JP4037455B2 - 画像合成 - Google Patents
画像合成 Download PDFInfo
- Publication number
- JP4037455B2 JP4037455B2 JP53413797A JP53413797A JP4037455B2 JP 4037455 B2 JP4037455 B2 JP 4037455B2 JP 53413797 A JP53413797 A JP 53413797A JP 53413797 A JP53413797 A JP 53413797A JP 4037455 B2 JP4037455 B2 JP 4037455B2
- Authority
- JP
- Japan
- Prior art keywords
- vowel
- consonant
- phoneme
- mouth shape
- transition
- 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.)
- Expired - Fee Related
Links
- 230000007704 transition Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000013518 transcription Methods 0.000 claims description 2
- 230000035897 transcription Effects 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 13
- 238000013519 translation Methods 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 210000003128 head Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001755 vocal 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
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- 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
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Processing Or Creating Images (AREA)
Description
この発明によると、話された言葉と整合がとれていて、可視アーティキュレーション(articulation)を備えた顔の動画を表わす信号を生成する方法が提供されており、その構成は:
発話の継続している部分に対応する音声学上の表示(発音表記)のシーケンスを受領することと;
第1の類型の各発音表記に対して口の形を識別することと;
第1の類型の発音表記から第2の類型の発音表記への各遷移と、第2の類型の発音表記から第1の類型の発音表記への各遷移と、第2の類型の発音表記から第2の類型の発音表記への各遷移とに対して口の形を識別することと;
識別された形を含んでいる画像フレームのシーケンスを生成することとを含んでいる。
第1と第2の類型はそれぞれ母音と子音であってもよい。したがって、この発明の好ましい実施態様は話されたことばと整合がとれていて可視アーティキュレーションを備えた顔の動画を表わす信号を生成する方法であって、その構成は:
発話の継続するファニーム、即ち音素に対応する初音表記のシーケンスを受領することと;
各母音フォニームに対する口の形を識別することと;
母音フォニームから子音フォニームへの各遷移と、子音フォニームから母音フォニームへの各遷移と、子音フォニームから子音フォニームへの各遷移とに対して口の形を識別することと;
識別された形を含む画像フレームのシーケンスを生成することとを含んでいる。
子音と母音フォニーム間の各遷移に対して口の形を識別することは母音フォニームと子音フォニームとの関数として実行され、また2つの子音間の各遷移に対して口の形を識別することは2つの子音フォニームの第1のものと、それに続くか先方する直近の母音フォニームの関数として実行されてよい。代って、2つの子音間の各遷移に対する口の形の識別は2つの子音フォニームの第1のものとそれを直近で続く母音フォニームか、それがないときには先行する母音フォニームの関数として実行されてよい。
好ましいのは、各遷移に対する識別はこういった遷移と関係して上で特定したフォニームだけの関数として実行されることである。代って、識別は同じ単語内の少くとも1つの他のフォニームの関数として実行することもできる。
好ましいやり方では、各識別された口の形に対して、その形を特定する指令と、中間の指令でその各々が前と後との指令によって特定される形の中間の形を特定する指令を生成してもよいようにする。
この発明の別な特徴では、話された言葉と整合する可視アーティキュレーションをもつ顔の動画を表わす信号を生成するための装置が用意されており、その構成は:
動作時に発話の継続する部分に対応する発音表記のシーケンスを受領し、それに応答して
第1の類型の各発音表記に対して口の形を識別し、また
第1の類型の発音表記から第2の類型の発音表記への各遷移と、第2の類型の発音表記から第1の類型の発音表記への各遷移と、及び第2の類型の発音表記から第2の類型の発音表記への各遷移とに対して口の形を識別するようにされた手段と;
該識別された形を含む画像フレームのシーケンスを生成するための手段とを含んでいる。
この発明の実施態様を、例を用いて、添付の図面を参照して記述して行く。
図1は、実施態様の要素を示す機能ブロック図である。
図2は、ヒトの頭部の画像を合成する際に使われる針金枠‘ワイヤフレーム’の平面図、正面図、及び側面図を示す。
図3は、ヒトの頭部の画像の口の部分を合成する際に使われる‘ワイヤフレーム’の同様な図である。
図4は、‘affluence’(アフルーエンス)と言うときのヒトの頭を表わすために画像のシーケンスを合成するときに最大の母音の口の形が生ずる場所を示す。
図5は、同じ単語‘affluence’で最大の母音から子音(及びその逆)の遷移の口の形が生ずる場所を示す。
図6は、同じ単語‘affluence’のアーティキュレーションで残っている口の形を示す。
図7は、同じ単語‘affluence’のアーティキュレーションで口の形の間の遷移を示す。
