根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；所述根据所述特征表示，通过动作生成网络，生成动作数据，具体包括：根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述风格编码的分布为均匀分布。
在一种可能的实现中，关于上述介绍的高层特征和底层特征的解耦示意可以参照图9所示：其中，给定音频及其对应的文本，使用语言预训练模型作为对比学习的监督信号，让语音的预训练模型的高层次特征与文本的高层次特征距离接近，让语音的预训练模型的低层次特征与文本的低层次特征距离接近。
在一种可能的实现中，动作数据可以为身体动作的关节点旋转角度或者动作的3D点云信息，这里并不限定。
示例性的，给定一段语音输入，本申请实施例提供的方法可以会将该语音片段分割成归一化的特征块
Figure SMS_18
然后按顺序生成对应的动作/>
Figure SMS_19
整体流程如图11A所示，其中，
Figure SMS_20
其中，
Figure SMS_21
，εM，εA为前面学到的动作生成器，动作编码器及音频编码器。
在上述公式中，仅有手势词汇
Figure SMS_22
及手势风格码/>
Figure SMS_23
是不能直接从输入语音得到的，他们从动作类别预测模块和动作风格预测模块推理获得。
在一种可能的实现中，可以将文本数据也作为输入。此外，文本方案可以简化，在只有音频输入，没有其对应的文本、讲者ID的情况下，也可以推理出其对应的动作。流程图如图10所示，在该实施例中，输入只有音频。
接下来从训练侧对本申请实施例中的数据处理方法进行介绍。
参照图11B，图11B为本申请实施例提供的一种数据处理方法的流程示意，所述方法包括：
1101、获取人物对象的语音数据以及第一动作数据，所述第一动作数据为所述人物对象在发出所述语音数据时做出的身体动作的真实动作数据；
其中，第一动作数据可以为语音数据对应的动作数据的真值。
1102、根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
关于步骤1102的具体描述可以参照上述实施例中步骤802的介绍，这里不再赘述。
1103、根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
关于步骤1103的具体描述可以参照上述实施例中步骤803的介绍，这里不再赘述。
1104、根据所述特征表示，通过动作生成网络，生成第二动作数据；所述第一动作数据和所述第二动作数据之间的差异用于更新所述特征提取网络以及所述动作生成网络。
关于步骤1104的具体描述可以参照上述实施例中步骤804的介绍，这里不再赘述。
除了第一动作数据和所述第二动作数据之间的差异之外，还可以包括其他损失，具体可以为：
Lgen＝wrecLrec+wpercLperc+wlexemeLlexeme+wzLz…(1)
其中重建损失：
Figure SMS_24
是生成的动作片段
Figure SMS_25
和GT动作片段Mi之间的MSE误差。
感知误差损失：
Figure SMS_26
其中ε前面训练的动作编码器。
假设手势动作的类别是由词汇决定，其他通道的信息只能影响动作的变化性。为了强化这个约束，使用当前的手势词汇及一些随机的其他特征生成一系列动作
Figure SMS_27
/>
Figure SMS_28
其中P为位置编码，手语词损失定义为：
Figure SMS_29
J是训练集中所有运动片段的随机子集，NJ是J的大小。可以根据数据集的大小来调整NJ。
最后使用KL离散损失来归一化风格码：
Figure SMS_30
其中μz和
Figure SMS_31
分别为训练小批量中的手势风格码的均值和方差。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：根据所述特征表示以及初始化的风格编码，通过动作生成网络，生成第二动作数据；根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的第一风格编码；通过预设的损失函数，更新所述初始化的风格编码，以得到更新后的风格编码；
所述第一风格编码和所述更新后的风格编码之间的差异用于更新所述编码器。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成第二动作数据。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成第二动作数据。
参照图12A，图12A为使用文本数据来生成动作数据的一个流程示意，参照图12B，图12A为不使用文本数据来生成动作数据的一个流程示意。
参照图13，图13为本申请实施例提供的一种数据处理装置的结构示意，如图13所示，本申请实施例提供的一种数据处理装置1300，包括：
获取模块1301，用于获取语音数据；
其中，关于获取模块1301的具体描述可以参照上述实施例中步骤801的介绍，这里不再赘述。
处理模块1302，用于根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成动作数据。
其中，关于处理模块1302的具体描述可以参照上述实施例中步骤802至步骤804的介绍，这里不再赘述。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成动作数据。
在一种可能的实现中，所述风格编码的分布为均匀分布。
参照图14，图14为本申请实施例提供的一种数据处理装置的结构示意，如图14所示，本申请实施例提供的一种数据处理装置1400，包括：
获取模块1401，用于获取人物对象的语音数据以及第一动作数据，所述第一动作数据为所述人物对象在发出所述语音数据时做出的身体动作的真实动作数据；
其中，关于获取模块1401的具体描述可以参照上述实施例中步骤1101的介绍，这里不再赘述。
处理模块1402，用于根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成第二动作数据；所述第一动作数据和所述第二动作数据之间的差异用于更新所述特征提取网络以及所述动作生成网络。
其中，关于处理模块1402的具体描述可以参照上述实施例中步骤1102至步骤1104的介绍，这里不再赘述。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，具体用于：
根据所述特征表示以及初始化的风格编码，通过动作生成网络，生成第二动作数据；
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的第一风格编码；
通过预设的损失函数，更新所述初始化的风格编码，以得到更新后的风格编码；
所述第一风格编码和所述更新后的风格编码之间的差异用于更新所述编码器。
在一种可能的实现中，所述音频特征与音量和/或音高有关。
在一种可能的实现中，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
在一种可能的实现中，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成第二动作数据。
在一种可能的实现中，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成第二动作数据。
