CN117994833A - 人脸视频生成方法、装置及电子设备 - Google Patents

Abstract

本公开提供了人脸视频生成方法、装置及电子设备，涉及人工智能技术领域，尤其涉及深度学习、大数据、计算机视觉、语音技术等技术领域。具体实现方案为：获取口型多媒体资源以及目标对象的参考人脸图像；获取目标对象的参考风格向量；针对口型多媒体资源中的每个资源帧，对资源帧进行特征提取处理，得到口型驱动特征；根据口型驱动特征、参考人脸图像以及参考风格向量，生成资源帧对应的风格人脸图像；进而确定目标对象的风格人脸视频；其中，目标对象的参考风格向量，能够体现目标对象的个性化口型风格，确保生成的风格人脸视频能够体现目标对象的个性化口型风格，从而提高生成的风格人脸视频的准确度。

Description

人脸视频生成方法、装置及电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、大数据、计算机视觉、语音技术等技术领域，尤其涉及一种人脸视频生成方法、装置及电子设备。

背景技术

目前的人脸口型驱动方案主要为，获取人脸口型驱动模型；获取目标对象的人脸图像，以及音频或者视频；将音频或者视频，以及目标对象的人脸图像，输入人脸口型驱动模型，获取人脸口型驱动模型输出的目标对象的人脸视频。

上述方案中，人脸口型驱动模型为通用的人脸口型驱动模型，输出的人脸视频，为通用风格下目标对象的人脸视频，难以体现不同目标对象的个性化口型风格，导致生成的人脸视频的准确度低。

发明内容

本公开提供了一种人脸视频生成方法、装置及电子设备。

根据本公开的一方面，提供了一种人脸视频生成方法，所述方法包括：获取口型多媒体资源以及目标对象的参考人脸图像；获取所述目标对象的参考风格向量；针对所述口型多媒体资源中的每个资源帧，对所述资源帧进行特征提取处理，得到口型驱动特征；根据所述口型驱动特征、所述参考人脸图像以及所述参考风格向量，生成所述资源帧对应的风格人脸图像；根据所述口型多媒体资源中各个资源帧对应的风格人脸图像，确定所述目标对象的风格人脸视频。

根据本公开的另一方面，提供了一种人脸口型驱动模型的训练方法，所述方法包括：获取经过预训练的人脸口型驱动模型以及编码网络；所述人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；所述样本口型多媒体资源中的样本资源帧，与所述样本风格人脸视频中的样本视频帧一一对应；针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取所述编码网络输出的预测风格向量；将所述预测风格向量、所述样本口型驱动特征以及所述样本参考人脸图像输入所述人脸驱动网络，获取所述人脸驱动网络输出的预测风格人脸图像；根据所述预测风格向量所属的分布、高斯分布、所述预测风格人脸图像以及所述样本资源帧对应的样本视频帧，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

根据本公开的另一方面，提供了一种人脸视频生成装置，所述装置包括：第一获取模块，用于获取口型多媒体资源以及目标对象的参考人脸图像；第二获取模块，用于获取所述目标对象的参考风格向量；特征提取模块，用于针对所述口型多媒体资源中的每个资源帧，对所述资源帧进行特征提取处理，得到口型驱动特征；生成模块，用于根据所述口型驱动特征、所述参考人脸图像以及所述参考风格向量，生成所述资源帧对应的风格人脸图像；确定模块，用于根据所述口型多媒体资源中各个资源帧对应的风格人脸图像，确定所述目标对象的风格人脸视频。

根据本公开的另一方面，提供了一种人脸口型驱动模型的训练装置，所述装置包括：第一获取模块，用于获取经过预训练的人脸口型驱动模型以及编码网络；所述人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；第二获取模块，用于获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；所述样本口型多媒体资源中的样本资源帧，与所述样本风格人脸视频中的样本视频帧一一对应；第三获取模块，用于针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取所述编码网络输出的预测风格向量；第四获取模块，用于将所述预测风格向量、所述样本口型驱动特征以及所述样本参考人脸图像输入所述人脸驱动网络，获取所述人脸驱动网络输出的预测风格人脸图像；训练模块，用于根据所述预测风格向量所属的分布、高斯分布、所述预测风格人脸图像以及所述样本资源帧对应的样本视频帧，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述提出的人脸视频生成方法；或者执行本公开上述提出的人脸口型驱动模型的训练方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开上述提出的人脸视频生成方法；或者执行本公开上述提出的人脸口型驱动模型的训练方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述提出的人脸视频生成方法的步骤；或者实现本公开上述提出的人脸口型驱动模型的训练方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是人脸口型驱动模型的训练示意图；

图5是根据本公开第四实施例的示意图；

图6是根据本公开第五实施例的示意图；

图7是用来实现本公开实施例的人脸视频生成方法或者人脸口型驱动模型的训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

