WO2020256475A1 - 텍스트를 이용한 발화 동영상 생성 방법 및 장치 - Google Patents

텍스트를 이용한 발화 동영상 생성 방법 및 장치 Download PDF

Info

Publication number
WO2020256475A1
WO2020256475A1 PCT/KR2020/007978 KR2020007978W WO2020256475A1 WO 2020256475 A1 WO2020256475 A1 WO 2020256475A1 KR 2020007978 W KR2020007978 W KR 2020007978W WO 2020256475 A1 WO2020256475 A1 WO 2020256475A1
Authority
WO
WIPO (PCT)
Prior art keywords
speech
image
video
person
generating
Prior art date
Application number
PCT/KR2020/007978
Other languages
English (en)
French (fr)
Inventor
채경수
황금별
박성우
장세영
Original Assignee
주식회사 머니브레인
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
Priority claimed from KR1020200073099A external-priority patent/KR102360840B1/ko
Application filed by 주식회사 머니브레인 filed Critical 주식회사 머니브레인
Priority to US17/620,863 priority Critical patent/US11972516B2/en
Publication of WO2020256475A1 publication Critical patent/WO2020256475A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/205—3D [Three Dimensional] animation driven by audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/027—Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal 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
    • 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
    • H04N21/236—Assembling of a multiplex stream, e.g. transport stream, by combining a video stream with other content or additional data, e.g. inserting a URL [Uniform Resource Locator] into a video stream, multiplexing software data into a video stream; Remultiplexing of multiplex streams; Insertion of stuffing bits into the multiplex stream, e.g. to obtain a constant bit-rate; Assembling of a packetised elementary stream
    • H04N21/2368—Multiplexing of audio and video 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
    • H04N21/439—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • H04N5/265—Mixing
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal 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