図8は、画像合成ユニットのための指令信号に発音信号をほん訳するためのユニットの部品を模式的に示す構成図である。
図9は、実施態様の装置の動作を示す流れ図である。
図10は、二重母音と破擦音を成分要素フォニームに変換するプロセスを示す流れ図である。
図11Aないし11Dは入力フォニームファイルに基いて中間出力ファイルを作るためのプロセスを示す。
図12は、中間出力ファイルに基づいて最大の口の形の本質とタイミングとを特定するファイルを作るためのプロセスを示す。
図13Aと13Bとは最大の口の形と中間の口の形との両方を特定するファイルを作るためのプロセスを示す。
図1の装置は、話されることになる単語を、テキストの形で受領し、対応する言語をオーディオ信号の形で生成し、かつ顔の動画の表示のための対応するビデオ信号を生成し、同じ言語と対応している口のアーティキュレーションをもった顔(例えばヒトの顔であったり漫画であったりする)とするような機能を有している。ここでの記述にあたっては、口のアーティキュレーションとしばしば言うがこのアーティキュレーション(特定の発音をする際に含まれる全体としての発声器官の調節や動きを指す:articulation)は唇、口の内部(ときとして歯と舌とを含めて)、あご、及びその周辺の動きも含んでいると理解されたい。例えば全体としての頭部の動きや回転、眉の動きといった他の動きもまた、結果として得られる画像を一層リアルなものとするために含まれていてよい。
記憶されているテキストファイルもしくは他の所望のファイルからのテキストが、入力1でいずれかの便利な規格表示(例えばASC11コード)に従った文字コードの形態で受領される。これは通常構成の言語合成器によって受領されるが、ここでは二つの別な部品、すなわち、テキストから発音表記への変換器2は通常の綴り字を発音表記、例えばフォニームのリストと各々の継続時間に変えるものとして、また言語合成器だけのもの3はこのリストをオーディオ周波数波形に変えるものとして示されている。いずれのフォニーム組も使用できるが、ここでの記述の目的ではイギリスのRP−SAMPA組の使用をして、場合には次の表1に記したイギリス英語(British English)の38の個別フォニームを識別すると仮定している。
音声合成器は通常のものであり、ここではもっと記述することをしない。
フォニームリストはほん訳ユニット4で受領され、それについては以下でもっと詳細に記述する。このユニット4は、フォニームリストから、一連の指令信号を生成し、顔に必要とされる口のアーティキュレーションを特定して、フォニームリストに対応したやり方でそれが動くようにし、それによって合成器3により生成された言語信号と対応する動きとなるようにする。
これらの指令信号は画像合成ユニット5によって受領される。このユニットは単一ビデオフレームもしくは所望の顔の静止画のビットマップ画像をその中に記憶していて、この顔を示す連続したビデオ信号を、動きを伴って生成するように働く。はっきりしていることはこのビデオ信号が希望するどの規格のものでもよく、ここでは毎秒25フレームをもつシステム1(System 1)信号を仮定している。動きは三次元ワイヤフレームモデルの助けをかりて生成される。典型的なこの種のモデルは図2に示されており、口の部分については図3で拡大して示されている。三次元空間内には多数の点(頂点)があり、またこれら頂点を結ぶ直線がファセット(facet)呼ばれる三角形の領域を定義している。実際の装置では、記憶されたデータの組としてモデルが存在し、言い換えると、各頂点に対して頂点番号とそのx,y,z座標とがあり、また各ファセットに対してファセット番号とそのファセットの隅を形成する3つの頂点の番号とがデータとして記憶されている。初期化段階では、ユニット5はこの基準モデルの各ファセットとビットマップ画像の対応する領域との間の写像を判断する。変更されたモデルを繰返し定義することによって動きが作り出され、変更されたモデルでは1又は複数の頂点が基準モデル内で占有していた位置から別な位置に行っていると想定する。ユニット5はそこで新しい二次元のビットマップ画像を生成する必要がある。これをするのは、変更したモデルのいずれかのファセットすなわち基準モデルに対して動いた1又は複数の頂点を識別することにより、このようなファセットの各々に対して、補間プロセスを採用し、このプロセスではもとのビットマップの三角形領域がマッピングによって移動もしくはひずむかあるいは両方をして新しいビットマップ画像内で三角形領域を占有し、このマッピングによって変更したモデルのファセットに対応がとれる。このような新しいビットマップが出力信号の各フレーム(すなわち毎40ミリ秒)に対して生成される。画像合成ユニット5の動作と実施についてももっと詳しいことについては、W.J.Welsh, S.Searby and J.B.Waite“Model Based Image Coding”, Brit.Telecom.Tech.J.vol8, No.3, July 1990を参照とする。
画像合成ユニット5を駆動するために必要とされる指令は、原理上、40ミリ秒毎に、基準モデルとは違う位置の各頂点の番号を、その新しい座標と一緒にユニット5に送れることになっている。しかしながら関心のある動作速度では、ユニット5は動作ユニットの記憶された組を含んでおり、その各々はデータエントリィが次の構成のものとなっている:
−動作ユニット番号(例えば0ないし255)(1バイト)
−この動作ユニットで影響される頂点の番号
−このような各頂点に対して:
その頂点の番号(2バイト)
基準モデル内のその位置からのx座標変位(2バイト)
基準モデル内のその位置からのy座標変位(2バイト)
基準モデル内のその位置からのz座標変位(2バイト)
(もしその方がよければ、無論前のフレームに対するx,y,zのシフトが使える)。
そこで各指令は単に動作ユニット番号に、この動作ユニットによって特定される動きの量を変えるためのスケーリング因子(例えば0ないし255)を追随させたもので構成されてもよいし;あるいはもし望むのであればいくつかを含んでもよい(試作段階では最大5が可能であった)。ユニット5は指令を受領すると、動作ユニットを一覧対照し、記憶している座標シフト(適切にスケールが作られているものとする)を特定の頂点に対して使用する。もし指令が2つの動作ユニットを含み、その両方が特定の頂点の変位を特定するのであれば、この変位は2つの変位の単なるベクトル和である。