目前的人脸口型驱动方案主要为，获取人脸口型驱动模型；获取目标对象的人脸图像，以及音频或者视频；将音频或者视频，以及目标对象的人脸图像，输入人脸口型驱动模型，获取人脸口型驱动模型输出的目标对象的人脸视频。

上述方案中，人脸口型驱动模型为通用的人脸口型驱动模型，输出的人脸视频，为通用风格下目标对象的人脸视频，难以体现不同目标对象的个性化口型风格，导致生成的人脸视频的准确度低。

针对上述问题，本公开提出一种人脸视频生成方法、装置及电子设备。

图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的人脸视频生成方法可应用于人脸视频生成装置，该装置可以设置在电子设备中，以使电子设备可以执行人脸视频生成功能。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备、智能音箱等具有各种操作系统、触摸屏和/或显示屏的硬件设备。以下实施例中，以执行主体为电子设备为例进行说明。

如图1所示，该人脸视频生成方法可以包括如下步骤：

步骤101，获取口型多媒体资源以及目标对象的参考人脸图像。

在本公开实施例中，口型多媒体资源，为非目标对象的口型多媒体资源；或者，为合成得到的口型多媒体资源。

其中，一种示例中，口型多媒体资源，为非目标对象的口型多媒体资源。其中，非目标对象与目标对象为不同的对象。其中，在目标对象属于某个对象集合的情况下，非目标对象可以为该对象集合中除目标对象之前的对象。其中，口型多媒体资源，可以为一个非目标对象的口型多媒体资源；或者，多个非目标对象的口型多媒体资源进行拼接得到的资源。

其中，另一种示例中，口型多媒体资源，为合成得到的口型多媒体资源。其中，合成得到的口型多媒体资源，可以为针对某个角色的合成口型多媒体资源；或者，多个角色的合成口型多媒体资源进行拼接得到的资源。其中的角色，例如，动画角色等。

其中，口型多媒体资源的获取方式的多样性，方便电子设备通过较低成本快速方便的获取口型多媒体资源，降低口型多媒体资源的获取成本。

在本公开实施例中，口型多媒体资源可以为，口型音频或者口型视频。其中，口型视频，可以为未设置音频，且其中包含对象说话动作的视频；或者，设置有音频，且其中包含对象说话动作的视频。其中，口型音频，为对应有一系列对象说话动作的音频。也就是说，音频中的部分音频帧，与对象说话动作保持一致，为对象进行说话动作后产生的音频帧。

其中，口型音频或者口型视频的设置，方便电子设备根据需要选择合适的口型多媒体资源，进一步降低口型多媒体资源的获取成本。

步骤102，获取目标对象的参考风格向量。

在本公开实施例中，目标对象的参考风格向量，可以结合目标对象的任意一个人脸图像确定得到。其中，人脸图像中可以包含目标对象的口型图像区域，从中可以提取到能够体现目标对象的口型风格的参考风格向量。对应的，电子设备执行步骤102的过程例如可以为，将目标对象的人脸图像输入风格向量提取模型，获取所述风格向量提取模型输出的参考风格向量。其中，目标对象的人脸图像，可以为目标对象的任意一个人脸图像，还可以为目标对象的参考人脸图像。

其中，风格向量提取模型，可以结合正样本对和负样本对训练得到。其中，正样本对中可以包括相同对象的两个人脸图像；负样本对中可以包括不同对象的两个人脸图像。

步骤103，针对口型多媒体资源中的每个资源帧，对资源帧进行特征提取处理，得到口型驱动特征。

在本公开实施例中，电子设备执行步骤103的过程例如可以为，针对口型多媒体资源中的每个资源帧，将资源帧输入人脸口型驱动模型中的特征提取网络，获取特征提取网络输出的口型驱动特征。

其中，在口型多媒体资源为口型音频的情况下，资源帧可以为音频帧。在口型多媒体资源为口型视频的情况下，资源帧可以为视频帧。

步骤104，根据口型驱动特征、参考人脸图像以及参考风格向量，生成资源帧对应的风格人脸图像。

在本公开实施例中，一种示例中，电子设备执行步骤104的过程例如可以为，将口型驱动特征、参考人脸图像以及参考风格向量输入人脸口型驱动模型中的人脸驱动网络，获取人脸驱动网络输出的风格人脸图像。

另一种示例中，电子设备执行步骤104的过程例如可以为，根据口型驱动特征以及参考风格向量，确定风格口型驱动特征；根据风格口型驱动特征以及参考人脸图像，生成资源帧对应的风格人脸图像。

其中，风格口型驱动特征，能够体现目标对象的个性化口型风格，确保生成的风格人脸视频能够体现目标对象的个性化口型风格，进一步提高生成的风格人脸视频的准确度。

步骤105，根据口型多媒体资源中各个资源帧对应的风格人脸图像，确定目标对象的风格人脸视频。

在本公开实施例中，电子设备执行步骤105的过程例如可以为，按照口型多媒体资源中各个资源帧的排序顺序，对各个风格人脸图像进行排序组合处理，得到目标对象的风格人脸图像。

