[go: up one dir, main page]

CN112752118B - 视频生成方法、装置、设备及存储介质 - Google Patents

视频生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112752118B
CN112752118B CN202011587839.1A CN202011587839A CN112752118B CN 112752118 B CN112752118 B CN 112752118B CN 202011587839 A CN202011587839 A CN 202011587839A CN 112752118 B CN112752118 B CN 112752118B
Authority
CN
China
Prior art keywords
sub
voice
image
video
network
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.)
Active
Application number
CN202011587839.1A
Other languages
English (en)
Other versions
CN112752118A (zh
Inventor
杜绪晗
焦少慧
苏再卿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202011587839.1A priority Critical patent/CN112752118B/zh
Publication of CN112752118A publication Critical patent/CN112752118A/zh
Application granted granted Critical
Publication of CN112752118B publication Critical patent/CN112752118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary streams
    • H04N21/2335—Processing of audio elementary streams involving reformatting operations of audio signals, e.g. by converting from one coding standard to another
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/80—2D [Two Dimensional] animation, e.g. using sprites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/233—Processing of audio elementary streams
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • 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
    • H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio 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
    • H04N21/4398—Processing of audio elementary streams involving reformatting operations of audio signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/4402—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving reformatting operations of video signals for household redistribution, storage or real-time display

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Television Signal Processing For Recording (AREA)

Abstract

本公开实施例公开了一种视频生成方法、装置、设备及存储介质。包括：提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；根据仿射变换后的视频帧生成目标视频。本公开实施例公开的视频生成方法，根据语音特征和图像特征对视频帧进行仿射变换，从而根据仿射变换后的视频帧生成目标视频，以实现语音与视频中嘴型的对齐，可以降低成本，提高嘴型和语音对齐的准确度。