ほん訳ユニット4の動作についてここで見ることとし、visemeという概念を導入することが便利である。話された単語がフォニームと呼ばれる要素単位(elemental unit)で構成されると見ることができるのと全く同じに視覚言語(visual speech)もビゼーム(viseme(s):phonemeを音から視覚visionに置きかえた用語)で構成されていると見ることができる。すなわち、視覚言語の最小単位であり、目視可能なアーティキュラトリイ(調音)ユニットの最小認識単位である。基本的には、ビゼームは口の形であり、ほん訳ユニットの課題は、どんなビゼームが要求されているかと、それらがいつ発生するかという時刻とを判断して、40ミリ秒間隔で指令を発生し、さらに、必要とされる間隔で必要とされるビゼームを生成し、間に入るフレームのために適当な中間形状を生成することである。
ほん訳ユニットの動作に重要なのは、フォニームとビゼームとの間に1対1の対応が存在しないという考え方である。まず、なにがしかのフォニームは視覚的に類似し、ときには区別が不能である。たとえば、子音/p/と/b/とは視覚的には同一であり、発生の程度が違うだけで、発生器官のアーティキュレーションは同じである。したがって、フォニームは群形成をすることができ、同じ群のフォニームではビゼーム生成に関する限りは同一と考えられる。いろいろな群形成が可能で、典型的な群形成を以下の表2に示す。
(注:二重母音がないが、処理前に構成要素母音に分割されるためである)
第2に、母音の音と口の形との間の関連性を定義することは可能であるが、子音についてはそうはならず、子音では口の形が近くのフォニームに依存して変り、とくに母音のフォニームの近くで変る。この実施態様では口の形は母音と、子音とフォニームとの組合せとの両方に関連性がある。子音を含む遷移にはかなりの数が存在する。しかし、第1の簡略化が可能であり、子音から子音への遷移が後続の母音(もしくはポーズの前の単語の終りでは先行する母音)による大きな影響を受けていることを観察することによってされ、2つのうちの第2の子音は若干の効果はあるが、全くぼんやりしたものでなく、無視できるものである。この実施態様は各子音から子音の遷移に子音−母音もしくは母音−子音の組合せを関連づけることによりこの利点を採用している。こうして、システムによって処理される必要がある口の形の数を少く保っている。
例を用いてこの実施態様の動作を示すために、もしテキストから発音表記へ変換するユニット2が単語‘affluence’を表わす信号を受けたとすると、このユニットはフォニームリスト/#:/ /{/ /f/ /l/ /u/ /@/ /n/ /s/ /#:/をほん訳ユニット4に出力することになる。このフォニームリストを受領するとほん訳ユニット4はフォニームリストを処理するように動作して一連の指令信号を出力する。出力指令信号は図4ないし7に示されていて、その各々はまた入力フォニームリストの内容を、すなわちフォニーム自体とその継続期間をサンプルで(この例ではサンプルレートは8kHzである)示している。
まず、この出力には3つの指令信号でこの単語内の母音に対応するものが含まれている。これらが図4に示されていて、下側の図は母音/{/,/u/及び/@/が識別され、各々はその母音に割当てられたビゼームが判断されたことを示すバー(棒)でしるしをつけられていて、母音の中点で生じるようにとられている。
出力はさらに母音−子音と子音−母音遷移と関連する口の形を特定する指令信号を含んでいる。これが図5に示されていて、ここではバーは母音−子音もしくは子音−母音の境界における口の形を示している。これは子音−子音遷移を残している。前に述べたように、この遷移1は主として第1の子音とそれに続く子音とによって特徴づけられるものとして見られている。したがって、/f/から/l/への遷移が図6で表わされていて、子音−母音組合せ、/f/から/u/、に対する口の形となっている。/n/から/s/への遷移は次に続く母音がなく、それ故に使われる口の形は/@/から/s/の母音−子音組合せに、すなわち先行する母音の使用、に対応したものである。先行と後続の無音(静寂期間/#:/は無論、閉じた口をもつ(すなわち、基準ワイヤフレームモデルの)顔で表わされる。
図6でバーでしるしをした時刻の瞬間には(あるいはこれらの瞬間の一番近い40ミリ秒期間では、ほん訳ユニット4は画像合成ユニット5に対して問題となっている口の形に適したスケーリング因子と動作ユニットとを特定する指令を送る。これらの瞬間の間の40ミリ秒では、2つの口の形の中間の口の形を特定する指令を送る必要がある。例えば、{fとマークを付けた瞬間とfuとマークを付けた瞬間との間では2つの動作ユニットを特定する指令を送り、それがそれぞれ母音−子音組合せ、/{/から/f/へと、子音−母音組合せ、/f/から/u/へ、とに対応しており、縮小したスケーリング因子には無関係であり,それよって2つの形の間で滑らかな遷移が得られるようにする。したがって、2つの瞬間の間の途中の点x%では、組合せ、/{/から/f/、のための動作ユニットにはスケール因子としてそのスケール因子の(1−x/100)倍が{f点で送られ、それと一緒に組合せ/f/から/u/のための動作ユニットにはスケール因子としてそのスケール因子のx/100倍がfu点で送られる。図7はこのプロセスを図式的に示している。中間コマンド信号を作るという目的には無音フォニームと関連の口の形は無音フォニームの中心が到達する前の後続の口の形によっては影響されていないことが分かる。
上記表2の11の群については7つの子音群があり、また3つの母音群と1つのいわゆる“両方の”群とがあった。この“両方の”群には母音フォニームと子音フォニームとが含まれている。したがって、無音を含む遷移を無視すると、必要とされる母音と、母音−子音及び子音−母音組合せのすべては母音群と、母音群−子音群及び子音群−母音群の組合せで次の表3に示すものによって表わすことができる。
これら68の母音群と群の組合せの若干のものは同じ口の形に対応している;さらに若干の口の形は他のものと似ており、主としてプロポーションに違いがある。換言すれば同じ動作ユニットにより作ることができるが、違ったスケーリング因子を備えている。(後述するところであるが、)動作ユニットの判断の間に、68の母音群と群の組合せとは11の動作ユニットと適当なスケーリング因子で表わされることが見付かった。表4はこれらを記述したもので、動作ユニットについての記述と、スケーリング因子とともに増大する特徴についての記述と、この動作ユニットによって表わすことができる母音群と群の組合せとのリストも添えてある。与えられた母音群と群の組合せに対応するそれぞれの口の形を作るのに使われることになるスケーリング因子も示されている。