接下来介绍本申请实施例提供的一种执行设备，请参阅图15，图15为本申请实施例提供的执行设备的一种结构示意图，执行设备1500具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备或服务器等，此处不做限定。具体的，执行设备1500包括：接收器1501、发射器1502、处理器1503和存储器1504(其中执行设备1500中的处理器1503的数量可以一个或多个，图15中以一个处理器为例)，其中，处理器1503可以包括应用处理器15031和通信处理器15032。在本申请的一些实施例中，接收器1501、发射器1502、处理器1503和存储器1504可通过总线或其它方式连接。
存储器1504可以包括只读存储器和随机存取存储器，并向处理器1503提供指令和数据。存储器1504的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1504存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
处理器1503控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1503中，或者由处理器1503实现。处理器1503可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1503中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1503可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1503可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1504，处理器1503读取存储器1504中的信息，结合其硬件完成上述方法中涉及模型推理过程的步骤。
接收器1501可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1502可用于通过第一接口输出数字或字符信息；发射器1502还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1502还可以包括显示屏等显示设备。
本申请实施例还提供了一种训练设备，请参阅图16，图16是本申请实施例提供的训练设备一种结构示意图，具体的，训练设备1600由一个或多个服务器实现，训练设备1600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(centralprocessing units，CPU)1616(例如，一个或一个以上处理器)和存储器1632，一个或一个以上存储应用程序1642或数据1644的存储介质1630(例如一个或一个以上海量存储设备)。其中，存储器1632和存储介质1630可以是短暂存储或持久存储。存储在存储介质1630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对训练设备中的一系列指令操作。更进一步地，中央处理器1616可以设置为与存储介质1630通信，在训练设备1600上执行存储介质1630中的一系列指令操作。
训练设备1600还可以包括一个或一个以上电源1626，一个或一个以上有线或无线网络接口1650，一个或一个以上输入输出接口1658；或，一个或一个以上操作系统1641，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
本申请实施例中，中央处理器1616，用于执行上述实施例中和模型训练相关的动作。
本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
具体的，请参阅图17，图17为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 1700，NPU 1700作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1703，通过控制器1704控制运算电路1703提取存储器中的矩阵数据并进行乘法运算。
在一些实现中，运算电路1703内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1703是二维脉动阵列。运算电路1703还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1703是通用的矩阵处理器。
举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1702中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1701中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1708中。
统一存储器1706用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1705，DMAC被搬运到权重存储器1702中。输入数据也通过DMAC被搬运到统一存储器1706中。
BIU为Bus Interface Unit即，总线接口单元1710，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1709的交互。
总线接口单元1710(Bus Interface Unit，简称BIU)，用于取指存储器1709从外部存储器获取指令，还用于存储单元访问控制器1705从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1706或将权重数据搬运到权重存储器1702中或将输入数据数据搬运到输入存储器1701中。
向量计算单元1707包括多个运算处理单元，在需要的情况下，对运算电路1703的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。
在一些实现中，向量计算单元1707能将经处理的输出的向量存储到统一存储器1706。例如，向量计算单元1707可以将线性函数；或，非线性函数应用到运算电路1703的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1707生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1703的激活输入，例如用于在神经网络中的后续层中的使用。
控制器1704连接的取指存储器(instruction fetch buffer)1709，用于存储控制器1704使用的指令；
统一存储器1706，输入存储器1701，权重存储器1702以及取指存储器1709均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所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模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。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可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (31)