Description

视频生成方法、装置、设备及存储介质
技术领域
本公开实施例涉及图像处理技术领域，尤其涉及一种视频生成方法、装置、设备及存储介质。
背景技术
在配音领域及动画领域中都需要将语音与图像中人的嘴型对应起来。相关技术中，为了实现语音和嘴型对齐，或者成本较高，或者生成的嘴型和语音对齐的准确度不高。
发明内容
本公开实施例提供一种视频生成方法、装置、设备及存储介质，以实现语音与视频中嘴型的对齐，可以降低成本，提高嘴型和语音对齐的准确度。
第一方面，本公开实施例提供了一种视频生成方法，包括：
提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；
根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；
根据仿射变换后的视频帧生成目标视频。
第二方面，本公开实施例还提供了一种视频生成装置，包括：
特征提取模块，用于提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；
仿射变换模块，用于根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；
目标视频生成模块，用于根据仿射变换后的视频帧生成目标视频。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如本公开实施例所述的视频生成方法。
第四方面，本公开实施例还提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现如本公开实施例所述的视频生成方法。
本公开实施例公开了一种视频生成方法、装置、设备及存储介质。提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；根据仿射变换后的视频帧生成目标视频。本公开实施例公开的视频生成方法，根据语音特征和图像特征对视频帧进行仿射变换，从而根据仿射变换后的视频帧生成目标视频，以实现语音与视频中嘴型的对齐，可以降低成本，提高嘴型和语音对齐的准确度。
附图说明
图1是本公开实施例中的一种视频生成方法的流程图；
图2是本公开实施例中的仿射变换子网络的原理图；
图3是本公开实施例中的设定神经网络对视频帧进行仿射变换的原理图；
图4是本公开实施例中的一种视频生成装置的结构示意图；
图5是本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本公开实施例一提供的一种视频生成方法的流程图，本实施例可适用于基于语音生成视频的情况，该方法可以由视频生成装置来执行，该装置可由硬件和/或软件组成，并一般可集成在具有视频生成功能的设备中，该设备可以是服务器、移动终端或服务器集群等电子设备。如图1所示，该方法具体包括如下步骤：
步骤110，提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征。
其中，语音数据可以是录制的语音或者由文字转化而来的语音。视频帧对应的视频可以是录制的视频、网络中下载的视频或者由同一张人脸图片合成的视频。语音特征可以由向量来表征，例如：D，表示D维的语音特征。图像特征可以由矩阵来表征，例如：(C，H，W)，其中，C表示通道数，H表示图像高度，W表示图像宽度。
本实施例中，首先对语音数据进行分帧处理，获得多个语音帧，然后对各语音帧分别进行特征提取，获得各语音帧的语音特征。具体的，可以采用现有任意的语音特征提取算法对语音帧进行特征提取，此处不再赘述。
本实施例中，语音帧与视频帧之间具有一一对应的关系，还需要提取各语音帧对应视频帧的图像特征。同样，图像特征的提取可以采用现有的任意算法执行，此处不再赘述。
步骤120，根据语音特征和图像特征对视频帧进行仿射变换。
其中，仿射变换可以理解为对二维图像的平移、缩放、旋转等操作，使得变换后视频帧中的嘴型与语音帧匹配。本实施例中，根据语音特征和图像特征对视频帧进行仿射变换的过程可以理解为：首先根据语音特征和图像特征确定仿射变换系数，然后将图像特征与仿射变换系数进行相乘，实现对视频帧的仿射变换。而且，对视频帧的仿射变换可以理解为对视频帧各通道分别进行仿射变换，即仿射变换系数包括视频帧各通道的仿射变换系数。
具体的，根据语音特征和图像特征对视频帧进行仿射变换的方式可以是：将语音特征和图像特征输入设定神经网络，获得仿射变换后的视频帧。
其中，设定神经网络包括至少一个子网络和至少一个仿射变换单元；子网络包括全局均值池化层、特征拼接层、至少两个全连接层及维度变换层，子网络的输出为子仿射变换系数，仿射变换单元用于根据子仿射变换系数对图像特征进行仿射变换。
图2是本实施例中的仿射变换子网络的原理图。如图2所述，虚线框内为子网络的结构图，图像特征(C,H,W)输入全局均值池化层(global average pooling，gap)进行池化处理；池化处理后的图像特征(C)输入特征拼接层(cancate)，和输入特征拼接层的语音特征(D)进行特征拼接；拼接后的特征(C+D)输入至少两个全连接层(Multi-LayerPerceptron，MLP)进行特征提取后获得(C*6)，将特征(C*6)输入维度变换层(reshape)，获得子仿射变换系数(C，2，3)；仿射变换单元根据子仿射变换系数对输入子网络的图像特征进行仿射变换，获得仿射变换后的图像特征；若子网络是最后一个子网络，则根据仿射变换后的图像特征确定视频帧；若子网络不是最后一个子网络，则将仿射变换后的图像特征输入下一个子网络。
其中，全连接层可以包括2层或者3层。
本实施例中，图3是本公开实施例中设定神经网络对视频帧进行仿射变换的原理图。如图3所示，设定神经网络包括至少两个子网络，第1个子网络的输入为语音特征和图像特征，第N个子网络的输入为语音特征和根据第N-1个子网络输出的子仿射变换系数变换后的图像特征；其中，N≥2。
示例性的，假设设定神经网络包括3个子网络，先将语音特征和图像特征输入第一子网络中，获得第一子仿射变换系数。第一子仿射变换系数与图像特征经仿射变换单元处理，获得第一中间图像特征。然后将语音特征和第一中间图像特征输入第二子网络，获得第二子仿射变换系数，第二子仿射变换系数和第一中间图像特征经仿射变换单元处理，获得第二中间图像特征。再然后将语音特征和第二中间图像特征输入第三子网络，获得第三子仿射变换系数，第三子仿射变换系数与第二中间图像特征经仿射变换单元处理，获得最终变换后的图像特征。最后，根据变换后的图像特征生成仿射变换后的视频帧。