Definitions

  • An embodiment of the present invention relates to a technology for generating speech video based on machine learning.
  • a landmark or key point related to a voice is first generated from an existing speech image and learning is performed, and then an image suitable for the input voice is synthesized using the learned model.
  • a process of extracting a key point and converting it to a standard space (a position facing the front from the center of the screen) and inversely transforming it for learning is required.
  • the procedure is complicated because it is necessary.
  • the result is unnatural because it does not reflect the natural movement of the person by using the method of synthesizing the image suitable for the input voice after cutting only the face part and aligning the size and position. There is a problem.
  • the disclosed embodiment is to provide a machine learning-based speech video generation method and apparatus capable of simplifying a neural network structure.
  • Disclosed embodiments are to provide a method and apparatus for generating a speech video based on machine learning that can reflect a motion or gesture occurring during speech.
  • a speech video generating apparatus is a computing device having one or more processors and a memory for storing one or more programs executed by the one or more processors, and receives a background image of a person of a predetermined person, An image part generator for generating an image part of the speech video of the person; And a voice part generator configured to receive text, generate a voice part of the person's speech video from the text, and provide speech-related information generated in the process of generating the voice part to the video part generator.
  • a part related to the person's utterance is covered with a mask, and the image part generator may restore a part related to the utterance covered by the mask in the image part based on the utterance related information.
  • the image part generator may include: a first encoder for receiving the background image of the person and extracting a feature vector from the background image of the person; A combination unit for generating a combination vector by combining an image feature vector output from the first encoder and speech related information input from the audio part generation unit; And a first decoder for reconstructing an image part of the speech video by receiving the combination vector as an input.
  • the first decoder may be a machine learning model that is trained to restore a portion of the person background image covered by a mask based on the speech-related information.
  • the video part generation unit further includes at least one residual block provided between the combination unit and the first decoder, wherein the residual block has a combination vector output from the combination unit as an input value, and the input It may be learned to minimize a difference between a value and an output value output from the residual block.
  • the video part generation unit may include an attention unit configured to receive the video part output from the first decoder and determine an attention weight for each pixel of the video part to generate an attention map; A speech-related part extracting unit for receiving the video part output from the first decoder, extracting a speech-related part from the video part, and outputting a speech-related image; And a restoration output unit configured to receive a background image of a person, the attention map, and an image related to the speech input through the first encoder and output a final image part of the person.
  • the restoration output unit may restore a portion of the final image part that is not related to utterance based on the person background image, and a portion related to utterance in the final image part may be restored based on the utterance related image.
  • the speech part generator may include: a second encoder for receiving the text and generating a context vector from the text; And a second decoder receiving the context vector and outputting a voice spectrogram signal from the context vector to the voice of the person.
  • the speech part generation unit may further include an attention unit provided between the second encoder and the second decoder and configured to learn a correspondence relationship between the context vector and the speech spectrogram signal over time.
  • the apparatus for generating the speech video may further include an output selection unit provided to provide or not provide the speech related information to the video part generation unit according to an input command.
  • the output selection unit may provide the speech-related information to the video part generation unit according to an input command and prevent the audio part generation unit from outputting an audio signal.
  • a method of generating a speech video is a method performed in a computing device having one or more processors and a memory for storing one or more programs executed by the one or more processors, wherein the computing device Receiving, in an image part generation unit, a background image of a person of a predetermined person, and generating an image part of the speech video of the person; And an audio part generating unit of the computing device receiving text, generating an audio part of the speech video of the person from the text, and transmitting speech-related information generated in the process of generating the audio part to the video part generating unit. And providing.
  • a video part part of a moving picture that a certain person utters by using the utterance related information generated in the speech synthesis process while synthesizing a voice from the text to generate a voice part part of a certain person
  • the video part and the audio part are composed of a single neural network, the video part and the audio part can be complementarily learned.
  • speech-related information can be obtained more abundantly from an audio part, and the audio part may limit voice generation so that speech of an image is appropriately synthesized in voice generation.
  • an uttered video can be generated by reflecting a gesture or characteristic, and thereby a more natural uttered video can be generated.
  • the speech video can be generated through a single neural network model without a separate keypoint prediction process.
  • FIG. 1 is a block diagram showing the configuration of a speech video generating apparatus according to an embodiment of the present invention
  • FIG. 2 is a block diagram showing a configuration of an apparatus for generating a speech video according to another embodiment of the present invention
  • FIG. 3 is a view showing an image part generation unit of a speech video generation apparatus according to another embodiment of the present invention
  • FIG. 4 is a view showing an image part generation unit of an apparatus for generating a speech video according to another embodiment of the present invention
  • FIG. 5 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments.
  • transmission In the following description, "transmission”, “communication”, “transmission”, “reception” of signals or information, and other terms having a similar meaning are not only directly transmitted signals or information from one component to another component. It includes what is passed through other components.
  • “transmitting” or “transmitting” a signal or information to a component indicates the final destination of the signal or information and does not imply a direct destination. The same is true for “reception” of signals or information.
  • transmission when two or more pieces of data or information are "related”, it means that when one data (or information) is obtained, at least a part of other data (or information) can be obtained based thereon.
  • first and second may be used to describe various components, but the components should not be limited by the terms. These terms may be used for the purpose of distinguishing one component from another component.
  • a first component may be referred to as a second component, and similarly, a second component may be referred to as a first component.
  • the apparatus 100 for generating a speech video may include an image part generation unit 102 and an audio part generation unit 104.
  • the image part generator 102 may be a part for generating an image part of the speech video.
  • the image part generation unit 102 may generate an image portion of a speech video by receiving a background image of a person in which a part related to a person's speech is covered by a mask M and information related to speech of the person as an input. In this case, a portion of the image portion of the speech video that is covered by the mask M may be restored based on speech related information.
  • the image part generator 102 may include a first encoder 112, a combination unit 114, and a first decoder 116.
  • the voice part generator 104 may be a part for generating a voice part of the spoken video.
  • the speech part generation unit 104 may receive text as an input and generate speech-related information used for the speech part of the speech video from the input text.
  • the audio part generator 104 may provide speech-related information to the video part generator 102.
  • the voice part generation unit 104 may include a second encoder 120, an attention unit 122, a second decoder 124, and a vocoder 126.
  • the speech related information may be output data of any one of the attention unit 122, the second decoder 124, and the vocoder 126.
  • the image part generation unit 102 and the audio part generation unit 104 may be formed of a single neural network.
  • the video part generation unit 102 and the audio part generation unit 104 respectively generate the video part and the audio part of the speech video, but provide the speech-related information generated during the generation of the audio part to the video part generation unit 102
  • the configuration of the speech video generating apparatus 100 shown in FIG. 1 shows functional elements that are functionally divided, and may be functionally connected to each other to perform a function according to the present invention, and any one or more configurations may be physically May be implemented by being integrated with each other.
  • the speech video generating apparatus 100 may be implemented with a machine learning technology based on a convolutional neural network (CNN), but the machine learning technology is not limited thereto, and various machine learning Technology can be applied.
  • CNN convolutional neural network
  • a learning process for generating a speech video will be mainly described.
  • the first encoder 112 may be a machine learning model that is trained to extract an image feature vector by inputting a background image of a person.
  • vector may be used as a meaning including "tensor”.
  • the person background image input to the first encoder 112 is an image that a predetermined person utters (talks).
  • the person background image may be an image including the person's face and upper body. That is, the background image of the person may be an image including not only the face but also the upper body so that movements of the face, neck, and shoulders appearing when the corresponding person utters are shown.
  • a part related to speech may be masked. That is, in the background image of a person, a part related to utterance (eg, a mouth and a part around the mouth) may be covered with the mask M. In addition, during the masking process, portions related to face movement, neck movement, and shoulder movement according to the person's speech in the background image of the person may not be masked. Then, the first encoder 112 extracts an image feature vector of a portion of the background image of a person excluding a portion related to speech.
  • the first encoder 112 may include one or more convolutional layers and one or more pooling layers.
  • the convolutional layer may extract feature values of pixels corresponding to the corresponding filter while moving a filter of a preset size (eg, a size of 3 ⁇ 3 pixels) from an input background image of a person at predetermined intervals.
  • the pulling layer may perform down sampling by receiving the output of the convolutional layer as an input.
  • the combination unit 114 may generate a combination vector by combining the image feature vector output from the first encoder 112 and speech related information generated by the audio part generation unit 104.
  • the speech-related information input to the combination unit 114 is data output from the attention unit 122, data output from the second decoder 124, and intermediate information processed by the second decoder 124. It can be any one of the output data.
  • the combining unit 114 may generate a combination vector by concatenating the image feature vector and speech-related information, but is not limited thereto.