本公开实施例的人脸视频生成方法，通过获取口型多媒体资源以及目标对象的参考人脸图像；获取目标对象的参考风格向量；针对口型多媒体资源中的每个资源帧，对资源帧进行特征提取处理，得到口型驱动特征；根据口型驱动特征、参考人脸图像以及参考风格向量，生成资源帧对应的风格人脸图像；根据口型多媒体资源中各个资源帧对应的风格人脸图像，确定目标对象的风格人脸视频；其中，目标对象的参考风格向量，能够体现目标对象的个性化口型风格，确保生成的风格人脸视频能够体现目标对象的个性化口型风格，从而提高生成的风格人脸视频的准确度。

其中，电子设备可以根据样本资源帧、样本参考人脸图像以及样本视频帧，从各个候选高斯分布中选择目标高斯分布，进而将满足目标高斯分布的风格向量作为目标对象的参考风格向量，从而能够准确快速的得到目标对象的参考风格向量，减少确定参考风格向量时的数据处理量。如图2所示，图2是根据本公开第二实施例的示意图，图2所示实施例可以包括以下步骤：

步骤201，获取口型多媒体资源以及目标对象的参考人脸图像。

步骤202，获取各个候选高斯分布。

其中，各个候选高斯分布的均值数值和/或方差数值不同。

步骤203，获取样本口型多媒体资源中的样本资源帧、目标对象的样本参考人脸图像、以及目标对象的样本风格人脸视频中与样本资源帧对应的样本视频帧。

在本公开实施例中，样本口型多媒体资源中样本资源帧的口型特征与样本风格人脸视频中样本视频帧的口型特征匹配。对应的，电子设备执行步骤203的过程例如可以为，获取多个口型多媒体资源，以及目标对象的多个风格人脸视频；针对每个口型多媒体资源，确定其中各个资源帧的第一口型特征；针对目标对象的每个风格人脸视频，确定其中各个视频帧的第二口型特征；获取多个视频组合，其中每个视频组合中包括一个口型多媒体资源以及目标对象的一个风格人脸视频；针对每个视频组合，根据视频组合中口型多媒体资源的多个第一口型特征以及风格人脸视频的多个第二口型特征，确定视频组合中口型多媒体资源与风格人脸视频之间的口型特征匹配度；在口型特征匹配度满足预设的匹配度条件时，将该视频组合中的口型多媒体资源，作为样本口型多媒体资源；将该视频组合中的风格人脸视频，作为样本风格人脸视频。

步骤204，根据样本资源帧、样本参考人脸图像以及样本视频帧，从各个候选高斯分布中选择目标高斯分布。

在本公开实施例中，电子设备执行步骤204的过程例如可以为，确定样本资源帧的样本口型驱动特征；依次针对各个候选高斯分布，确定符合候选高斯分布的候选风格向量；根据候选风格向量、样本参考人脸图像以及样本口型驱动特征，生成预测风格人脸图像；在预测风格人脸图像与样本视频帧之间的相似度满足相似度条件时，将候选高斯分布，确定为目标高斯分布。

其中，候选风格向量中可以包括多个维度的数值。符合候选高斯分布的候选风格向量，是指，候选风格向量中多个维度的数值符合高斯分布。

其中，候选高斯分布的数量较少，依次针对各个候选高斯分布，确定符合候选高斯分布的候选风格向量；根据候选风格向量、样本参考人脸图像以及样本口型驱动特征，生成预测风格人脸图像，进而选择目标高斯分布，能够缩短目标高斯分布的获取时间，减少确定目标高斯分布时的数据处理量，提高选择得到的目标高斯分布的准确度。