步骤130，根据仿射变换后的视频帧生成目标视频。
本实施例中，在获得仿射变换后的视频帧后，对仿射变换后的视频帧进行合并渲染，获得目标视频。
本实施例的技术方案，可以用于教育场景：只用一个人像模板，使用不同的语音，来驱动人像生成视频，用于教学；例如朗读诗词，阅读英文文章等。还可以用于短视频制作：先录好一段人像视频，可以配不同的语音；还可以用于语言翻译：可以用不同语种的语音生成画面相同但语音不同的视频。
本公开实施例公开的视频生成方法。包括：提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；根据仿射变换后的视频帧生成目标视频。本公开实施例公开的视频生成方法，根据语音特征和图像特征对视频帧进行仿射变换，从而根据仿射变换后的视频帧生成目标视频，以实现语音与视频中嘴型的对齐，可以降低成本，提高嘴型和语音对齐的准确度。
图4是本公开实施例公开的一种视频生成装置的结构示意图。如图4所示，该装置包括：
特征提取模块210，用于提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；
仿射变换模块220，用于根据语音特征和图像特征对视频帧进行仿射变换；
目标视频生成模块230，用于根据仿射变换后的视频帧生成目标视频。
可选的，仿射变换模块220，还用于：
将语音特征和图像特征输入设定神经网络，获得仿射变换后的视频帧；其中，设定神经网络包括至少一个子网络和至少一个仿射变换单元。
可选的，子网络包括全局均值池化层、特征拼接层、至少两个全连接层及维度变换层，子网络的输出为子仿射变换系数，仿射变换单元用于根据子仿射变换系数对图像特征进行仿射变换。
可选的，若设定神经网络包括至少两个子网络，则第1个子网络的输入为语音特征和图像特征，第N个子网络的输入为语音特征和根据第N-1个子网络输出的子仿射变换系数变换后的图像特征；其中，N≥2。
可选的，仿射变换模块220，还用于：
对于每个子网络，图像特征输入全局均值池化层进行池化处理；池化处理后的图像特征输入特征拼接层，和输入特征拼接层的语音特征进行特征拼接；拼接后的特征输入至少两个全连接层进行特征提取后，输入维度变换层，获得子仿射变换系数；
仿射变换单元根据子仿射变换系数对输入子网络的图像特征进行仿射变换，获得仿射变换后的图像特征；
若子网络是最后一个子网络，则根据仿射变换后的图像特征确定视频帧；
若子网络不是最后一个子网络，则将仿射变换后的图像特征输入下一个子网络。
可选的，仿射变换模块220，还用于：
根据语音特征和图像特征对视频帧各通道分别进行仿射变换。
可选的，视频帧对应的视频包括由同一张人脸图片合成的视频。
上述装置可执行本公开前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本公开前述所有实施例所提供的方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备300的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，或者各种形式的服务器，如独立服务器或者服务器集群。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储装置(ROM)302中的程序或者从存储装置305加载到随机访问存储装置(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行词语的推荐方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置305被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；根据仿射变换后的视频帧生成目标视频。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开实施例的一个或多个实施例，本公开实施例公开了一种视频生成方法，包括：
提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征；
根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；
根据仿射变换后的视频帧生成目标视频。
进一步地，根据所述语音特征和所述图像特征对所述视频帧进行仿射变换，包括：
将所述语音特征和所述图像特征输入设定神经网络，获得仿射变换后的视频帧；其中，所述设定神经网络包括至少一个子网络和至少一个仿射变换单元。
进一步地，所述子网络包括全局均值池化层、特征拼接层、至少两个全连接层及维度变换层，子网络的输出为子仿射变换系数，所述仿射变换单元用于根据所述子仿射变换系数对所述图像特征进行仿射变换。
进一步地，若设定神经网络包括至少两个子网络，则第1个子网络的输入为所述语音特征和所述图像特征，第N个子网络的输入为所述语音特征和根据第N-1个子网络输出的子仿射变换系数变换后的图像特征；其中，N≥2。
进一步地，将所述语音特征和所述图像特征输入设定神经网络，获得仿射变换后的视频帧，包括：
对于每个子网络，所述图像特征输入所述全局均值池化层进行池化处理；池化处理后的图像特征输入所述特征拼接层，和输入所述特征拼接层的语音特征进行特征拼接；拼接后的特征输入所述至少两个全连接层进行特征提取后，输入所述维度变换层，获得子仿射变换系数；
所述仿射变换单元根据所述子仿射变换系数对输入所述子网络的图像特征进行仿射变换，获得仿射变换后的图像特征；
若所述子网络是最后一个子网络，则根据仿射变换后的图像特征确定视频帧；
若所述子网络不是最后一个子网络，则将仿射变换后的图像特征输入下一个子网络。
进一步地，根据所述语音特征和所述图像特征对所述视频帧进行仿射变换，包括：
根据所述语音特征和所述图像特征对所述视频帧各通道分别进行仿射变换。
进一步地，所述视频帧对应的视频包括由同一张人脸图片合成的视频。
注意，上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解，本公开不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此，虽然通过以上实施例对本公开进行了较为详细的说明，但是本公开不仅仅限于以上实施例，在不脱离本公开构思的情况下，还可以包括更多其他等效实施例，而本公开的范围由所附的权利要求范围决定。