  • the first decoder 116 may reconstruct an image part of the speech video of a person by receiving a combination vector output from the combination unit 114 as an input. Specifically, the first decoder 116 covers the portion covered by the mask M of the image feature vector output from the first encoder 112 based on the speech-related information generated by the speech part generator 104 (that is, the speech It may be a machine learning model that is trained to restore the part related to the. That is, the first decoder 116 may be a model that is trained to restore the image portion of the masked region by using the speech-related information when the part related to the speech in the background image of the person is masked. In this case, a speech image of a predetermined person can be generated by inputting text through a single neural network structure.
  • the first decoder 116 performs deconvolution on a combination vector in which an image feature vector output from the first encoder 112 and speech related information generated by the audio part generator 104 are combined. ) And then up-sampling to generate an image part of the speech video.
  • the second encoder 120 may be a machine learning model that is trained to output a context vector for a corresponding text by receiving text as an input.
  • the second encoder 120 may generate an input sequence based on text and may generate a context vector from the input sequence.
  • the second encoder 120 may generate an input sequence from text through a sequence-to-sequence model.
  • the attention unit 122 may be a machine learning model provided to learn a correspondence relationship over time between text as input data of the voice part generator 104 and a voice spectrogram signal as output data. For example, in the case of sequential data [(X 0 , Y 0 ), (X 1 , Y 1 ), ... ,(X t , Y t )] whose input and output correspond to each other over time, each input Since the output of is determined, it is possible to learn through a neural network, but if the input data is text and the output data is a voice spectrogram signal, the input data (X i ) and the output data (Y j ) are It is difficult to know the correspondence.
  • a correspondence relationship over time between text as input data and a voice spectrogram signal as output data may be learned.
  • the attention unit 122 may learn which text (ie, context vector) of time i is related to a speech spectrogram signal of time j.
  • the attention unit 122 may arrange the context vector to have the same length as the voice spectrogram signal according to a correspondence relationship with the voice spectrogram signal over time.
  • the attention unit 122 may determine an attention weight for the context vector generated by the second encoder 120 at a current output time point of the second decoder 124.
  • the attention weighting weight may indicate which part of the context vector to be focused on in order to determine the voice spectrogram signal to be output at the current output time of the second decoder 124.
  • the second decoder 124 may be a machine learning model that is trained to output a speech spectrogram signal based on a context vector output from the second encoder 120. When a text vector is input, the second decoder 124 may output a speech spectrogram signal in consideration of the attention weight determined by the attention unit 122. The second decoder 124 may be trained to output a voice spectrogram signal as a voice of a person in a background image of a person for text. In an exemplary embodiment, the second decoder 124 may transmit the voice spectrogram signal to the combination unit 114.
  • the vocoder 126 may generate a voice signal by receiving the voice spectrogram signal output from the second decoder 124 as an input. That is, the vocoder 126 may convert a voice spectrogram signal into a voice signal that can be output through a speaker or the like.
  • a video part part of a moving picture that a certain person utters by using the utterance related information generated in the speech synthesis process while synthesizing a voice from the text to generate a voice part part of a certain person
  • the video part and the audio part are composed of a single neural network, the video part and the audio part can be complementarily learned.
  • speech-related information can be obtained more abundantly from an audio part, and the audio part may limit voice generation so that speech of an image is appropriately synthesized in voice generation.
  • an uttered video can be generated by reflecting a gesture or characteristic, and thereby a more natural uttered video can be generated.
  • the speech video can be generated through a single neural network model without a separate keypoint prediction process.
  • FIG. 2 is a block diagram showing a configuration of an apparatus for generating a speech video according to another embodiment of the present invention.
  • the parts that differ from the embodiment shown in FIG. 1 will be mainly described.
  • the apparatus 100 for generating an uttered video may further include an output selection unit 128.
  • the output selector 128 may or may not provide speech-related information generated by the audio part generating unit 104 to the image part generating unit 102 according to an input command.
  • the speech video generation apparatus 100 may generate an image part and an audio part of the speech video, respectively.
  • the speech video generation apparatus 100 when the output selection unit 128 does not provide speech-related information to the video part generation unit 102, the speech video generation apparatus 100 generates only an audio part of the speech video.
  • the output selection unit 128 provides speech-related information generated by the audio part generation unit 104 according to an input command to the video part generation unit 102 while the audio part generation unit 104 outputs an audio signal. Can be avoided. In this case, the apparatus 100 for generating a speech video generates only an image part of the speech video.
  • an audio part or an image part may be generated among the speech video through the output selector 128, or both an audio part and an image part may be generated.
  • FIG. 3 is a diagram illustrating an image part generation unit of an apparatus for generating a speech video according to another embodiment of the present invention.
  • the parts that differ from the embodiment shown in FIG. 1 will be mainly described.
  • the image part generator 102 may further include a residual block 130.
  • One or more residual blocks 130 may be provided between the combination unit 114 and the first decoder 116.
  • a plurality of residual blocks 130 may be sequentially connected (serially connected) between the combination unit 114 and the first decoder 116.
  • the residual block 130 may include one or more convolutional layers.
  • the residual block 130 may have a structure in which convolution is performed on an input value (ie, a combination vector output from the combination unit 114), and an input value is added to a result of the convolution.
  • the residual block 130 may learn to minimize a difference between an input value and an output value of the residual block 130. Through this, an image feature vector and an audio feature vector can be organically combined and used as an input of the first decoder 116.
  • FIG. 4 is a diagram illustrating an image part generation unit of an apparatus for generating a speech video according to another embodiment of the present invention.
  • the parts that differ from the embodiment shown in FIG. 1 will be mainly described.
  • the image part generation unit 102 may further include an attention unit 132, an utterance-related part extraction unit 134, and a restoration output unit 136.
  • the attention unit 132 and the speech-related part extraction unit 134 may be respectively connected to the output terminals of the first decoder 116. That is, the attention unit 132 and the speech-related part extraction unit 134 may input an image part (hereinafter, referred to as a primary reconstructed image part) of the speech video output from the first decoder 116. have.
  • the attention unit 132 may determine an attention weight for each pixel of the first reconstructed image part and output an attention map. Attention weight may be a value between 0 and 1.
  • the attention unit 132 is a background image of a person used as an input of the first encoder 112 when the restoration output unit 136 performs the second restoration of the image part for each pixel of the first reconstructed image part (that is, An attention weight for determining which part of the speech-related image output from the speech-related part extractor 134 and an image in which the speech-related part is covered by a mask) may be set.
  • the speech-related part extracting unit 134 may extract a speech-related part (ie, a speech-related part) from the first reconstructed image part and output the speech-related image.
  • a speech-related part ie, a speech-related part
  • the speech-related part extracting unit 134 extracts a pixel value of the speech-related part from the first reconstructed image part, and the other part is a random value (eg, unused value). Fill it with to create an utterance-related video.
  • the restoration output unit 136 combines a background image of a person used as an input of the first encoder 112, an attention map output from the attention unit 132, and a speech-related image output from the speech-related part extraction unit 134 Thus, the final video part of the speech video can be output.
  • the restoration output unit 136 restores the final image part by using a person background image for a part not related to utterance based on the attention map (including the attention weight value for each pixel), and the part related to utterance is a utterance related image Can be used to restore the final image part.
  • the restoration output unit 136 may restore the final image part P through Equation 1 below.
  • A denotes an attention weight of each pixel
  • I denotes a pixel value of a background image of a person
  • C denotes a pixel value of a speech-related image.
  • the attention unit 132 determines the attention weight for each pixel, the attention weight for parts that are not related to the utterance may be set to be close to 1, and for the parts related to the utterance, the attention weight may be set to be close to 0. .
  • FIG. 5 is a block diagram illustrating and describing a computing environment 10 including a computing device suitable for use in example embodiments.
  • each component may have different functions and capabilities in addition to those described below, and may include additional components in addition to those described below.
  • the illustrated computing environment 10 includes a computing device 12.
  • the computing device 12 may be the speech video generating device 100.
  • the computing device 12 includes at least one processor 14, a computer-readable storage medium 16 and a communication bus 18.
  • the processor 14 may cause the computing device 12 to operate according to the exemplary embodiments mentioned above.
  • the processor 14 may execute one or more programs stored in the computer-readable storage medium 16.
  • the one or more programs may include one or more computer-executable instructions, and the computer-executable instructions are configured to cause the computing device 12 to perform operations according to an exemplary embodiment when executed by the processor 14 Can be.
  • the computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information.
  • the program 20 stored in the computer-readable storage medium 16 includes a set of instructions executable by the processor 14.
  • the computer-readable storage medium 16 includes memory (volatile memory such as random access memory, nonvolatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash It may be memory devices, other types of storage media that can be accessed by computing device 12 and store desired information, or a suitable combination thereof.
  • the communication bus 18 interconnects the various other components of the computing device 12, including the processor 14 and computer-readable storage medium 16.
  • Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24.
  • the input/output interface 22 and the network communication interface 26 are connected to the communication bus 18.
  • the input/output device 24 may be connected to other components of the computing device 12 through the input/output interface 22.
  • the exemplary input/output device 24 includes a pointing device (mouse or track pad, etc.), a keyboard, a touch input device (touch pad or touch screen, etc.), a voice or sound input device, various types of sensor devices, and/or photographing devices Input devices and/or output devices such as display devices, printers, speakers, and/or network cards.
  • the exemplary input/output device 24 may be included in the computing device 12 as a component constituting the computing device 12, and may be connected to the computing device 12 as a separate device distinct from the computing device 12. May be.