步骤205，将满足目标高斯分布的风格向量，作为目标对象的参考风格向量。

步骤206，针对口型多媒体资源中的每个资源帧，对资源帧进行特征提取处理，得到口型驱动特征。

步骤207，根据口型驱动特征、参考人脸图像以及参考风格向量，生成资源帧对应的风格人脸图像。

步骤208，根据口型多媒体资源中各个资源帧对应的风格人脸图像，确定目标对象的风格人脸视频。

其中，需要说明的是，步骤201，步骤206至步骤208的详细说明，可以参考图1实施例中步骤101，步骤103至步骤105的详细描述，此处不再进行详细描述。

本公开实施例的人脸视频生成方法，通过获取口型多媒体资源以及目标对象的参考人脸图像；获取各个候选高斯分布；获取样本口型多媒体资源中的样本资源帧、目标对象的样本参考人脸图像、以及目标对象的样本风格人脸视频中与样本资源帧对应的样本视频帧；根据样本资源帧、样本参考人脸图像以及样本视频帧，从各个候选高斯分布中选择目标高斯分布；将满足目标高斯分布的风格向量，作为目标对象的参考风格向量；针对口型多媒体资源中的每个资源帧，对资源帧进行特征提取处理，得到口型驱动特征；根据口型驱动特征、参考人脸图像以及参考风格向量，生成资源帧对应的风格人脸图像；根据口型多媒体资源中各个资源帧对应的风格人脸图像，确定目标对象的风格人脸视频，其中，目标对象的参考风格向量的设置，以及根据样本资源帧、样本参考人脸图像以及样本视频帧，从各个候选高斯分布中选择目标高斯分布，进而得到符合目标高斯分布的参考风格向量，确保生成的风格人脸视频能够体现目标对象的个性化口型风格，从而提高生成的风格人脸视频的准确度。

图3是根据本公开第三实施例的示意图，需要说明的是，本公开实施例的人脸口型驱动模型的训练方法可应用于人脸口型驱动模型的训练装置，该装置可以设置在电子设备中，以使电子设备可以执行人脸口型驱动模型的训练功能。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备、智能音箱等具有各种操作系统、触摸屏和/或显示屏的硬件设备。以下实施例中，以执行主体为电子设备为例进行说明。

如图3所示，该人脸口型驱动模型的训练方法可以包括如下步骤：

步骤301，获取经过预训练的人脸口型驱动模型以及编码网络；人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络。

在本公开实施例中，编码网络的输入可以与特征提取网络的输出连接；编码网络的输出可以与人脸驱动网络的输入连接。

其中，编码网络例如可以为，条件变分自编码器(Conditional VariationalAutoencoder，CVAE)中的编码器。其中，CVAE中可以包括一个编码器和一个解码器。其中的编码器，用于对输入进行特征提取并转换为一个特定的高斯分布，从中选择一个随机向量作为输出。其中的解码器，用于对输入进行反卷积操作，从潜在分布的特征中重建大脑体积结构像，作为输出。

步骤302，获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；样本口型多媒体资源中的样本资源帧，与样本风格人脸视频中的样本视频帧一一对应。

在本公开实施例中，电子设备执行步骤302的过程例如可以为，获取样本口型多媒体资源、样本参考人脸图像、以及样本风格人脸视频；针对样本口型多媒体资源中的每个样本资源帧，将样本资源帧输入人脸口型驱动模型中的特征提取网络，获取特征提取网络输出的样本资源帧的样本口型驱动特征。

其中，样本口型多媒体资源，可以为任意一个或者多个对象的口型多媒体资源。样本风格人脸视频，也可以为任意一个或者多个对象的风格人脸视频。其中，样本口型多媒体资源对应的对象，与样本风格人脸视频对应的对象，可以相同或者不同。样本口型多媒体资源对应的对象的数量，与样本风格人脸视频对应的对象的数量，可以一致或者不一致。

其中，结合人脸口型驱动模型中的特征提取网络，对样本口型多媒体资源中的样本资源帧进行特征提取处理，能够提高确定得到的样本口型驱动特征的准确度。

在本公开实施例中，电子设备获取样本口型多媒体资源、样本参考人脸图像、以及样本风格人脸视频的过程例如可以为，获取样本人脸视频；将样本人脸视频，作为样本风格人脸视频；将样本人脸视频或者样本人脸视频中的音频，作为样本口型多媒体资源；将样本人脸视频中的任意一个视频帧，作为样本参考人脸图像。

其中，根据样本人脸视频，分别确定样本口型多媒体资源、样本风格人脸视频以及样本参考人脸图像，能够减少获取样本口型多媒体资源、样本风格人脸视频以及样本参考人脸图像的成本，提高获取效率，从而进一步提高人脸口型驱动模型的训练速度。

步骤303，针对样本口型多媒体资源中的每个样本资源帧，将样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取编码网络输出的预测风格向量。

步骤304，将预测风格向量、样本口型驱动特征以及样本参考人脸图像输入人脸驱动网络，获取人脸驱动网络输出的预测风格人脸图像。

步骤305，根据预测风格向量所属的分布、高斯分布、预测风格人脸图像以及样本资源帧对应的样本视频帧，对编码网络以及人脸口型驱动模型中的人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

在本公开实施例中，电子设备执行步骤305的过程例如可以为，根据预测风格向量所属的分布、高斯分布以及第一子损失函数，确定第一子损失函数的数值；根据预测风格人脸图像、样本资源帧对应的样本视频帧以及第二子损失函数，确定第二子损失函数的数值；根据第一子损失函数的数值以及第二子损失函数的数值，确定损失函数的数值；根据损失函数的数值，对编码网络以及人脸口型驱动模型中的人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