当業者であれば、多数の動作ユニットを定義してもよいことが分ると思うが、その場合、母音群と群の組合せとは動作ユニットの間でもっと精細に分けられることになる。
ほん訳ユニット4は適当にプログラムされた処理ユニットという手段で実現され、これが図8ではプロセッサ10、プログラムメモリ11、及び多数のメモリでルックアップ表を含むもので構成されている。とくにここには二重母音表12、フォニーム群表13、及び動作ユニット表14を含んでいる。明りょうにするためにこれらが別に示してはあるが、無論、単一のメモリが実際にはプログラムとルックアップ表とを含むことができる。メモリ11内に記憶されているプログラムの動作を図9ないし13に示す流れ図を参照してこれから詳細に説明して行く。
図9の流れ図は全体としての装置の動作を簡単に示しており、図10ないし13によって表わされるアルゴリズムがそこで発生するようなコンテキストを設定している。このアルゴリズムはプログラムメモリ11内に記憶されていて、動作ユニットファイル(動作ユニットとスケーリング因子とを含む)を生成するように実行でき、このファイルは画像合成ユニット5に送られることになる指令信号に対する基礎を形成している。したがって、段階100の初期化に続いて、言語合成器のテキストから発音表記へのユニット2によって受領されたテキストメッセージは段階104でフォニームファイルを作る。このファイルの受領がほん訳ユニット4で認識されると(段階106、Text-To-Speech)、ほん訳が行なわれ(段階108)てフォニームリストが動作ユニットファイルとされる(段階110で作られる)。これが画像合成ユニット5へ(段階112で)送られる指令信号に対する基礎を形成し、同時にフォニールファイルが合成器3に送られる。もし望めば無音(静寂)の間に(段階114)もしくは言語の間に(段階116)、追加の動作ユニットがランダムな(もしくは他の)頭部の動きを作るようにすることができる。
段階108の動作は図10に示した流れ図によって示されたプログラム段階を用いて二重母音と破擦音の拡張をすることで始まる。このプログラムはフォニームファイルの各要素を順に読み(段階120)、2つの文字によってそのフォニームが表されているかどうかを判断する(段階122)。もしそうであれば、このプログラムはプロセッサが要素をその構成要素文字に分けて、それらの文字によって表わされる2つのフォニームで要素を置換える。各々の継続期間は分けられた二重母音又は破擦音フォニームの継続期間の半分に設定される。フォニーム出力のリスト内のフォニームの数を測定する可変の(noofphoneme:フォニームの数を意味する)は1だけ増分される(段階126)。そうでなければ、この要素はフォーニムリストに加えられる(段階128)。
二重母音表12の助けを得て/aI/,/aU/,及び/eI/のような二重母音をフォニーム対/{/+/I/,/{/+/U/,及び/E/+/I/にそれぞれ変換することが例示のプログラム段階で実行可能なことが分ると思う。同様に、このプログラムは破擦音/dZ/と/tS/とを2つのフォニームに分けるように実行できる。
次に要素毎に図10に示したプロセスで作られたフォニームリストの検査が続く(図11A−11D)。最初の無音フォニームの後の各要素に対して、フォニームの組合せもしくは母音と関係する時間間隔とが中間の出力フィル内に記録される。したがって、各エントリィはフォニーム組合せもしくは母音で前の口の形の瞬間と現在の口の形の瞬間との間で作られることになるものを時間間隔と一緒に識別する(すなわち、この時間間隔は図6のバーの間の距離に対応している)。以下に別段の記述をするほかは、各エントリィの後にプログラムは判断段階180に戻って、フォニームリストの最終要素に到達しているかどうかを判断する。もしそうであれば、フォニームリストの検査は終る。もし到達していなければ、プログラムは現在の要素の分類段階130に戻る。
フォニームリストを検査するために、各要素に対してその要素が母音であるか、子音であるか、または無音であるかが判断される(図11A−段階130)。
現在の要素分類段階130で母音が見付かるとすると、図11Bに示した段階が実行される。先ず、フォニームリストの中で前のフォニームが無音か、子音か、母音かを見付ける(段階140)。前のフォニームが無音フォニームであると、そのときは母音の口の形の前の時間間隔が母音継続期間の半分と無音継続期間の半分との和に設定される(段階141)。無音から母音への遷移がそこで計算された時間間隔と一緒に中間出力ファイルに入れられる(段階142)。もし前のフォニームが母音フォニームであると、そのときは母音の口の形の間の時間間隔は現在の母音の継続期間の半分と前の母音の継続期間の半分との和に設定される(段階143)。再び、母音自体(例えば/@/)と関連する時間間隔がそこで中間出力ファイルに入れられる(段階144)。もし前のフォニームが子音フォニームであると、そのときは前のフォニームの前のフォニームが無音かどうかが判断される(段階145)。そのときは、前の口の形からの時間間隔が現在の母音の継続時間の半分に設定され(段階146)、その母音が計算された時間間隔と一緒に中間出力ファイルに入れられる(段階147)。もしそうでなければそのときは、前の口の形からの時間間隔は子音の継続時間に設定され(段階148)、子音から母音への組合せ(例えば/l/から/u/)と関連の時間間隔とが中間出力ファイルに入れられる(段階149)。この点で、プログラムは判断段階180に戻らずに、遷移ファイル内に別のエントリィが行なわれるようにされ(段階146,147)、このエントリィには現在の母音と母音自体(例えば/u/)の継続時間の半分に等しい時間間隔を含んでいる。
図11Bの段階のもつ1つの効果は現在の母音に対応する口の形が母音フォニームの中央と一致することを確かにすることである。
現在のフォニーム分類段階(130)で無音が見付かるときは、図11Cの段階が実行される。先ず、フォニームリスト内の前のフォニームが無音か、子音か母音かが見付けられる(段階150)。もし前のフォニームが無音であると、そのときは誤りが表示される(段階151)。もし無音の前に母音があれば、そのときは前の口の形からの時間間隔が母音の継続期間の半分と無音の継続期間の半分との和に設定され(段階152)、母音から無音への遷移が中間出力ファイル内に時間間隔と一緒に記録される(段階153)。もし前のフォニームが子音であれば、そのときは最後の口の形からの時間間隔が子音の継続期間と現在の無音の継続期間の半分とに設定される(段階154)。この場合、母音−子音組合せから母音への遷移(例えば/@s/から/#:1/)と関連の時間間隔とが中間出力ファイルに入力される(段階155)。