Abstract

텍스트를 이용한 발화 동영상 생성 방법 및 장치가 개시된다. 개시되는 일 실시예에 따른 발화 동영상 생성 장치는, 하나 이상의 프로세서들, 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 소정 인물의 인물 배경 영상을 입력 받고, 인물의 발화 동영상 중 영상 파트를 생성하는 영상 파트 생성부; 및 텍스트를 입력 받고, 텍스트로부터 인물의 발화 동영상 중 음성 파트를 생성하며, 음성 파트를 생성하는 과정에서 발생하는 발화 관련 정보를 영상 파트 생성부로 제공하는 음성 파트 생성부를 포함한다.

Description

텍스트를 이용한 발화 동영상 생성 방법 및 장치
본 발명의 실시예는 머신 러닝에 기반한 발화 동영상 생성 기술과 관련된다.
최근, 인공 지능 분야의 기술 발전에 따라 다양한 유형의 콘텐츠가 인공 지능 기술에 기초하여 생성되고 있다. 그 일 예로, 어떤 전달하고자 하는 음성 메시지가 있을 때, 그 음성 메시지를 유명 인물(예를 들어, 대통령 등)이 말하는 것과 같은 발화 동영상을 생성하여 사람들의 주의를 끌고자 하는 경우가 있다. 이는 유명 인물의 영상에서 유명 인물이 특정 메시지를 말하는 것처럼 입 모양 등을 특정 메시지에 맞게 생성하여 구현하게 된다.
이를 위하여, 종래에는 기존의 발화 영상에서 먼저 음성과 관련된 랜드마크 또는 키포인트를 생성하여 이에 대한 학습을 수행한 후, 학습된 모델을 이용하여 입력된 음성에 맞는 영상을 합성하는 방식을 사용하였다. 그러나, 이러한 종래 기술의 경우 학습을 위하여 키포인트를 추출하고 이를 표준 공간(화면 중심에서 정면을 바라보는 위치)으로 변환 및 역변환하는 과정이 필수적으로 요구되며, 키포인트를 합성하는 단계와 영상을 합성하는 단계가 필요한 바 그 절차가 복잡하다는 문제점이 있다.
한편, 키포인트를 사용하지 않는 방식의 경우, 얼굴 부분만 잘라 크기 및 위치를 정렬한 후 입력된 음성에 맞는 영상을 합성하는 방식을 사용하여, 인물의 자연스러운 움직임을 반영하지 못하기 때문에 결과물이 부자연스럽다는 문제점이 있다.
또한 개시되는 실시예는 신경망 구조를 간소화할 수 있는 머신 러닝 기반의 발화 동영상 생성 방법 및 장치를 제공하기 위한 것이다.
개시되는 실시예들은 발화 시 발생하는 움직임 또는 제스쳐를 반영할 수 있는 머신 러닝 기반의 발화 동영상 생성 방법 및 장치를 제공하기 위한 것이다.
일 실시예에 따른 발화 동영상 생성 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 소정 인물의 인물 배경 영상을 입력 받고, 상기 인물의 발화 동영상 중 영상 파트를 생성하는 영상 파트 생성부; 및 텍스트를 입력 받고, 상기 텍스트로부터 상기 인물의 발화 동영상 중 음성 파트를 생성하며, 상기 음성 파트를 생성하는 과정에서 발생하는 발화 관련 정보를 상기 영상 파트 생성부로 제공하는 음성 파트 생성부를 포함한다.
상기 인물 배경 영상은, 상기 인물의 발화와 관련된 부분이 마스크로 가려지고, 상기 영상 파트 생성부는, 상기 영상 파트에서 상기 발화 관련 정보를 기반으로 상기 마스크로 가려진 발화와 관련된 부분을 복원할 수 있다.
상기 영상 파트 생성부는, 상기 인물 배경 영상을 입력 받고, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하는 제1 인코더; 상기 제1 인코더에서 출력되는 영상 특징 벡터 및 상기 음성 파트 생성부로부터 입력되는 발화 관련 정보를 조합하여 조합 벡터를 생성하는 조합부; 및 상기 조합 벡터를 입력으로 하여 상기 발화 동영상의 영상 파트를 복원하는 제1 디코더를 포함할 수 있다.
상기 제1 디코더는, 상기 발화 관련 정보를 기반으로 상기 인물 배경 영상의 마스크로 가려진 부분을 복원하도록 학습된 머신 러닝 모델일 수 있다.
상기 영상 파트 생성부는, 상기 조합부와 상기 제1 디코더 사이에 마련되는 하나 이상의 레지듀얼 블록을 더 포함하고, 상기 레지듀얼 블록은, 상기 조합부에서 출력되는 조합 벡터를 입력 값으로 하고, 상기 입력 값과 상기 레지듀얼 블록에서 출력되는 출력 값 간의 차이가 최소화되도록 학습될 수 있다.
상기 영상 파트 생성부는, 상기 제1 디코더로부터 출력되는 상기 영상 파트를 입력 받고, 상기 영상 파트의 각 픽셀 별로 주의 집중 가중치를 결정하여 어텐션 맵을 생성하는 어텐션부; 상기 제1 디코더로부터 출력되는 상기 영상 파트를 입력 받고, 상기 영상 파트에서 발화 관련 부분을 추출하여 발화 관련 영상을 출력하는 발화 관련 부분 추출부; 및 상기 제1 인코더로 입력되는 인물 배경 영상, 상기 어텐션 맵, 및 상기 발화 관련 영상을 입력 받아 상기 인물의 최종 영상 파트를 출력하는 복원 출력부를 더 포함할 수 있다.
상기 복원 출력부는, 상기 최종 영상 파트에서 발화와 관련되지 않은 부분은 상기 인물 배경 영상을 기반으로 복원하고, 상기 최종 영상 파트에서 발화와 관련된 부분은 상기 발화 관련 영상을 기반으로 복원할 수 있다.
상기 음성 파트 생성부는, 상기 텍스트를 입력 받고, 상기 텍스트로부터 문맥 벡터를 생성하는 제2 인코더; 및 상기 문맥 벡터를 입력 받고, 상기 문맥 벡터로부터 상기 인물의 목소리로 음성 스펙트로그램 신호를 출력하는 제2 디코더를 포함할 수 있다.
상기 음성 파트 생성부는, 상기 제2 인코더와 상기 제2 디코더 사이에 마련되고, 상기 문맥 벡터와 상기 음성 스펙트로그램 신호 간의 시간에 따른 대응 관계를 학습하도록 마련되는 어텐션부를 더 포함할 수 있다.
상기 발화 동영상 생성 장치는, 입력되는 명령에 따라 상기 발화 관련 정보를 상기 영상 파트 생성부로 제공 또는 미제공 하도록 마련되는 출력 선택부를 더 포함할 수 있다.
상기 출력 선택부는, 입력되는 명령에 따라 상기 발화 관련 정보를 상기 영상 파트 생성부로 제공하면서 상기 음성 파트 생성부에서는 음성 신호가 출력되지 않도록 할 수 있다.
개시되는 일 실시예에 따른 발화 동영상 생성 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 상기 컴퓨팅 장치의 영상 파트 생성부에서, 소정 인물의 인물 배경 영상을 입력 받고, 상기 인물의 발화 동영상 중 영상 파트를 생성하는 단계; 및 상기 컴퓨팅 장치의 음성 파트 생성부에서, 텍스트를 입력 받고, 상기 텍스트로부터 상기 인물의 발화 동영상 중 음성 파트를 생성하며, 상기 음성 파트를 생성하는 과정에서 발생하는 발화 관련 정보를 상기 영상 파트 생성부로 제공하는 단계를 포함한다.
개시되는 실시예에 의하면, 텍스트가 입력되는 경우 텍스트로부터 음성을 합성하여 소정 인물의 음성 파트 부분을 생성하면서 음성 합성 과정에서 발생된 발화 관련 정보를 이용하여 소정 인물이 발화하는 동영상의 영상 파트 부분을 생성함으로써, 하나의 단일 신경망 모델을 통해 영상 파트와 음성 파트를 동시에 생성할 수 있어 신경망 구조를 간소화 할 수 있게 된다.
그리고, 영상 파트 와 음성 파트가 단일 신경망으로 구성됨으로써, 영상 파트와 음성 파트가 상호 보완적으로 학습될 수 있게 된다. 예를 들어, 영상 파트의 경우 음성 파트로부터 발화 관련 정보를 보다 풍성하게 얻을 수 있고, 음성 파트는 음성 생성에 있어 영상의 발화가 적절하게 합성되도록 음성 생성에 제한을 줄 수 있다.
또한, 텍스트에 기반하여 생성되는 발화 관련 정보를 인물 배경 영상에서 마스크(M)로 가려진 부분의 영상을 복원하는데 사용함으로써, 음성 신호의 발음이 불규칙하거나 불명확한 부분에 대해 텍스트를 통해 보완하여 학습할 수 있으므로, 해당 인물의 정확한 발음이 나오도록 피드백 받을 수 있게 된다. 그리고, 이는 영상 파트에서 마스크로 가져진 발화와 관련된 부분의 영상을 보다 정확하게 복원할 수 있도록 유도하게 된다.
또한, 발화와 관련된 부분을 마스킹 처리한 상태에서 얼굴 및 상반신이 포함된 인물 배경 영상을 입력으로 하여 학습하기 때문에, 사람의 발화 시 나타나는 얼굴 움직임, 목 움직임, 및 어깨 움직임 등과 같은 그 사람만의 독특한 제스쳐 또는 특징을 반영하여 발화 동영상을 생성할 수 있으며, 그로 인해 보다 자연스러운 발화 동영상을 생성할 수 있게 된다.
또한, 발화 동영상의 영상 중 마스킹 처리된 발화와 관련된 부분을 발화 관련 정보로부터 복원함으로써, 별도의 키포인트 예측 과정 없이 단일 신경망 모델을 통해 발화 동영상을 생성할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도
도 2는 본 발명의 다른 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도
도 3은 본 발명의 다른 실시예에 따른 발화 동영상 생성 장치의 영상 파트 생성부를 나타낸 도면
도 4은 본 발명의 또 다른 실시예에 따른 발화 동영상 생성 장치의 영상 파트 생성부를 나타낸 도면