其中，预测风格向量所属的分布，可以为概率分布。其中，概率分布可以包括以下至少一种：二项分布、多项分布、超几何分布、泊松分布、正态分布、指数分布、均匀分布等。其中，电子设备确定预测风格向量所属的分布的过程例如可以为，根据预测风格向量，确定至少一种分布假设；针对每种分布假设，确定该分布假设下的分布参数，以及该分布参数下分布假设与预测风格向量之间的拟合程度；根据多种分布假设下的拟合程度，从多种分布假设中选择预测风格向量的目标分布假设；根据目标分布假设以及该目标分布假设下的分布参数，确定预测风格向量所属的分布。

其中，第一子损失函数例如可以为KL散度。其中，KL散度是一种衡量两个概率分布之间差异的度量方法。结合KL散度的计算公式，可以确定高斯分布以及预测风格向量所属的分布之间的差异。

其中，结合预测风格向量所属的分布、高斯分布、预测风格人脸图像以及样本资源帧对应的样本视频帧，确定第一子损失函数的数值以及第二子损失函数的数值，进而对编码网络以及人脸驱动网络进行参数调整处理，可以使得训练好的人脸驱动网络，能够结合符合高斯分布的风格向量，生成具有个性化风格的风格人脸视频，提高生成的风格人脸视频的准确度。

本公开实施例的人脸口型驱动模型的训练方法，通过获取经过预训练的人脸口型驱动模型以及编码网络；人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；样本口型多媒体资源中的样本资源帧，与样本风格人脸视频中的样本视频帧一一对应；针对样本口型多媒体资源中的每个样本资源帧，将样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取编码网络输出的预测风格向量；将预测风格向量、样本口型驱动特征以及样本参考人脸图像输入人脸驱动网络，获取人脸驱动网络输出的预测风格人脸图像；根据预测风格向量所属的分布、高斯分布、预测风格人脸图像以及样本资源帧对应的样本视频帧，对编码网络以及人脸口型驱动模型中的人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型，进而进行风格人脸视频生成处理；其中，训练好的人脸驱动网络，能够结合符合高斯分布的风格向量，生成具有个性化风格的风格人脸视频，进一步提高生成的风格人脸视频的准确度。

以下举例进行说明。如图4所示，是人脸口型驱动模型的训练示意图。在图4中，(1)将图像/音频帧(样本口型多媒体资源中的样本资源帧)输入人脸口型驱动模型中的特征提取网络，获取特征提取网络输出的驱动特征(样本口型驱动特征)。(2)将驱动特征以及人脸图像(真值)输入编码器(编码网络)，获取编码器输出的风格向量(预测风格向量)。其中，人脸图像(真值)，即，样本资源帧对应的样本视频帧。(3)将驱动特征以及风格向量输入人脸口型驱动模型中的人脸驱动网络，获取人脸驱动网络输出的人脸图像(预测风格人脸图像)。(4)结合高斯分布以及风格向量，确定KL loss(第一子损失函数的数值)；结合人脸驱动网络输出的人脸图像以及人脸图像(真值)，确定像素loss(第二子损失函数的数值)；进而对编码器和人脸驱动网络进行训练处理，以获取训练好的人脸口型驱动模型。

为了实现上述实施例，本公开还提供一种人脸视频生成装置。如图5所示，图5是根据本公开第四实施例的示意图。该人脸视频生成装置50，可以包括：第一获取模块501、第二获取模块502、特征提取模块503、生成模块504和确定模块505。

其中，第一获取模块501，用于获取口型多媒体资源以及目标对象的参考人脸图像；第二获取模块502，用于获取所述目标对象的参考风格向量；特征提取模块503，用于针对所述口型多媒体资源中的每个资源帧，对所述资源帧进行特征提取处理，得到口型驱动特征；生成模块504，用于根据所述口型驱动特征、所述参考人脸图像以及所述参考风格向量，生成所述资源帧对应的风格人脸图像；确定模块505，用于根据所述口型多媒体资源中各个资源帧对应的风格人脸图像，确定所述目标对象的风格人脸视频。

作为本公开实施例的一种可能实现方式，所述参考风格向量符合高斯分布；所述第二获取模块502包括，第一获取单元、第二获取单元、选择单元和确定单元；所述第一获取单元，用于获取各个候选高斯分布；所述第二获取单元，用于获取样本口型多媒体资源中的样本资源帧、所述目标对象的样本参考人脸图像、以及所述目标对象的样本风格人脸视频中与所述样本资源帧对应的样本视频帧；所述选择单元，用于根据所述样本资源帧、所述样本参考人脸图像以及所述样本视频帧，从各个候选高斯分布中选择目标高斯分布；所述确定单元，用于将满足所述目标高斯分布的风格向量，作为所述目标对象的参考风格向量。

作为本公开实施例的一种可能实现方式，所述选择单元具体用于，确定所述样本资源帧的样本口型驱动特征；依次针对各个候选高斯分布，确定符合所述候选高斯分布的候选风格向量；根据所述候选风格向量、所述样本参考人脸图像以及所述样本口型驱动特征，生成预测风格人脸图像；在所述预测风格人脸图像与所述样本视频帧之间的相似度满足相似度条件时，将所述候选高斯分布，确定为所述目标高斯分布。