Claims (8)

1.一种视频生成方法，其特征在于，包括：
提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征，其中，所述语音特征包括维度，所述图像特征包括通道数、图像高度、图像宽度，所述语音帧与所述视频帧一一对应；
根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；
根据仿射变换后的视频帧生成目标视频；
根据所述语音特征和所述图像特征对所述视频帧进行仿射变换，包括：
将所述语音特征和所述图像特征输入设定神经网络，获得仿射变换后的视频帧，其中，所述设定神经网络包括至少一个子网络和至少一个仿射变换单元；
所述子网络包括全局均值池化层、特征拼接层、至少两个全连接层及维度变换层，子网络的输出为子仿射变换系数，所述仿射变换单元用于根据所述子仿射变换系数对所述图像特征进行仿射变换；
其中，对于每个子网络，所述图像特征输入所述全局均值池化层进行池化处理；池化处理后的图像特征输入所述特征拼接层，和输入所述特征拼接层的语音特征进行特征拼接；拼接后的特征输入所述至少两个全连接层进行特征提取后，输入所述维度变换层，获得子仿射变换系数。
2.根据权利要求1所述的方法，其特征在于，若设定神经网络包括至少两个子网络，则第1个子网络的输入为所述语音特征和所述图像特征，第N个子网络的输入为所述语音特征和根据第N-1个子网络输出的子仿射变换系数变换后的图像特征；其中，N≥2。
3.根据权利要求1或2所述的方法，其特征在于，将所述语音特征和所述图像特征输入设定神经网络，获得仿射变换后的视频帧，包括：
所述仿射变换模块根据所述子仿射变换系数对输入所述子网络的图像特征进行仿射变换，获得仿射变换后的图像特征；
若所述子网络是最后一个子网络，则根据仿射变换后的图像特征确定视频帧；
若所述子网络不是最后一个子网络，则将仿射变换后的图像特征输入下一个子网络。
4.根据权利要求1所述的方法，其特征在于，根据所述语音特征和所述图像特征对所述视频帧进行仿射变换，包括：
根据所述语音特征和所述图像特征对所述视频帧各通道分别进行仿射变换。
5.根据权利要求1所述的方法，其特征在于，所述视频帧对应的视频包括由同一张人脸图片合成的视频。
6.一种视频生成装置，其特征在于，包括：
特征提取模块，用于提取语音数据中各语音帧的语音特征以及各语音帧对应视频帧的图像特征，其中，所述语音特征包括维度，所述图像特征包括通道数、图像高度、图像宽度，所述语音帧与所述视频帧一一对应；
仿射变换模块，用于根据所述语音特征和所述图像特征对所述视频帧进行仿射变换；
目标视频生成模块，用于根据仿射变换后的视频帧生成目标视频；
所述仿射变换模块，具体用于：
将语音特征和图像特征输入设定神经网络，获得仿射变换后的视频帧，其中，所述设定神经网络包括至少一个子网络和至少一个仿射变换单元；
所述子网络包括全局均值池化层、特征拼接层、至少两个全连接层及维度变换层，子网络的输出为子仿射变换系数，所述仿射变换单元用于根据所述子仿射变换系数对所述图像特征进行仿射变换；
其中，对于每个子网络，所述图像特征输入所述全局均值池化层进行池化处理；池化处理后的图像特征输入所述特征拼接层，和输入特征拼接层的语音特征进行特征拼接；拼接后的特征输入所述至少两个全连接层进行特征提取后，输入所述维度变换层，获得子仿射变换系数。
7.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理装置；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如权利要求1-5中任一所述的视频生成方法。
8.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-5中任一所述的视频生成方法。
CN202011587839.1A 2020-12-29 2020-12-29 视频生成方法、装置、设备及存储介质 Active CN112752118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011587839.1A CN112752118B (zh) 2020-12-29 2020-12-29 视频生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011587839.1A CN112752118B (zh) 2020-12-29 2020-12-29 视频生成方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112752118A CN112752118A (zh) 2021-05-04
CN112752118B true CN112752118B (zh) 2023-06-27

