【技术实现步骤摘要】
基于口型的人脸图像生成方法、模型的训练方法以及设备
[0001]本公开涉及人工智能领域中的云计算和数字人领域,尤其涉及一种基于口型的人脸图像生成方法、模型的训练方法以及设备。
技术介绍
[0002]随着人工智能技术的快速发展,数字人应用成为当前研究的主流。数字人的面部可以随着语音发生变化,例如,数字人的人脸图像中的表情和口型等可以随着语音的改变而改变。
[0003]数字人应用中的一项核心技术就是音频驱动人脸口型技术,如何使人脸图像中的口型准确匹配音频数据是一个亟待解决的技术难题。
技术实现思路
[0004]本公开提供了一种基于口型的人脸图像生成方法、模型的训练方法以及设备。
[0005]根据本公开的第一方面,提供了一种基于口型的人脸图像生成方法,包括:获取待识别的音频数据和预设的人脸图像;确定所述待识别的音频数据的音频特征;其中,所述音频特征包括语速特征和语义特征;根据所述语速特征和所述语义特征对所述预设的人脸图像进行处理,生成具有口型的人脸图像。
[0006]根据本公开的第二方面,提供了一种人脸口型确定模型的训练方法,包括:获取待训练图像数据和预设的人脸图像;其中,所述待训练图像数据中包括待训练的音频数据和待训练的人脸图像,所述待训练的人脸图像具有与待训练的音频数据对应的口型;确定所述待训练的音频数据的音频特征;其中,所述音频特征包括语速特征和语义特征;根据所述语速特征、所述语义特征以及所述预设的人脸图像,对初始的人脸口型确定模型进行训练,得到具有口型的人脸图像;若具有口型的 ...
【技术保护点】
【技术特征摘要】
1.一种基于口型的人脸图像生成方法,包括:获取待识别的音频数据和预设的人脸图像;确定所述待识别的音频数据的音频特征;其中,所述音频特征包括语速特征和语义特征;根据所述语速特征和所述语义特征对所述预设的人脸图像进行处理,生成具有口型的人脸图像。2.根据权利要求1所述的方法,其中,所述确定所述待识别的音频数据的音频特征,包括:根据预设的第一特征提取模型,确定所述待识别的音频数据的语速特征;其中,所述第一特征提取模型用于从待识别的音频数据中提取语速特征;根据预设的第二特征提取模型,确定所述待识别的音频数据的语义特征;其中,所述第二特征提取模型用于从待识别的音频数据中提取语义特征。3.根据权利要求2所述的方法,其中,所述根据预设的第一特征提取模型,确定所述待识别的音频数据的语速特征,包括:将所述待识别的音频数据输入至预设的第一特征提取模型中进行特征提取,得到所述待识别的音频数据的语音后验概率特征;其中,所述语音后验概率特征表征待识别的音频数据的音素类别的信息;根据所述待识别的音频数据的语音后验概率特征,确定所述待识别的音频数据的语速特征。4.根据权利要求3所述的方法,其中,所述根据所述待识别的音频数据的语音后验概率特征,确定所述待识别的音频数据的语速特征,包括:对所述语音后验概率特征进行快速傅里叶变换处理,得到频域信号特征;其中,所述频域信号特征表征待识别的音频数据的音素类别的信息;根据预设的频段大小,将所述频域信号特征切分为至少两个频段的频域信号特征;对所述至少两个频段的频域信号特征进行积分处理,得到所述待识别的音频数据的语速特征。5.根据权利要求2
‑
4中任一项所述的方法,其中,所述根据预设的第二特征提取模型,确定所述待识别的音频数据的语义特征,包括:将所述待识别的音频数据输入至预设的第二特征提取模型中进行特征提取,输出得到所述待识别的音频数据的语义特征。6.根据权利要求5所述的方法,其中,所述根据所述语速特征和所述语义特征对所述预设的人脸图像进行处理,生成具有口型的人脸图像,包括:将所述语速特征和所述语义特征,输入至预设的人脸口型确定模型中进行处理,根据处理得到的结果和所述预设的人脸图像,生成具有口型的人脸图像。7.根据权利要求6所述的方法,其中,所述将所述语速特征和所述语义特征,输入至预设的人脸口型确定模型中进行处理,根据处理得到的结果和所述预设的人脸图像,生成具有口型的人脸图像,包括:基于所述预设的人脸口型确定模型对所述语速特征和所述语义特征进行拼接处理,得到所述待识别的音频数据的拼接特征;其中,所述拼接特征表征语速特征和语义特征;