もし段階130で子音が見付かると、図11Dに示した段階が実行される。まず前のフォニームが母音、無音、もしくは子音として分類される(段階160)。もし母音であれば、そのときは時間間隔が母音の継続時間の半分に設定され(段階161)、母音−子音の組合せ(例えば/{/から/f/)は時間間隔と一緒に中間出力ファイル内に記録される(段階162)。前のフォニームが子音であれば、そのときはプログラムが母音フォニームについてフォニームリストの前方探査を行なう(段階163)。もし子音−母音組合せ(前の子音と後の母音の組合せ)(例えば/t/から/u/へ)と関連の時間間隔(前の子音の継続期間に等しい)が中間出力ファイル内に入れられる(段階164,165)。前方探査で母音が見付からなければ(段階163)、そのときはプログラムはプロセッサに母音の後方探査をさせる(段階166)。もしこの探査が成功すれば、そのときは母音−子音組合せ(初期の母音と現在の子音のもので、例えば/@/から/s/へ)が関連する時間間隔(前の子音の継続期間に等しい)と一緒に記録される(段階167,168)。もし、前方探査も後方探査もともに母音を見付けないと、誤り表示が生ずる(段階169)。現在の子音に直近の先行フォニームが無音であるとして見付かると、そのときは母音に対する前方探査が行なわれる(段階170);もし母音が見付かると、現在の子音と先行する無音の継続期間の半分との和に等しい時間間隔が無音から子音−母音組合せへの遷移と一緒に中間出力ファイル内に記録される(段階171,172)。もし母音が何も単語内で見付からないときは誤りが表示される(段階173)。
図12では、母音とフォニームの組合せで中間出力ファイル内にあるものがルックアップ表13にアクセスして母音群とフォニーム群の組合せに変換される。原理的にはこの内容は上述の表2内に設定されたようなものであり、したがって、各母音もしくはフォニームの組合せが群番号に変る。しかし、各群を群番号で表わすのではなく、その群の1つの指定されたフォニームによって表わすのがもっと便利であることが見付かっている。例えば、フォニーム/p/,/b/,及び/m/は全部が/p/に変えられる。これをするためには、プロセッサは図12に示したプログラムによって制御される。中間出力ファイル内の各要素に対して、要素の類型が次の1つであると判断がされる(段階190):母音(段階192が実行される);母音/子音組合せ(段階194が実行される);母音/無音遷移(段階196が実行される);あるいは組合せから無音への遷移(段階198が実行される)。段階(192,194,196,198)は各構成要素母音もしくは子音を、群を表わすために選ばれた母音または子音に変換することができる。このプロセスは群/群組合せリストに戻るが、今では上述のように、最大68の異なる母音群と子音群の組合せを含んでいる。
図13Aと13Bでは、結果として得られる群リストが動作ユニットルックアップ表14を用いて動作ユニットファイルに変換され、群/群組合せリスト内の各要素を表わす動作ユニットを見付けるようにする。(ルックアップ表14の内容は上記表3のコラム3,1及び4内に設定されているものであるか、あるいはもし好ましい選択肢であれば、コラム3内の代表的なフォニームを伴うものとする。)この動作ユニットファイルはそこで40ミリ秒間隔で生成される指令信号のシーケンスを発生するために使用される。
もっと詳しく述べると、変換プロセスは群リストから第1の要素をフェッチすることで始まり(段階200)、その後動作ユニットルックアップ表はその要素に関連する動作ユニットとスケーリング因子とを決める(段階201)。次に第1の要素に関連する時間間隔内で完全な40ミリ秒期間の数を計算する(段階202)。初期動作ユニットのスケーリング因子が次に期間の数で除算されて増分値を与えるようにする(段階203)。このプロセスは次に命令のループ(段階204)に入り、各40ミリ秒期間に対する指令信号を作る。指令信号内のスケーリング因子は命令のループが実行される度毎に(ゼロから)計算された増分だけ増加される。
群リスト内の次の要素がそこでフェッチされ(図13Bの段階205)、対応する動作ユニットとスケーリング因子とが動作ユニットルックアップ表14を用いて見付けられる(段階206)。段階202のように、群リストの要素に関連する時間間隔内の40ミリ秒期間全体の数が見付けられる(段階207)。前のように、現在の要素に関連する動作ユニットのスケーリング因子が計算された期間の数で除算されて増分値が求められる(段階208)。群リスト内の前の要素のスケーリング因子が同じ数で除算されて減分値が求められる(段階209)。このプロセスは次に命令のループに入って、出力すべき指令信号を計算する。これには前の要素との関係で作られた動作ユニットと群リスト内の現在の要素に関連する動作ユニットとの重みづけした組合せを含んでいる。前の動作ユニットに与えられる重みづけは各40ミリ秒期間に対する減分値だけスケーリング因子を減分することにより減らされ、現在の動作ユニットに与えられる重みづけは各40ミリ秒期間に対する増分値だけ(ゼロから)スケーリング因子を増すことにより増加される。このようにして、指令信号出力は1つの口の形から次へと段階的な遷移して行く。
同じような動作(段階206ないし210)が群リスト内の後続の各要素に適用され、最終要素に到達するまで進む。
指令信号が動作ユニットファイルに基づいて生成されて、40ミリ秒間隔で画像合成ユニット5に送られて、頭部の画像を生成できるようにし、頭部にはテキストから言語への合成器の出力に対応しているアーティキュレーションを備えるようにする。
これまでの議論から、ビゼームあるいはある母音に対して選ばれた口の形は、その母音に先んじて選ばれたものであること、母音−子音(もしくはその逆)の組合せに選ばれた口の形はその組合せに対して先行して割当てられたものであること、また子音−子音遷移のために選ばれた口の形は同じ文脈(コンテキスト)内の子音の第1のものに先行して割当てられたものであること−言い換えると、この例では同じ次に来る母音(あるいはデフォルトであるか、先行している母音)をもつものであることが気付くと思う。もし望むのであれば、必要とされる動作ユニットの数を増すという負担を伴うけれども、口の形の選定はもっと文脈に依存するようにしてもよい。例えば、子音−母音遷移に対する口の形を選ぶのに、子音とその次の母音とだけ依存するのではなく、前の母音にも依存するように(すなわち母音−子音−母音の組合せに依存するように)選択してもよいことになろう。子音−子音遷移に対する選択は第1の子音と後続及び先行の両母音(もしあれば)に依存するようにできるし、または実際に2つの子音と2つの母音に依存するようにできる。