1.一种数据处理方法，其特征在于，所述方法包括：
获取语音数据；
根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成动作数据。
2.根据权利要求1所述的方法，其特征在于，所述音频特征与音量和/或音高有关。
3.根据权利要求1或2所述的方法，其特征在于，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
4.根据权利要求1至3任一所述的方法，其特征在于，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
5.根据权利要求1至4任一所述的方法，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述根据所述特征表示，通过动作生成网络，生成动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成动作数据。
6.根据权利要求1至5任一所述的方法，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述根据所述特征表示，通过动作生成网络，生成动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成动作数据。
7.根据权利要求6所述的方法，其特征在于，所述风格编码的分布为均匀分布。
8.一种数据处理方法，其特征在于，所述方法包括：
获取人物对象的语音数据以及第一动作数据，所述第一动作数据为所述人物对象在发出所述语音数据时做出的身体动作的真实动作数据；
根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成第二动作数据；所述第一动作数据和所述第二动作数据之间的差异用于更新所述特征提取网络以及所述动作生成网络。
9.根据权利要求8所述的方法，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述特征表示以及初始化的风格编码，通过动作生成网络，生成第二动作数据；
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的第一风格编码；
通过预设的损失函数，更新所述初始化的风格编码，以得到更新后的风格编码；
所述第一风格编码和所述更新后的风格编码之间的差异用于更新所述编码器。
10.根据权利要求8或9所述的方法，其特征在于，所述音频特征与音量和/或音高有关。
11.根据权利要求8至10任一所述的方法，其特征在于，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
12.根据权利要求8至11任一所述的方法，其特征在于，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
13.根据权利要求8至12任一所述的方法，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成第二动作数据。
14.根据权利要求8至13任一所述的方法，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述方法还包括：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述根据所述特征表示，通过动作生成网络，生成第二动作数据，包括：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成第二动作数据。
15.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取语音数据；
处理模块，用于根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成动作数据。
16.根据权利要求15所述的装置，其特征在于，所述音频特征与音量和/或音高有关。
17.根据权利要求15或16所述的装置，其特征在于，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
18.根据权利要求15至17任一所述的装置，其特征在于，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
19.根据权利要求15至18任一所述的装置，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成动作数据。
20.根据权利要求15至19任一所述的装置，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成动作数据。
21.根据权利要求20所述的装置，其特征在于，所述风格编码的分布为均匀分布。
22.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取人物对象的语音数据以及第一动作数据，所述第一动作数据为所述人物对象在发出所述语音数据时做出的身体动作的真实动作数据；
处理模块，用于根据所述语音数据的音频特征，从所述语音数据中确定多个分割点位置，所述分割点位置对应于人物对象在发出所述语音数据时做出的身体动作的预测节奏点；
根据所述语音数据以及指示所述多个分割点位置的信息，通过特征提取网络，得到特征表示；
根据所述特征表示，通过动作生成网络，生成第二动作数据；所述第一动作数据和所述第二动作数据之间的差异用于更新所述特征提取网络以及所述动作生成网络。
23.根据权利要求22所述的装置，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，具体用于：
根据所述特征表示以及初始化的风格编码，通过动作生成网络，生成第二动作数据；
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的第一风格编码；
通过预设的损失函数，更新所述初始化的风格编码，以得到更新后的风格编码；
所述第一风格编码和所述更新后的风格编码之间的差异用于更新所述编码器。
24.根据权利要求22或23所述的装置，其特征在于，所述音频特征与音量和/或音高有关。
25.根据权利要求22至24任一所述的装置，其特征在于，所述多个分割点位置包括相邻的第一位置和第二位置，所述第二位置和所述第一位置的时间间隔在预设范围内；所述第一位置和所述第二位置为通过如下方式的一种确定的：
所述第一位置和所述第二位置为所述语音数据中的onset点；
所述第一位置为所述语音数据中的onset点，所述第二位置不为所述语音数据中的onset点，且所述第二位置为所述语音数据中音量大于阈值的时间点。
26.根据权利要求22至25任一所述的装置，其特征在于，所述语音数据以及指示所述多个分割点位置的信息，包括：
根据所述多个分割点位置，将所述语音数据划分成的多个语音片段；或者，
所述语音数据以及指示所述多个分割点位置的字符。
27.根据权利要求22至26任一所述的装置，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中靠近输出层的一个或多个网络层输出的特征表示，确定所述身体动作的动作类别；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述动作类别，通过动作生成网络，生成第二动作数据。
28.根据权利要求22至27任一所述的装置，其特征在于，所述特征提取网络包括多个串连的网络层，所述特征表示包括所述多个网络层输出的特征表示，所述处理模块，还用于：
根据所述多个网络层中远离输出层的一个或多个网络层输出的特征表示，通过编码器，得到所述身体动作的风格编码；
所述处理模块，具体用于：
根据所述多个网络层输出的特征表示中的部分或全部、以及所述风格编码，通过动作生成网络，生成第二动作数据。
29.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机执行权利要求1至14中任一项所述方法的操作。
30.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至14任一所述的方法。
31.一种系统，包括至少一个处理器，至少一个存储器；所述处理器、所述存储器通过通信总线连接并完成相互间的通信；
所述至少一个存储器用于存储代码；
所述至少一个处理器用于执行所述代码，以执行如权利要求1至14任一所述的方法。
CN202211071943.4A 2022-09-02 2022-09-02 一种数据处理方法及其装置 Pending CN115866291A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211071943.4A CN115866291A (zh) 2022-09-02 2022-09-02 一种数据处理方法及其装置
PCT/CN2023/116552 WO2024046473A1 (zh) 2022-09-02 2023-09-01 一种数据处理方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211071943.4A CN115866291A (zh) 2022-09-02 2022-09-02 一种数据处理方法及其装置