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다.
또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
도 1은 본 발명의 일 실시예에 따른 단일 신경망 구조를 갖는 발화 동영상 생성 장치의 구성을 나타낸 블록도이다. 도 1을 참조하면, 발화 동영상 생성 장치(100)는 영상 파트 생성부(102) 및 음성 파트 생성부(104)를 포함할 수 있다.
영상 파트 생성부(102)는 발화 동영상의 영상 부분을 생성하기 위한 부분일 수 있다. 영상 파트 생성부(102)는 인물의 발화와 관련된 부분이 마스크(M)로 가려진 인물 배경 영상 및 해당 인물의 발화 관련 정보를 입력으로 받아 발화 동영상의 영상 부분을 생성할 수 있다. 이때, 발화 동영상의 영상 부분에서 마스크(M)로 가려진 부분은 발화 관련 정보를 기반으로 복원할 수 있다. 영상 파트 생성부(102)는 제1 인코더(112), 조합부(114), 및 제1 디코더(116)를 포함할 수 있다.
음성 파트 생성부(104)는 발화 동영상의 음성 부분을 생성하기 위한 부분일 수 있다. 음성 파트 생성부(104)는 텍스트를 입력으로 받고, 입력된 텍스트로부터 발화 동영상의 음성 파트에 사용되는 발화 관련 정보를 생성할 수 있다. 음성 파트 생성부(104)는 발화 관련 정보를 영상 파트 생성부(102)로 제공할 수 있다. 음성 파트 생성부(104)는 제2 인코더(120), 어텐션부(122), 제2 디코더(124), 및 보코더(126)를 포함할 수 있다. 여기서, 발화 관련 정보는 어텐션부(122), 제2 디코더(124), 및 보코더(126) 중 어느 하나의 출력 데이터일 수 있다.
여기서, 영상 파트 생성부(102)와 음성 파트 생성부(104)는 단일 신경망으로 이루어질 수 있다. 영상 파트 생성부(102)와 음성 파트 생성부(104)는 발화 동영상의 영상 파트와 음성 파트를 각각 생성하나, 음성 파트의 생성 과정 중 발생하는 발화 관련 정보를 영상 파트 생성부(102)로 제공하여 하나의 단일 신경망을 통해 영상 파트와 음성 파트를 동시에 생성할 수 있게 된다.
도 1에 도시된 발화 동영상 생성 장치(100)의 구성은, 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 본 발명에 따른 기능을 수행하기 위하여 상호 기능적으로 연결될 수 있으며, 어느 하나 이상의 구성이 실제 물리적으로는 서로 통합되어 구현될 수도 있다.
예시적인 실시예에서, 발화 동영상 생성 장치(100)는 합성곱 신경망(Convolutional Neural Network : CNN) 기반의 머신 러닝 기술로 구현될 수 있으나, 머신 러닝 기술이 이에 한정되는 것은 아니며 그 이외의 다양한 머신 러닝 기술이 적용될 수 있다. 이하에서는, 발화 동영상 생성을 위한 학습 과정을 위주로 설명하기로 한다.
제1 인코더(112)는 인물 배경 영상을 입력으로 하여 영상 특징 벡터를 추출하도록 학습되는 머신 러닝 모델일 수 있다. 이하, "벡터"는 "텐서"를 포함하는 의미로 사용될 수 있다.
여기서, 제1 인코더(112)로 입력되는 인물 배경 영상은 소정 인물이 발화하는(말을 하는) 영상이다. 인물 배경 영상은 인물의 얼굴과 상반신이 포함된 영상일 수 있다. 즉, 인물 배경 영상은 해당 인물이 발화 할 때 나타나는 얼굴, 목, 및 어깨 등의 움직임이 보여지도록 얼굴뿐만 아니라 상반신이 포함된 영상일 수 있다.
제1 인코더(112)로 입력되는 인물 배경 영상에서 발화와 관련된 부분은 마스킹(Masking) 처리될 수 있다. 즉, 인물 배경 영상에서 발화와 관련된 부분(예를 들어, 입 및 입 주위 부분 등)은 마스크(M)로 가릴 수 있다. 또한, 마스킹 처리 시 인물 배경 영상에서 인물의 발화에 따른 얼굴 움직임, 목 움직임, 및 어깨 움직임 등과 관련된 부분은 마스킹 처리되지 않도록 할 수 있다. 그러면, 제1 인코더(112)에서는 인물 배경 영상에서 발화와 관련된 부분을 제외한 부분의 영상 특징 벡터를 추출하게 된다.
제1 인코더(112)는 하나 이상의 합성곱 층(Convolutional Layer) 및 하나 이상의 풀링 층(Pooling Layer)를 포함할 수 있다. 합성곱 층은 입력되는 인물 배경 영상에서 기 설정된 크기(예를 들어, 3×3 픽셀 크기)의 필터를 일정 간격으로 이동시키면서 해당 필터에 대응되는 픽셀들의 특징 값을 추출할 수 있다. 풀링 층은 합성곱 층의 출력을 입력으로 받아 다운 샘플링(Down Sampling)을 수행할 수 있다.
조합부(114)는 제1 인코더(112)에서 출력되는 영상 특징 벡터 및 음성 파트 생성부(104)에서 생성되는 발화 관련 정보를 조합하여 조합 벡터를 생성할 수 있다. 예시적인 실시예에서, 조합부(114)로 입력되는 발화 관련 정보는 어텐션부(122)에서 출력되는 데이터, 제2 디코더(124)에서 출력되는 데이터, 및 제2 디코더(124)에서 처리되는 중간 산출물 데이터 중 어느 하나가 될 수 있다.
예시적인 실시예에서, 조합부(114)는 영상 특징 벡터와 발화 관련 정보를 연결(Concatenate)하여 조합 벡터를 생성할 수 있으나, 이에 한정되는 것은 아니다.
제1 디코더(116)는 조합부(114)에서 출력되는 조합 벡터를 입력으로 하여 인물의 발화 동영상 중 영상 파트를 복원할 수 있다. 구체적으로, 제1 디코더(116)는 음성 파트 생성부(104)에서 생성되는 발화 관련 정보를 기반으로 제1 인코더(112)에서 출력되는 영상 특징 벡터의 마스크(M)로 가려진 부분(즉, 발화와 관련된 부분)을 복원하도록 학습되는 머신 러닝 모델일 수 있다. 즉, 제1 디코더(116)는 인물 배경 영상에서 발화와 관련된 부분이 마스킹 된 경우, 발화 관련 정보를 이용하여 마스킹 된 영역의 영상 부분을 복원하도록 학습되는 모델일 수 있다. 이 경우, 단일 신경망 구조를 통해 텍스트를 입력으로 하여 소정 인물의 발화 영상을 생성할 수 있게 된다.
예시적인 실시예에서, 제1 디코더(116)는 제1 인코더(112)에서 출력되는 영상 특징 벡터와 음성 파트 생성부(104)에서 생성되는 발화 관련 정보가 조합된 조합 벡터에 역 합성곱(Deconvolution)을 수행한 후 업 샘플링(Up Sampling)을 수행하여 발화 동영상의 영상 파트를 생성할 수 있다.
제2 인코더(120)는 텍스트(Text)를 입력으로 하여 해당 텍스트에 대한 문맥 벡터(Context Vector)를 출력하도록 학습되는 머신 러닝 모델일 수 있다. 제2 인코더(120)는 텍스트에 기반하여 입력 시퀀스를 생성하고, 입력 시퀀스로부터 문맥 벡터를 생성할 수 있다. 예를 들어, 제2 인코더(120)는 시퀀스 투 시퀀스(Sequence-To-Sequence) 모델을 통해 텍스트로부터 입력 시퀀스를 생성할 수 있다.
어텐션부(122)는 음성 파트 생성부(104)의 입력 데이터인 텍스트와 출력 데이터인 음성 스펙트로그램 신호 간의 시간에 따른 대응 관계를 학습하도록 마련된 머신 러닝 모델일 수 있다. 예를 들어, 시간에 따라 입력과 출력이 상호 대응되는 순차 데이터[(X 0, Y 0), (X 1, Y 1), ... ,(X t, Y t)]의 경우, 각 입력에 대하여 출력이 정해져 있기 때문에 신경망 등을 통한 학습이 가능하나, 입력 데이터가 텍스트이고 출력 데이터가 음성 스펙트로그램 신호인 경우 다음 수학식 1과 같이 입력 데이터(X i)와 출력 데이터(Y j) 간의 대응 관계를 알기 어렵다.
(수학식 1)
[(X 0, X 1, ... , X i), (Y 0, Y 1, ... , Y j)], i ≠ j
이에, 어텐션부(122)를 통해 입력 데이터인 텍스트와 출력 데이터인 음성 스펙트로그램 신호 간의 시간에 따른 대응 관계를 학습할 수 있다. 어텐션부(122)는 i 시간의 텍스트(즉, 문맥 벡터)가 어떤 j 시간의 음성 스펙트로그램 신호와 관계 되어 있는지를 학습할 수 있다. 어텐션부(122)는 문맥 벡터를 음성 스펙트로그램 신호와의 시간에 따른 대응 관계에 따라 음성 스펙트로그램 신호와 동일한 길이로 정렬할 수 있다.
어텐션부(122)는 제2 인코더(120)에 의해 생성된 문맥 벡터에 대한 제2 디코더(124)의 현재 출력 시점에서의 주의 집중 가중치(Attention Weight)를 결정할 수 있다. 이때, 주의 집중 가중치는 제2 디코더(124)의 현재 출력 시점에서 출력할 음성 스펙트로그램 신호를 결정하기 위해 문맥 벡터 중 어느 부분에 집중하여야 할지를 나타낼 수 있다.