これまでには、動作ユニットが画像合成ユニット5内でどのように生成されるかについて余り触れるところがなかった。試作品ではこれが達成されており、必要とされる68の母音群と母音群/子音群組合せの全部を含んだ人間の話した単語をビデオ記録し、かつフレームグラバ(獲得手段)を用いてこの記録の静止画フレームを表示して、これらのフレームで母音に対応するものと、子音/母音組合せに対応するものとを人手によって識別できるようにした。一度これらのフレームが(ビットマップ形式で)識別されてしまうと、次はこれらのフレームを表わす基準ワイヤフレームモデルからの変位を判断する必要があった。これは一致プログラムを用いて行われ、このプログラムはワイヤフレームモデルを与えられたビットマップ画像に一致させるのに必要な変形を計算するものである。
Claims (4)
- 話された言葉と整合がとれた可視アーティキュレーションを持つ顔の動画を表わす信号を生成する装置であって、
発話の連続している音素に対応する発音表記のシーケンスを受け取る手段と、
動作中音素遷移と予め定義した口の形との間の写像を含んでいるルックアップ表を記憶するように配置されたメモリ手段と、
動作中、
(i)各母音音素についてルックアップ表から口の形を検索し、
(ii)母音音素から子音音素への各遷移についてルックアップ表から口の形を検索し、
(iii)子音音素から母音音素への各遷移についてルックアップ表から口の形を検索し、
(iv)子音音素から子音音素への各遷移についてルックアップ表から口の形を検索し、そして識別された形を含む画像フレームのシーケンスを生成し、
(v)検索された口の形を示す検索された口形信号を生成し、
(vi)検索された口形信号間の補間手順によって、中間の識別された口の形である口形を示す補間された口形信号を生成するように配置されたプロセッサ手段とを含む装置。 - 子音音素から子音音素への各遷移が、子音-母音の組合せまたは母音-子音の組合せに関連するように、ルックアップ表が関連を含む請求項1記載の装置。
- 補間手順が直線補間手順である請求項1または2記載の装置。
- ルックアップ表が複数の異なる音素の組合せと共通の口の形との間の写像を含んでいる請求項1乃至3のいずれか1項記載の装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP96302060.7 | 1996-03-26 | ||
EP96302060 | 1996-03-26 | ||
PCT/GB1997/000818 WO1997036288A1 (en) | 1996-03-26 | 1997-03-24 | Image synthesis |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2000507377A JP2000507377A (ja) | 2000-06-13 |
JP2000507377A5 JP2000507377A5 (ja) | 2004-11-25 |
JP4037455B2 true JP4037455B2 (ja) | 2008-01-23 |
Family
ID=8224860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP53413797A Expired - Fee Related JP4037455B2 (ja) | 1996-03-26 | 1997-03-24 | 画像合成 |
Country Status (8)
Country | Link |
---|---|
EP (1) | EP0890168B1 (ja) |
JP (1) | JP4037455B2 (ja) |
KR (1) | KR20000005183A (ja) |
CN (1) | CN1214784A (ja) |
AU (1) | AU2167097A (ja) |
CA (1) | CA2249016C (ja) |
DE (1) | DE69715175T2 (ja) |
WO (1) | WO1997036288A1 (ja) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2346525B (en) * | 1997-07-25 | 2001-02-14 | Motorola Inc | Neural network providing spatial parameters when stimulated by linguistic parameters of speech |
WO1999046732A1 (fr) * | 1998-03-11 | 1999-09-16 | Mitsubishi Denki Kabushiki Kaisha | Dispositif de generation d'images en mouvement et dispositif d'apprentissage via reseau de controle d'images |
WO1999046734A1 (en) * | 1998-03-11 | 1999-09-16 | Entropic, Inc. | Face synthesis system and methodology |
IT1314671B1 (it) * | 1998-10-07 | 2002-12-31 | Cselt Centro Studi Lab Telecom | Procedimento e apparecchiatura per l'animazione di un modellosintetizzato di volto umano pilotata da un segnale audio. |
AU5262799A (en) | 1998-10-08 | 2000-04-13 | Sony Computer Entertainment Inc. | Portable toy, portable information terminal, entertainment system, and recording medium |
JP2003503925A (ja) * | 1999-06-24 | 2003-01-28 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 情報ストリームのポスト同期 |