作为本公开实施例的一种可能实现方式，所述生成模块504具体用于，根据所述口型驱动特征以及所述参考风格向量，确定风格口型驱动特征；根据所述风格口型驱动特征以及所述参考人脸图像，生成所述资源帧对应的风格人脸图像。

作为本公开实施例的一种可能实现方式，所述口型多媒体资源为，口型音频或者口型视频。

作为本公开实施例的一种可能实现方式，所述口型多媒体资源，为非目标对象的口型多媒体资源；或者，为合成得到的口型多媒体资源。

本公开实施例的人脸视频生成装置，通过获取口型多媒体资源以及目标对象的参考人脸图像；获取目标对象的参考风格向量；针对口型多媒体资源中的每个资源帧，对资源帧进行特征提取处理，得到口型驱动特征；根据口型驱动特征、参考人脸图像以及参考风格向量，生成资源帧对应的风格人脸图像；根据口型多媒体资源中各个资源帧对应的风格人脸图像，确定目标对象的风格人脸视频；其中，目标对象的参考风格向量，能够体现目标对象的个性化口型风格，确保生成的风格人脸视频能够体现目标对象的个性化口型风格，从而提高生成的风格人脸视频的准确度。

为了实现上述实施例，本公开还提供一种人脸口型驱动模型的训练装置。如图6所示，图6是根据本公开第五实施例的示意图。该人脸口型驱动模型的训练装置60，可以包括：第一获取模块601、第二获取模块602、第三获取模块603、第四获取模块604和训练模块605。

其中，第一获取模块601，用于获取经过预训练的人脸口型驱动模型以及编码网络；所述人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；第二获取模块602，用于获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；所述样本口型多媒体资源中的样本资源帧，与所述样本风格人脸视频中的样本视频帧一一对应；第三获取模块603，用于针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取所述编码网络输出的预测风格向量；第四获取模块604，用于将所述预测风格向量、所述样本口型驱动特征以及所述样本参考人脸图像输入所述人脸驱动网络，获取所述人脸驱动网络输出的预测风格人脸图像；训练模块605，用于根据所述预测风格向量所属的分布、高斯分布、所述预测风格人脸图像以及所述样本资源帧对应的样本视频帧，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

作为本公开实施例的一种可能实现方式，所述第二获取模块602包括，第一获取单元和第二获取单元；所述第一获取单元，用于获取所述样本口型多媒体资源、所述样本参考人脸图像、以及所述样本风格人脸视频；所述第二获取单元，用于针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧输入所述人脸口型驱动模型中的特征提取网络，获取所述特征提取网络输出的所述样本资源帧的样本口型驱动特征。

作为本公开实施例的一种可能实现方式，所述第一获取单元具体用于，获取样本人脸视频；将所述样本人脸视频，作为所述样本风格人脸视频；将所述样本人脸视频或者所述样本人脸视频中的音频，作为所述样本口型多媒体资源；将所述样本人脸视频中的任意一个视频帧，作为所述样本参考人脸图像。

作为本公开实施例的一种可能实现方式，所述训练模块605具体用于，根据所述预测风格向量所属的分布、所述高斯分布以及第一子损失函数，确定所述第一子损失函数的数值；根据所述预测风格人脸图像、所述样本资源帧对应的样本视频帧以及第二子损失函数，确定所述第二子损失函数的数值；根据所述第一子损失函数的数值以及所述第二子损失函数的数值，确定损失函数的数值；根据所述损失函数的数值，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

本公开实施例的人脸口型驱动模型的训练装置，通过获取经过预训练的人脸口型驱动模型以及编码网络；人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；样本口型多媒体资源中的样本资源帧，与样本风格人脸视频中的样本视频帧一一对应；针对样本口型多媒体资源中的每个样本资源帧，将样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取编码网络输出的预测风格向量；将预测风格向量、样本口型驱动特征以及样本参考人脸图像输入人脸驱动网络，获取人脸驱动网络输出的预测风格人脸图像；根据预测风格向量所属的分布、高斯分布、预测风格人脸图像以及样本资源帧对应的样本视频帧，对编码网络以及人脸口型驱动模型中的人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型，进而进行风格人脸视频生成处理；其中，训练好的人脸驱动网络，能够结合符合高斯分布的风格向量，生成具有个性化风格的风格人脸视频，进一步提高生成的风格人脸视频的准确度。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。

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

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如人脸视频生成方法或者人脸口型驱动模型的训练方法。例如，在一些实施例中，人脸视频生成方法或者人脸口型驱动模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的人脸视频生成方法或者人脸口型驱动模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸视频生成方法或者人脸口型驱动模型的训练方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