제2 디코더(124)는 제2 인코더(120)에서 출력되는 문맥 벡터를 기반으로 음성 스펙트로그램 신호를 출력하도록 학습되는 머신 러닝 모델일 수 있다. 제2 디코더(124)는 문백 벡터가 입력되는 경우 어텐션부(122)에서 결정된 주의 집중 가중치를 고려하여 음성 스펙트로그램 신호를 출력할 수 있다. 제2 디코더(124)는 텍스트에 대해 인물 배경 영상 속 인물의 목소리로 음성 스펙트로그램 신호를 출력하도록 학습될 수 있다. 예시적인 실시예에서, 제2 디코더(124)는 음성 스펙트로그램 신호를 조합부(114)로 전달할 수 있다.
보코더(126)는 제2 디코더(124)가 출력하는 음성 스펙트로그램 신호를 입력으로 하여 음성 신호를 생성할 수 있다. 즉, 보코더(126)는 음성 스펙트로그램 신호를 스피커 등을 통해 출력할 수 있는 음성 신호로 변환 할 수 있다.
개시되는 실시예에 의하면, 텍스트가 입력되는 경우 텍스트로부터 음성을 합성하여 소정 인물의 음성 파트 부분을 생성하면서 음성 합성 과정에서 발생된 발화 관련 정보를 이용하여 소정 인물이 발화하는 동영상의 영상 파트 부분을 생성함으로써, 하나의 단일 신경망 모델을 통해 영상 파트와 음성 파트를 동시에 생성할 수 있어 신경망 구조를 간소화 할 수 있게 된다.
그리고, 영상 파트와 음성 파트가 단일 신경망으로 구성됨으로써, 영상 파트와 음성 파트가 상호 보완적으로 학습될 수 있게 된다. 예를 들어, 영상 파트의 경우 음성 파트로부터 발화 관련 정보를 보다 풍성하게 얻을 수 있고, 음성 파트는 음성 생성에 있어 영상의 발화가 적절하게 합성되도록 음성 생성에 제한을 줄 수 있다.
또한, 텍스트에 기반하여 생성되는 발화 관련 정보를 인물 배경 영상에서 마스크(M)로 가려진 부분의 영상을 복원하는데 사용함으로써, 음성 신호의 발음이 불규칙하거나 불명확한 부분에 대해 텍스트를 통해 보완하여 학습할 수 있으므로, 해당 인물의 정확한 발음이 나오도록 피드백 받을 수 있게 된다. 그리고, 이는 영상 파트에서 마스크로 가져진 발화와 관련된 부분의 영상을 보다 정확하게 복원할 수 있도록 유도하게 된다.
또한, 발화와 관련된 부분을 마스킹 처리한 상태에서 얼굴 및 상반신이 포함된 인물 배경 영상을 입력으로 하여 학습하기 때문에, 사람의 발화 시 나타나는 얼굴 움직임, 목 움직임, 및 어깨 움직임 등과 같은 그 사람만의 독특한 제스쳐 또는 특징을 반영하여 발화 동영상을 생성할 수 있으며, 그로 인해 보다 자연스러운 발화 동영상을 생성할 수 있게 된다.
또한, 발화 동영상의 영상 중 마스킹 처리된 발화와 관련된 부분을 발화 관련 정보로부터 복원함으로써, 별도의 키포인트 예측 과정 없이 단일 신경망 모델을 통해 발화 동영상을 생성할 수 있게 된다.
또한, 얼굴뿐만 아니라 상반신도 포함된 발화 동영상을 생성하게 되므로, 해당 인물의 다른 신체 부분(예를 들어, 몸통이나 팔 다리 등)에 대해 추가적인 변환 또는 합성 과정 없이 자연스럽게 붙여 넣을 수 있게 된다.
도 2는 본 발명의 다른 실시예에 따른 발화 동영상 생성 장치의 구성을 나타낸 블록도이다. 여기서는, 도 1에 도시된 실시예와 차이가 나는 부분을 중점적으로 설명하기로 한다.
도 2을 참조하면, 발화 동영상 생성 장치(100)는 출력 선택부(128)를 더 포함할 수 있다. 출력 선택부(128)는 입력되는 명령에 따라 음성 파트 생성부(104)에서 생성되는 발화 관련 정보를 영상 파트 생성부(102)로 제공하거나 미제공할 수 있다.
여기서, 출력 선택부(128)가 발화 관련 정보를 영상 파트 생성부(102)로 제공하는 경우, 발화 동영상 생성 장치(100)는 발화 동영상 중 영상 파트와 음성 파트를 각각 생성할 수 있게 된다. 반면, 출력 선택부(128)가 발화 관련 정보를 영상 파트 생성부(102)로 제공하지 않는 경우, 발화 동영상 생성 장치(100)는 발화 동영상 중 음성 파트만을 생성하게 된다.
또한, 출력 선택부(128)는 입력되는 명령에 따라 음성 파트 생성부(104)에서 생성되는 발화 관련 정보를 영상 파트 생성부(102)로 제공하면서 음성 파트 생성부(104)에서는 음성 신호가 출력되지 않도록 할 수 있다. 이 경우, 발화 동영상 생성 장치(100)는 발화 동영상 중 영상 파트만을 생성하게 된다.
이와 같이, 출력 선택부(128)를 통해 발화 동영상 중 음성 파트만 생성하거나 영상 파트만 생성할 수도 있고, 음성 파트와 영상 파트를 모두 생성할 수 있게 된다.
도 3은 본 발명의 다른 실시예에 따른 발화 동영상 생성 장치의 영상 파트 생성부를 나타낸 도면이다. 여기서는, 도 1에 도시된 실시예와 차이가 나는 부분을 중점적으로 설명하기로 한다.
도 3을 참조하면, 영상 파트 생성부(102)는 레지듀얼 블록(130)을 더 포함할 수 있다. 레지듀얼 블록(130)은 조합부(114)와 제1 디코더(116) 사이에 하나 이상이 마련될 수 있다. 예시적인 실시예에서, 레지듀얼 블록(130)은 조합부(114)와 제1 디코더(116) 사이에 복수 개가 순차적으로 연결(직렬로 연결)되어 마련될 수 있다.
레지듀얼 블록(130)은 하나 이상의 합성곱 층(Convolutional Layer)을 포함할 수 있다. 레지듀얼 블록(130)은 입력 값(즉, 조합부(114)에서 출력되는 조합 벡터)에 대해 컨볼루션을 수행하고, 컨볼루션을 수행한 결과 값에 다시 입력 값을 더하는 구조로 이루어질 수 있다. 레지듀얼 블록(130)은 레지듀얼 블록(130)의 입력 값과 출력 값의 차이의 최소화를 학습하도록 할 수 있다. 이를 통해, 영상 특징 벡터와 음성 특징 벡터를 유기적으로 조합하여 제1 디코더(116)의 입력으로 사용할 수 있게 된다.
도 4은 본 발명의 또 다른 실시예에 따른 발화 동영상 생성 장치의 영상 파트 생성부를 나타낸 도면이다. 여기서는, 도 1에 도시된 실시예와 차이가 나는 부분을 중점적으로 설명하기로 한다.
도 4를 참조하면, 영상 파트 생성부(102)는 어텐션부(132), 발화 관련 부분 추출부(134), 및 복원 출력부(136)를 더 포함할 수 있다.
여기서, 어텐션부(132) 및 발화 관련 부분 추출부(134)는 제1 디코더(116)의 출력 단에 각각 연결될 수 있다. 즉, 어텐션부(132) 및 발화 관련 부분 추출부(134)는 제1 디코더(116)에서 출력하는 발화 동영상의 영상 파트(이하에서는 1차 복원된 영상 파트라 지칭할 수 있음)을 입력으로 할 수 있다.
어텐션부(132)는 1차 복원된 영상 파트의 각 픽셀 별로 주의 집중 가중치(Attention Weight)를 결정하여 어텐션 맵(Attention Map)을 출력할 수 있다. 주의 집중 가중치는 0 ~ 1 사이의 값일 수 있다.
구체적으로, 어텐션부(132)는 1차 복원된 영상 파트의 각 픽셀 별로 복원 출력부(136)에서 영상 파트의 2차 복원 시 제1 인코더(112)의 입력으로 사용된 인물 배경 영상(즉, 발화 관련 부분이 마스크로 가려진 영상)과 발화 관련 부분 추출부(134)에서 출력되는 발화 관련 영상 중 어느 부분을 사용할 것인지를 결정하기 위한 주의 집중 가중치를 설정할 수 있다.
발화 관련 부분 추출부(134)는 1차 복원된 영상 파트에서 발화와 관련된 부분(즉, 발화 관련 부분)을 추출하여 발화 관련 영상을 출력할 수 있다. 예시적인 실시예에서, 발화 관련 부분 추출부(134)는 1차 복원된 영상 파트에서 발화 관련 부분의 픽셀 값을 추출하고, 그 이외의 부분은 랜덤한 값(예를 들어, 사용되지 않는 값)으로 채워 발화 관련 영상을 생성할 수 있다.
복원 출력부(136)는 제1 인코더(112)의 입력으로 사용된 인물 배경 영상, 어텐션부(132)에서 출력되는 어텐션 맵, 및 발화 관련 부분 추출부(134)에서 출력되는 발화 관련 영상을 조합하여 발화 동영상의 최종 영상 파트를 출력할 수 있다.
복원 출력부(136)는 어텐션 맵(픽셀 별 주의 집중 가중치 값을 포함)을 기반으로 발화와 관련되지 않은 부분은 인물 배경 영상을 사용하여 최종 영상 파트를 복원하고, 발화와 관련된 부분은 발화 관련 영상을 사용하여 최종 영상 파트를 복원하도록 할 수 있다.
예시적인 실시예에서, 복원 출력부(136)는 하기의 수학식 1을 통해 최종 영상 파트(P)를 복원할 수 있다.
(수학식 1)
P = A·I + (1-A)·C
여기서, A는 각 픽셀의 어텐션 가중치를 나타내고, I는 인물 배경 영상의 각 픽셀 값을 나타내며, C는 발화 관련 영상의 각 픽셀 값을 나타낸다.
수학식 1에 의하면, A가 0에 가까울수록 최종 영상 파트는 발화 관련 영상에 의해 영향을 받고, A가 1에 가까울수록 최종 영상 파트는 인물 배경 영상에 의해 영향을 받게 된다. 따라서, 어텐션부(132)에서 각 픽셀 별로 주의 집중 가중치를 결정할 때 발화와 관련되지 않은 부분은 주의 집중 가중치가 1에 가깝도록 하고, 발화와 관련된 부분은 주의 집중 가중치가 0에 가깝도록 설정할 수 있다.
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 발화 동영상 생성 장치(100)일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (12)