KR100395491B1 (ko) * | 1999-08-16 | 2003-08-25 | 한국전자통신연구원 | 아바타 기반 음성 언어 번역 시스템에서의 화상 통신 방법 |
US6766299B1 (en) | 1999-12-20 | 2004-07-20 | Thrillionaire Productions, Inc. | Speech-controlled animation system |
GB0008537D0 (en) | 2000-04-06 | 2000-05-24 | Ananova Ltd | Character animation |
GB0030148D0 (en) * | 2000-12-11 | 2001-01-24 | 20 20 Speech Ltd | Audio and video synthesis method and system |
JP4067762B2 (ja) | 2000-12-28 | 2008-03-26 | ヤマハ株式会社 | 歌唱合成装置 |
US6661418B1 (en) | 2001-01-22 | 2003-12-09 | Digital Animations Limited | Character animation system |
DE10214431B4 (de) * | 2002-03-30 | 2005-11-10 | Ralf Dringenberg | Verfahren und Vorrichtung zur Visualisierung von Audiodaten |
KR100754430B1 (ko) * | 2004-10-08 | 2007-08-31 | 비쥬텍쓰리디(주) | 음성 기반 자동 립싱크 애니메이션 장치와 방법 및 기록매체 |
CN1991982A (zh) * | 2005-12-29 | 2007-07-04 | 摩托罗拉公司 | 一种使用语音数据激励图像的方法 |
GB2468140A (en) * | 2009-02-26 | 2010-09-01 | Dublin Inst Of Technology | A character animation tool which associates stress values with the locations of vowels |
JP2018091954A (ja) * | 2016-12-01 | 2018-06-14 | オリンパス株式会社 | 音声認識装置、及び音声認識方法 |
CN108847234B (zh) * | 2018-06-28 | 2020-10-30 | 广州华多网络科技有限公司 | 唇语合成方法、装置、电子设备及存储介质 |
CN111260761B (zh) * | 2020-01-15 | 2023-05-09 | 北京猿力未来科技有限公司 | 一种生成动画人物口型的方法及装置 |
CN113205797B (zh) * | 2021-04-30 | 2024-03-05 | 平安科技(深圳)有限公司 | 虚拟主播生成方法、装置、计算机设备及可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4913539A (en) * | 1988-04-04 | 1990-04-03 | New York Institute Of Technology | Apparatus and method for lip-synching animation |
JP2518683B2 (ja) * | 1989-03-08 | 1996-07-24 | 国際電信電話株式会社 | 画像合成方法及びその装置 |
US5313522A (en) * | 1991-08-23 | 1994-05-17 | Slager Robert P | Apparatus for generating from an audio signal a moving visual lip image from which a speech content of the signal can be comprehended by a lipreader |
US5608839A (en) * | 1994-03-18 | 1997-03-04 | Lucent Technologies Inc. | Sound-synchronized video system |
-
1997
- 1997-03-24 KR KR1019980707855A patent/KR20000005183A/ko not_active Application Discontinuation
- 1997-03-24 EP EP97914422A patent/EP0890168B1/en not_active Expired - Lifetime
- 1997-03-24 WO PCT/GB1997/000818 patent/WO1997036288A1/en not_active Application Discontinuation
- 1997-03-24 CA CA002249016A patent/CA2249016C/en not_active Expired - Fee Related
- 1997-03-24 DE DE69715175T patent/DE69715175T2/de not_active Expired - Lifetime
- 1997-03-24 JP JP53413797A patent/JP4037455B2/ja not_active Expired - Fee Related
- 1997-03-24 CN CN97193348A patent/CN1214784A/zh active Pending
- 1997-03-24 AU AU21670/97A patent/AU2167097A/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
EP0890168A1 (en) | 1999-01-13 |
AU2167097A (en) | 1997-10-17 |
JP2000507377A (ja) | 2000-06-13 |
EP0890168B1 (en) | 2002-09-04 |
WO1997036288A1 (en) | 1997-10-02 |
CN1214784A (zh) | 1999-04-21 |