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

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种人脸视频生成方法，所述方法包括：

获取口型多媒体资源以及目标对象的参考人脸图像；

获取所述目标对象的参考风格向量；

针对所述口型多媒体资源中的每个资源帧，对所述资源帧进行特征提取处理，得到口型驱动特征；

根据所述口型驱动特征、所述参考人脸图像以及所述参考风格向量，生成所述资源帧对应的风格人脸图像；

根据所述口型多媒体资源中各个资源帧对应的风格人脸图像，确定所述目标对象的风格人脸视频。

2.根据权利要求1所述的方法，其中，所述参考风格向量符合高斯分布；所述获取所述目标对象的参考风格向量，包括：

获取各个候选高斯分布；

获取样本口型多媒体资源中的样本资源帧、所述目标对象的样本参考人脸图像、以及所述目标对象的样本风格人脸视频中与所述样本资源帧对应的样本视频帧；

根据所述样本资源帧、所述样本参考人脸图像以及所述样本视频帧，从各个候选高斯分布中选择目标高斯分布；

将满足所述目标高斯分布的风格向量，作为所述目标对象的参考风格向量。

3.根据权利要求2所述的方法，其中，所述根据所述样本资源帧、所述样本参考人脸图像以及所述样本视频帧，从各个候选高斯分布中选择目标高斯分布，包括：

确定所述样本资源帧的样本口型驱动特征；

依次针对各个候选高斯分布，确定符合所述候选高斯分布的候选风格向量；

根据所述候选风格向量、所述样本参考人脸图像以及所述样本口型驱动特征，生成预测风格人脸图像；

在所述预测风格人脸图像与所述样本视频帧之间的相似度满足相似度条件时，将所述候选高斯分布，确定为所述目标高斯分布。

4.根据权利要求1所述的方法，其中，所述根据所述口型驱动特征、所述参考人脸图像以及所述参考风格向量，生成所述资源帧对应的风格人脸图像，包括：

根据所述口型驱动特征以及所述参考风格向量，确定风格口型驱动特征；

根据所述风格口型驱动特征以及所述参考人脸图像，生成所述资源帧对应的风格人脸图像。

5.根据权利要求1所述的方法，其中，所述口型多媒体资源为，口型音频或者口型视频。

6.根据权利要求1所述的方法，其中，所述口型多媒体资源，为非目标对象的口型多媒体资源；或者，为合成得到的口型多媒体资源。

7.一种人脸口型驱动模型的训练方法，所述方法包括：

获取经过预训练的人脸口型驱动模型以及编码网络；所述人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；

获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；所述样本口型多媒体资源中的样本资源帧，与所述样本风格人脸视频中的样本视频帧一一对应；

针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取所述编码网络输出的预测风格向量；

将所述预测风格向量、所述样本口型驱动特征以及所述样本参考人脸图像输入所述人脸驱动网络，获取所述人脸驱动网络输出的预测风格人脸图像；

根据所述预测风格向量所属的分布、高斯分布、所述预测风格人脸图像以及所述样本资源帧对应的样本视频帧，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

8.根据权利要求7所述的方法，其中，所述获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频，包括：

获取所述样本口型多媒体资源、所述样本参考人脸图像、以及所述样本风格人脸视频；

针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧输入所述人脸口型驱动模型中的特征提取网络，获取所述特征提取网络输出的所述样本资源帧的样本口型驱动特征。

9.根据权利要求8所述的方法，其中，所述获取所述样本口型多媒体资源、所述样本参考人脸图像、以及所述样本风格人脸视频，包括：

获取样本人脸视频；

将所述样本人脸视频，作为所述样本风格人脸视频；

将所述样本人脸视频或者所述样本人脸视频中的音频，作为所述样本口型多媒体资源；

将所述样本人脸视频中的任意一个视频帧，作为所述样本参考人脸图像。

10.根据权利要求7所述的方法，其中，所述根据所述预测风格向量所属的分布、高斯分布、所述预测风格人脸图像以及所述样本资源帧对应的样本视频帧，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型，包括：

根据所述预测风格向量所属的分布、所述高斯分布以及第一子损失函数，确定所述第一子损失函数的数值；

根据所述预测风格人脸图像、所述样本资源帧对应的样本视频帧以及第二子损失函数，确定所述第二子损失函数的数值；

根据所述第一子损失函数的数值以及所述第二子损失函数的数值，确定损失函数的数值；

根据所述损失函数的数值，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

11.一种人脸视频生成装置，所述装置包括：

第一获取模块，用于获取口型多媒体资源以及目标对象的参考人脸图像；

第二获取模块，用于获取所述目标对象的参考风格向量；

特征提取模块，用于针对所述口型多媒体资源中的每个资源帧，对所述资源帧进行特征提取处理，得到口型驱动特征；

生成模块，用于根据所述口型驱动特征、所述参考人脸图像以及所述参考风格向量，生成所述资源帧对应的风格人脸图像；

确定模块，用于根据所述口型多媒体资源中各个资源帧对应的风格人脸图像，确定所述目标对象的风格人脸视频。

12.根据权利要求11所述的装置，其中，所述参考风格向量符合高斯分布；所述第二获取模块包括，第一获取单元、第二获取单元、选择单元和确定单元；

所述第一获取单元，用于获取各个候选高斯分布；

所述第二获取单元，用于获取样本口型多媒体资源中的样本资源帧、所述目标对象的样本参考人脸图像、以及所述目标对象的样本风格人脸视频中与所述样本资源帧对应的样本视频帧；