  1. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서,
    소정 인물의 인물 배경 영상을 입력 받고, 상기 인물의 발화 동영상 중 영상 파트를 생성하는 영상 파트 생성부; 및
    텍스트를 입력 받고, 상기 텍스트로부터 상기 인물의 발화 동영상 중 음성 파트를 생성하며, 상기 음성 파트를 생성하는 과정에서 발생하는 발화 관련 정보를 상기 영상 파트 생성부로 제공하는 음성 파트 생성부를 포함하는, 발화 동영상 생성 장치.
  2. 청구항 1에 있어서,
    상기 인물 배경 영상은, 상기 인물의 발화와 관련된 부분이 마스크로 가려지고,
    상기 영상 파트 생성부는,
    상기 영상 파트에서 상기 발화 관련 정보를 기반으로 상기 마스크로 가려진 발화와 관련된 부분을 복원하는, 발화 동영상 생성 장치.
  3. 청구항 2에 있어서,
    상기 영상 파트 생성부는,
    상기 인물 배경 영상을 입력 받고, 상기 인물 배경 영상으로부터 영상 특징 벡터를 추출하는 제1 인코더;
    상기 제1 인코더에서 출력되는 영상 특징 벡터 및 상기 음성 파트 생성부로부터 입력되는 발화 관련 정보를 조합하여 조합 벡터를 생성하는 조합부; 및
    상기 조합 벡터를 입력으로 하여 상기 발화 동영상의 영상 파트를 복원하는 제1 디코더를 포함하는, 발화 동영상 생성 장치.
  4. 청구항 3에 있어서,
    상기 제1 디코더는,
    상기 발화 관련 정보를 기반으로 상기 인물 배경 영상의 마스크로 가려진 부분을 복원하도록 학습된 머신 러닝 모델인, 발화 동영상 생성 장치.
  5. 청구항 3에 있어서,
    상기 영상 파트 생성부는,
    상기 조합부와 상기 제1 디코더 사이에 마련되는 하나 이상의 레지듀얼 블록을 더 포함하고,
    상기 레지듀얼 블록은, 상기 조합부에서 출력되는 조합 벡터를 입력 값으로 하고, 상기 입력 값과 상기 레지듀얼 블록에서 출력되는 출력 값 간의 차이가 최소화되도록 학습되는, 발화 동영상 생성 장치.
  6. 청구항 3에 있어서,
    상기 영상 파트 생성부는,
    상기 제1 디코더로부터 출력되는 상기 영상 파트를 입력 받고, 상기 영상 파트의 각 픽셀 별로 주의 집중 가중치를 결정하여 어텐션 맵을 생성하는 어텐션부;
    상기 제1 디코더로부터 출력되는 상기 영상 파트를 입력 받고, 상기 영상 파트에서 발화 관련 부분을 추출하여 발화 관련 영상을 출력하는 발화 관련 부분 추출부; 및
    상기 제1 인코더로 입력되는 인물 배경 영상, 상기 어텐션 맵, 및 상기 발화 관련 영상을 입력 받아 상기 인물의 최종 영상 파트를 출력하는 복원 출력부를 더 포함하는, 발화 동영상 생성 장치.
  7. 청구항 6에 있어서,
    상기 복원 출력부는,
    상기 최종 영상 파트에서 발화와 관련되지 않은 부분은 상기 인물 배경 영상을 기반으로 복원하고, 상기 최종 영상 파트에서 발화와 관련된 부분은 상기 발화 관련 영상을 기반으로 복원하는, 발화 동영상 생성 장치.
  8. 청구항 1에 있어서,
    상기 음성 파트 생성부는,
    상기 텍스트를 입력 받고, 상기 텍스트로부터 문맥 벡터를 생성하는 제2 인코더; 및
    상기 문맥 벡터를 입력 받고, 상기 문맥 벡터로부터 상기 인물의 목소리로 음성 스펙트로그램 신호를 출력하는 제2 디코더를 포함하는, 발화 동영상 생성 장치.
  9. 청구항 8에 있어서,
    상기 음성 파트 생성부는,
    상기 제2 인코더와 상기 제2 디코더 사이에 마련되고, 상기 문맥 벡터와 상기 음성 스펙트로그램 신호 간의 시간에 따른 대응 관계를 학습하도록 마련되는 어텐션부를 더 포함하는, 발화 동영상 생성 장치.
  10. 청구항 1에 있어서,
    상기 발화 동영상 생성 장치는,
    입력되는 명령에 따라 상기 발화 관련 정보를 상기 영상 파트 생성부로 제공 또는 미제공 하도록 마련되는 출력 선택부를 더 포함하는, 발화 동영상 생성 장치.
  11. 청구항 10에 있어서,
    상기 출력 선택부는,
    입력되는 명령에 따라 상기 발화 관련 정보를 상기 영상 파트 생성부로 제공하면서 상기 음성 파트 생성부에서는 음성 신호가 출력되지 않도록 하는, 발화 동영상 생성 장치.
  12. 하나 이상의 프로세서들, 및
    상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
    상기 컴퓨팅 장치의 영상 파트 생성부에서, 소정 인물의 인물 배경 영상을 입력 받고, 상기 인물의 발화 동영상 중 영상 파트를 생성하는 단계; 및
    상기 컴퓨팅 장치의 음성 파트 생성부에서, 텍스트를 입력 받고, 상기 텍스트로부터 상기 인물의 발화 동영상 중 음성 파트를 생성하며, 상기 음성 파트를 생성하는 과정에서 발생하는 발화 관련 정보를 상기 영상 파트 생성부로 제공하는 단계를 포함하는, 발화 동영상 생성 방법.
PCT/KR2020/007978 2019-06-21 2020-06-19 텍스트를 이용한 발화 동영상 생성 방법 및 장치 WO2020256475A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/620,863 US11972516B2 (en) 2019-06-21 2020-06-19 Method and device for generating speech video by using text