Publications (1)

Publication Number Publication Date
CN115866291A true CN115866291A (zh) 2023-03-28

Family

ID=85660751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211071943.4A Pending CN115866291A (zh) 2022-09-02 2022-09-02 一种数据处理方法及其装置

Country Status (2)

Country Link
CN (1) CN115866291A (zh)
WO (1) WO2024046473A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024046473A1 (zh) * 2022-09-02 2024-03-07 华为技术有限公司 一种数据处理方法及其装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11176935B2 (en) * 2019-02-15 2021-11-16 Wipro Limited System and method for controlling devices through voice interaction
CN113763532B (zh) * 2021-04-19 2024-01-19 腾讯科技（深圳）有限公司 基于三维虚拟对象的人机交互方法、装置、设备及介质
CN113750523A (zh) * 2021-04-19 2021-12-07 腾讯科技（深圳）有限公司 三维虚拟对象的动作生成方法、装置、设备及存储介质
CN113192161B (zh) * 2021-04-22 2022-10-18 清华珠三角研究院 一种虚拟人形象视频生成方法、系统、装置及存储介质
CN114911973A (zh) * 2022-05-09 2022-08-16 网易（杭州）网络有限公司 动作生成方法、装置、电子设备及存储介质
CN115866291A (zh) * 2022-09-02 2023-03-28 华为技术有限公司 一种数据处理方法及其装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024046473A1 (zh) * 2022-09-02 2024-03-07 华为技术有限公司 一种数据处理方法及其装置

Also Published As

Publication number Publication date
WO2024046473A1 (zh) 2024-03-07

Similar Documents

Publication Publication Date Title
CN111951805A (zh) 一种文本数据处理方法及装置
CN113421547B (zh) 一种语音处理方法及相关设备
WO2020147369A1 (zh) 自然语言处理方法、训练方法及数据处理设备
CN113065636A (zh) 一种卷积神经网络的剪枝处理方法、数据处理方法及设备
CN113065635A (zh) 一种模型的训练方法、图像增强方法及设备
CN111191136A (zh) 一种信息推荐方法以及相关设备
CN115512005A (zh) 一种数据处理方法及其装置
WO2024083121A1 (zh) 一种数据处理方法及其装置
CN114065900A (zh) 数据处理方法和数据处理装置
CN115293227A (zh) 一种模型训练方法及相关设备
CN116737895A (zh) 一种数据处理方法及相关设备
CN113948060A (zh) 一种网络训练方法、数据处理方法及相关设备
CN115688937A (zh) 一种模型训练方法及其装置
CN112529149A (zh) 一种数据处理方法及相关装置
CN116861850A (zh) 一种数据处理方法及其装置
CN115238909A (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
CN115879508A (zh) 一种数据处理方法及相关装置
WO2024046473A1 (zh) 一种数据处理方法及其装置
CN111695419B (zh) 一种图像数据处理方法及相关装置
CN116910202A (zh) 一种数据处理方法及相关设备
CN117077653A (zh) 一种可控生成的方法及其装置
CN115795025A (zh) 一种摘要生成方法及其相关设备
CN117273074A (zh) 一种数据处理方法及其装置
CN116052714A (zh) 一种数据处理方法及其装置
CN116109449A (zh) 一种数据处理方法及相关设备

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