KR20000005183A (ko) | 2000-01-25 |
DE69715175D1 (de) | 2002-10-10 |
CA2249016A1 (en) | 1997-10-02 |
DE69715175T2 (de) | 2003-05-15 |
CA2249016C (en) | 2002-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4037455B2 (ja) | 画像合成 | |
US6208356B1 (en) | Image synthesis | |
Ezzat et al. | Miketalk: A talking facial display based on morphing visemes | |
US6250928B1 (en) | Talking facial display method and apparatus | |
Mattheyses et al. | Audiovisual speech synthesis: An overview of the state-of-the-art | |
US5657426A (en) | Method and apparatus for producing audio-visual synthetic speech | |
US6661418B1 (en) | Character animation system | |
JP2518683B2 (ja) | 画像合成方法及びその装置 | |
JPH04331997A (ja) | 音声合成装置のアクセント成分制御方式 | |
JP2003530654A (ja) | キャラクタのアニメ化 | |
CN112734889A (zh) | 一种2d角色的口型动画实时驱动方法和系统 | |
KR101089184B1 (ko) | 캐릭터의 발화와 감정표현 제공 시스템 및 방법 | |
Cosatto et al. | Audio-visual unit selection for the synthesis of photo-realistic talking-heads | |
Ezzat et al. | Videorealistic talking faces: a morphing approach. | |
JP4631077B2 (ja) | アニメーション作成装置 | |
KR100754430B1 (ko) | 음성 기반 자동 립싱크 애니메이션 장치와 방법 및 기록매체 | |
Breen et al. | An investigation into the generation of mouth shapes for a talking head | |
Henton et al. | Saying and seeing it with feeling: techniques for synthesizing visible, emotional speech. | |
JP2003058908A (ja) | 顔画像制御方法および装置、コンピュータプログラム、および記録媒体 | |
EP0982684A1 (en) | Moving picture generating device and image control network learning device | |
Morishima et al. | Facial expression synthesis based on natural voice for virtual face-to-face communication with machine | |
US6408274B2 (en) | Method and apparatus for synchronizing a computer-animated model with an audio wave output | |
Morishima et al. | A facial image synthesis system for human-machine interface | |
JP3298076B2 (ja) | 画像作成装置 | |
Morishima et al. | Image synthesis and editing system for a multi-media human interface with speaking head |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040220 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20040220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070213 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20070514 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20070625 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070813 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20071002 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20071101 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101109 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111109 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111109 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121109 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121109 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131109 Year of fee payment: 6 |
|
LAPS | Cancellation because of no payment of annual fees |