根据所述预设的人脸口型确定模型中的卷积层,对所述拼接特征进行特征提取,得到人脸驱动参数;其中,所述人脸驱动参数用于表示驱动人脸图像中的口型变化所需的参数;根据所述人脸驱动参数对所述预设的人脸图像进行图像渲染,生成具有口型的人脸图像。8.根据权利要求7所述的方法,其中,所述人脸驱动参数为混合变形的权重参数;所述根据所述人脸驱动参数对所述预设的人脸图像进行图像渲染,生成具有口型的人脸图像,包括:根据所述混合变形的权重参数,确定所述预设的人脸图像所对应的人脸三维网格数据;其中,所述人脸三维网格数据为表示人脸图像上人脸表面的三维网格模型的数据;根据所述人脸三维网格数据对所述预设的人脸图像进行图像渲染,生成具有口型的人脸图像。9.根据权利要求8所述的方法,还包括:若确定所述待识别的音频数据的语速特征所表征的数值,小于预设的语速阈值,则根据所述语义特征对所述预设的人脸图像进行处理,生成具有口型的人脸图像。10.一种人脸口型确定模型的训练方法,包括:获取待训练图像数据和预设的人脸图像;其中,所述待训练图像数据中包括待训练的音频数据和待训练的人脸图像,所述待训练的人脸图像具有与待训练的音频数据对应的口型;确定所述待训练的音频数据的音频特征;其中,所述音频特征包括语速特征和语义特征;根据所述语速特征、所述语义特征以及所述预设的人脸图像,对初始的人脸口型确定模型进行训练,得到具有口型的人脸图像;若具有口型的人脸图像与所述待训练的人脸图像两者一致,则确定得到训练完成的人脸口型确定模型。11.根据权利要求10所述的方法,其中,所述确定所述待训练的音频数据的音频特征,包括:根据预设的第一特征提取模型,确定所述待训练的音频数据的语速特征;其中,所述第一特征提取模型用于从待训练的音频数据中提取语速特征;根据预设的第二特征提取模型,确定所述待训练的音频数据的语义特征;其中,所述第二特征提取模型用于从待训练的音频数据中提取语义特征。12.根据权利要求11所述的方法,其中,所述根据预设的第一特征提取模型,确定所述待训练的音频数据的语速特征,包括:将所述待训练的音频数据输入至预设的第一特征提取模型中进行特征提取,得到所述待训练的音频数据的语音后验概率特征;其中,所述语音后验概率特征表征待训练的音频数据的音素类别的信息;根据所述待训练的音频数据的语音后验概率特征,确定所述待训练的音频数据的语速特征。13.根据权利要求12所述的方法,其中,所述根据所述待训练的音频数据的语音后验概率特征,确定所述待训练的音频数据的语速特征,包括:
对所述语音后验概率特征进行快速傅里叶变换处理,得到频域信号特征;其中,所述频域信号特征表征待训练的音频数据的音素类别的信息;根据预设的频段大小,将所述频域信号特征切分为至少两个频段的频域信号特征;对所述至少两个频段的频域信号特征进行积分处理,得到所述待训练的音频数据的语速特征。14.根据权利要求11
‑
13中任一项所述的方法,其中,所述根据预设的第二特征提取模型,确定所述待训练的音频数据的语义特征,包括:将所述待训练的音频数据输入至预设的第二特征提取模型中进行特征提取,输出得到所述待训练的音频数据的语义特征。15.根据权利要求14所述的方法,其中,所述根据所述语速特征、所述语义特征以及所述预设的人脸图像,对初始的人脸口型确定模型进行训练,得到具有口型的人脸图像,包括:基于所述初始的人脸口型确定模型对所述语速特征和所述语义特征进行拼接处理,得到所述待训练的音频数据的拼接特征;其中,所述拼接特征表征语速特征和语义特征;根据所述初始的人脸口型确定模型中的卷积层,对所述拼接特征进行特征提取,得到人脸驱动参数;其中,所述人脸驱动参数用于表示驱动人脸图像中的口型变化所需的参数;根据所述人脸驱动参数对所述预设的人脸图像进行图像渲染,得到具有口型的人脸图像。16.根据权利要求15所述的方法,其中,所述人脸驱动参数为混合变形的权重参数;所述根据所述人脸驱动参数对所述预设的人脸图像进行图像渲染,得到具有口型的人脸图像,包括:根据所述混合变形的权重参数,确定所述预设的人脸图像所对应的人脸三维网格数据;其中,所述人脸三维网格数据为表示人脸图像上人脸表面的三维网格模型的数据;根据所述人脸三维网格数据对所述预设的人脸图像进行图像渲染,生成具有口型的人脸图像。17.根据权利要求16所述的方法,其中,所述获取待训练图像数据,包括:获取所述待训练的音频数据;根据所述待训练的音频数据进行人脸图像的三维重建处理,得到所述待训练的音频数据所对应的人脸三维网格数据;根据所述待训练的音频数据所对应的人脸三维网格数据,得到所述待训练的人脸图像。18.一种基于口型的人脸图像生成装置,包括:数据获取单元,用于获取待识别的音频数据和预设的人脸图像;特征确定单元,用于确定所述待识别的音频数据的音频特征;其中,所述音频特征包括语速特征和语义特...
【专利技术属性】
技术研发人员:范锡睿,赵亚飞,杜宗财,陈毅,王志强,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。