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2019-0074158 2019-06-21
KR20190074158 2019-06-21
KR10-2020-0073099 2020-06-16
KR1020200073099A KR102360840B1 (ko) 2019-06-21 2020-06-16 텍스트를 이용한 발화 동영상 생성 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2020256475A1 true WO2020256475A1 (ko) 2020-12-24

Family

ID=74040573

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/007978 WO2020256475A1 (ko) 2019-06-21 2020-06-19 텍스트를 이용한 발화 동영상 생성 방법 및 장치

Country Status (2)

Country Link
US (1) US11972516B2 (ko)
WO (1) WO2020256475A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735371A (zh) * 2020-12-28 2021-04-30 出门问问(苏州)信息科技有限公司 一种基于文本信息生成说话人视频的方法及装置
GB2609286A (en) * 2021-05-20 2023-02-01 Nvidia Corp Synthesizing video from audio using one or more neural networks

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11620903B2 (en) * 2021-01-14 2023-04-04 Baidu Usa Llc Machine learning model to fuse emergency vehicle audio and visual detection

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060020632A (ko) * 2003-06-19 2006-03-06 인터내셔널 비지네스 머신즈 코포레이션 텍스트 변환 방법, 정보 처리 시스템 및 컴퓨터 판독가능한 저장 매체
KR20060090687A (ko) * 2003-09-30 2006-08-14 코닌클리케 필립스 일렉트로닉스 엔.브이. 시청각 콘텐츠 합성을 위한 시스템 및 방법
KR20120130627A (ko) * 2011-05-23 2012-12-03 한국전자통신연구원 아바타를 이용한 애니메이션 생성 장치 및 방법
KR20140037410A (ko) * 2012-09-18 2014-03-27 김상철 단어 자동 번역에 기초한 입술 모양 변경 장치 및 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7168953B1 (en) * 2003-01-27 2007-01-30 Massachusetts Institute Of Technology Trainable videorealistic speech animation
US10861210B2 (en) * 2017-05-16 2020-12-08 Apple Inc. Techniques for providing audio and video effects
CN111052232A (zh) * 2017-07-03 2020-04-21 耶路撒冷希伯来大学伊森姆研究发展有限公司 使用视觉信息增强视频中人类说话者的语音信号的方法和系统
US10878824B2 (en) * 2018-02-21 2020-12-29 Valyant Al, Inc. Speech-to-text generation using video-speech matching from a primary speaker
US10937443B2 (en) * 2018-09-04 2021-03-02 Babblelabs Llc Data driven radio enhancement
US10825221B1 (en) * 2019-04-23 2020-11-03 Adobe Inc. Music driven human dancing video synthesis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060020632A (ko) * 2003-06-19 2006-03-06 인터내셔널 비지네스 머신즈 코포레이션 텍스트 변환 방법, 정보 처리 시스템 및 컴퓨터 판독가능한 저장 매체
KR20060090687A (ko) * 2003-09-30 2006-08-14 코닌클리케 필립스 일렉트로닉스 엔.브이. 시청각 콘텐츠 합성을 위한 시스템 및 방법
KR20120130627A (ko) * 2011-05-23 2012-12-03 한국전자통신연구원 아바타를 이용한 애니메이션 생성 장치 및 방법
KR20140037410A (ko) * 2012-09-18 2014-03-27 김상철 단어 자동 번역에 기초한 입술 모양 변경 장치 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KONSTANTINOS VOUGIOUKAS, STAVROS PETRIDIS, MAJA PANTIC: "Abstract", INTERNATIONAL JOURNAL OF COMPUTER VISION., KLUWER ACADEMIC PUBLISHERS, NORWELL., US, vol. 128, no. 5, 1 May 2020 (2020-05-01), US, pages 1398 - 1413, XP055766280, ISSN: 0920-5691, DOI: 10.1007/s11263-019-01251-8 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112735371A (zh) * 2020-12-28 2021-04-30 出门问问(苏州)信息科技有限公司 一种基于文本信息生成说话人视频的方法及装置
CN112735371B (zh) * 2020-12-28 2023-08-04 北京羽扇智信息科技有限公司 一种基于文本信息生成说话人视频的方法及装置
GB2609286A (en) * 2021-05-20 2023-02-01 Nvidia Corp Synthesizing video from audio using one or more neural networks

Also Published As

Publication number Publication date
US11972516B2 (en) 2024-04-30
US20220351439A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
WO2020256471A1 (ko) 머신 러닝 기반의 발화 동영상 생성 방법 및 장치
WO2020256475A1 (ko) 텍스트를 이용한 발화 동영상 생성 방법 및 장치
WO2020256472A1 (ko) 음성 신호를 이용한 발화 동영상 생성 방법 및 장치
KR20200145700A (ko) 머신 러닝 기반의 발화 동영상 생성 방법 및 장치
WO2022045486A1 (ko) 발화 동영상 생성 방법 및 장치
WO2011074771A2 (ko) 외국어 학습 장치 및 그 제공 방법.
WO2022014800A1 (ko) 발화 동영상 생성 방법 및 장치
KR20200145701A (ko) 음성 신호를 이용한 발화 동영상 생성 방법 및 장치
WO2022255529A1 (ko) 머신 러닝 기반의 립싱크 영상 생성을 위한 학습 방법 및 이를 수행하기 위한 립싱크 영상 생성 장치
WO2019004582A1 (ko) 아식칩과 스마트폰을 구비하는 실시간 음성인식 장치
WO2020054980A1 (ko) 음소기반 화자모델 적응 방법 및 장치
WO2022004971A1 (ko) 영상 생성을 위한 학습 장치 및 방법
WO2022265273A1 (ko) 고인을 모사하는 가상 인물과 대화를 수행하는 서비스를 제공하는 방법 및 시스템
KR20200145719A (ko) 텍스트를 이용한 발화 동영상 생성 방법 및 장치
WO2022045485A1 (ko) 랜드마크를 함께 생성하는 발화 동영상 생성 장치 및 방법
WO2022092439A1 (ko) 발화 영상 제공 방법 및 이를 수행하기 위한 컴퓨팅 장치
WO2019031621A1 (ko) 통화 중 감정을 인식하여 인식된 감정을 활용하는 방법 및 시스템
WO2018169276A1 (ko) 언어 정보를 처리하기 위한 방법 및 그 전자 장치
WO2022124498A1 (ko) 립싱크 영상 생성 장치 및 방법
WO2023158226A1 (ko) 적대적 학습 기법을 이용한 음성 합성 방법 및 장치
JPH02183371A (ja) 自動通訳装置
WO2023229091A1 (ko) 3d 립싱크 비디오 생성 장치 및 방법
WO2022004970A1 (ko) 신경망 기반의 특징점 학습 장치 및 방법
WO2021060591A1 (ko) 캐릭터 발화 맥락에 따른 음성합성 모델 변경장치
WO2022149667A1 (ko) 립싱크 영상 생성 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20827103

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20827103

Country of ref document: EP

Kind code of ref document: A1