所述选择单元，用于根据所述样本资源帧、所述样本参考人脸图像以及所述样本视频帧，从各个候选高斯分布中选择目标高斯分布；

所述确定单元，用于将满足所述目标高斯分布的风格向量，作为所述目标对象的参考风格向量。

13.根据权利要求12所述的装置，其中，所述选择单元具体用于，

确定所述样本资源帧的样本口型驱动特征；

依次针对各个候选高斯分布，确定符合所述候选高斯分布的候选风格向量；

根据所述候选风格向量、所述样本参考人脸图像以及所述样本口型驱动特征，生成预测风格人脸图像；

在所述预测风格人脸图像与所述样本视频帧之间的相似度满足相似度条件时，将所述候选高斯分布，确定为所述目标高斯分布。

14.根据权利要求11所述的装置，其中，所述生成模块具体用于，

根据所述口型驱动特征以及所述参考风格向量，确定风格口型驱动特征；

根据所述风格口型驱动特征以及所述参考人脸图像，生成所述资源帧对应的风格人脸图像。

15.根据权利要求11所述的装置，其中，所述口型多媒体资源为，口型音频或者口型视频。

16.根据权利要求11所述的装置，其中，所述口型多媒体资源，为非目标对象的口型多媒体资源；或者，为合成得到的口型多媒体资源。

17.一种人脸口型驱动模型的训练装置，所述装置包括：

第一获取模块，用于获取经过预训练的人脸口型驱动模型以及编码网络；所述人脸口型驱动模型包括，依次连接的特征提取网络和人脸驱动网络；

第二获取模块，用于获取样本口型多媒体资源中各个样本资源帧的样本口型驱动特征、样本参考人脸图像、以及样本风格人脸视频；所述样本口型多媒体资源中的样本资源帧，与所述样本风格人脸视频中的样本视频帧一一对应；

第三获取模块，用于针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧对应的样本口型驱动特征以及样本视频帧，输入初始的编码网络，获取所述编码网络输出的预测风格向量；

第四获取模块，用于将所述预测风格向量、所述样本口型驱动特征以及所述样本参考人脸图像输入所述人脸驱动网络，获取所述人脸驱动网络输出的预测风格人脸图像；

训练模块，用于根据所述预测风格向量所属的分布、高斯分布、所述预测风格人脸图像以及所述样本资源帧对应的样本视频帧，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

18.根据权利要求17所述的装置，其中，所述第二获取模块包括，第一获取单元和第二获取单元；

所述第一获取单元，用于获取所述样本口型多媒体资源、所述样本参考人脸图像、以及所述样本风格人脸视频；

所述第二获取单元，用于针对所述样本口型多媒体资源中的每个样本资源帧，将所述样本资源帧输入所述人脸口型驱动模型中的特征提取网络，获取所述特征提取网络输出的所述样本资源帧的样本口型驱动特征。

19.根据权利要求18所述的装置，其中，所述第一获取单元具体用于，

获取样本人脸视频；

将所述样本人脸视频，作为所述样本风格人脸视频；

将所述样本人脸视频或者所述样本人脸视频中的音频，作为所述样本口型多媒体资源；

将所述样本人脸视频中的任意一个视频帧，作为所述样本参考人脸图像。

20.根据权利要求17所述的装置，其中，所述训练模块具体用于，

根据所述预测风格向量所属的分布、所述高斯分布以及第一子损失函数，确定所述第一子损失函数的数值；

根据所述预测风格人脸图像、所述样本资源帧对应的样本视频帧以及第二子损失函数，确定所述第二子损失函数的数值；

根据所述第一子损失函数的数值以及所述第二子损失函数的数值，确定损失函数的数值；

根据所述损失函数的数值，对所述编码网络以及所述人脸口型驱动模型中的所述人脸驱动网络进行参数调整处理，以获取训练好的人脸口型驱动模型。

21.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6中任一项所述的人脸视频生成方法；或者，执行权利要求7至10中任一项所述的人脸口型驱动模型的训练方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的人脸视频生成方法；或者，执行根据权利要求7至10中任一项所述的人脸口型驱动模型的训练方法。

23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的人脸视频生成方法；或者，实现根据权利要求7至10中任一项所述的人脸口型驱动模型的训练方法。