Family

ID=75646486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011587839.1A Active CN112752118B (zh) 2020-12-29 2020-12-29 视频生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112752118B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220374637A1 (en) * 2021-05-20 2022-11-24 Nvidia Corporation Synthesizing video from audio using one or more neural networks
CN113935418B (zh) * 2021-10-15 2025-03-04 北京字节跳动网络技术有限公司 视频生成方法及设备
CN118055300B (zh) * 2024-04-10 2024-07-26 深圳云天畅想信息科技有限公司 基于大模型的云视频生成方法、装置及计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0674315A1 (en) * 1994-03-18 1995-09-27 AT&T Corp. Audio visual dubbing system and method
CN111277912A (zh) * 2020-02-17 2020-06-12 百度在线网络技术（北京）有限公司 图像处理方法、装置和电子设备
CN111325817A (zh) * 2020-02-04 2020-06-23 清华珠三角研究院 一种虚拟人物场景视频的生成方法、终端设备及介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106297792A (zh) * 2016-09-14 2017-01-04 厦门幻世网络科技有限公司 一种语音口型动画的识别方法及装置
US10347241B1 (en) * 2018-03-23 2019-07-09 Microsoft Technology Licensing, Llc Speaker-invariant training via adversarial learning
CN108962216B (zh) * 2018-06-12 2021-02-02 北京市商汤科技开发有限公司 一种说话视频的处理方法及装置、设备和存储介质
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
CN109214366B (zh) * 2018-10-24 2021-05-04 北京旷视科技有限公司 局部目标重识别方法、装置及系统
CN109767460A (zh) * 2018-12-27 2019-05-17 上海商汤智能科技有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN110189394B (zh) * 2019-05-14 2020-12-29 北京字节跳动网络技术有限公司 口型生成方法、装置及电子设备
CN110347867B (zh) * 2019-07-16 2022-04-19 北京百度网讯科技有限公司 用于生成嘴唇动作视频的方法和装置
CN111145322B (zh) * 2019-12-26 2024-01-19 上海浦东发展银行股份有限公司 用于驱动虚拟形象的方法、设备和计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0674315A1 (en) * 1994-03-18 1995-09-27 AT&T Corp. Audio visual dubbing system and method
CN111325817A (zh) * 2020-02-04 2020-06-23 清华珠三角研究院 一种虚拟人物场景视频的生成方法、终端设备及介质
CN111277912A (zh) * 2020-02-17 2020-06-12 百度在线网络技术（北京）有限公司 图像处理方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周东生 ; 张强 ; 魏小鹏.人脸动画中语音可视化算法研究进展.计算机工程与应用.2007,(第第9期期),全文. *

Also Published As

Publication number Publication date
CN112752118A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN112752118B (zh) 视频生成方法、装置、设备及存储介质
CN112364860B (zh) 字符识别模型的训练方法、装置和电子设备
CN110298851B (zh) 人体分割神经网络的训练方法及设备
CN112330788B (zh) 图像处理方法、装置、可读介质及电子设备
CN111459364B (zh) 图标更新方法、装置和电子设备
CN111312224B (zh) 语音分割模型的训练方法、装置和电子设备
CN112634904B (zh) 热词识别方法、装置、介质和电子设备
US20240386640A1 (en) Method, apparatus, device and storage medium for generating character style profile image
WO2022228067A1 (zh) 语音处理方法、装置和电子设备
CN112418249B (zh) 掩膜图像生成方法、装置、电子设备和计算机可读介质
CN117319705A (zh) 视频生成方法、装置、介质及电子设备
CN112307393A (zh) 信息发布方法、装置和电子设备
CN112434064B (zh) 数据处理方法、装置、介质及电子设备
CN114419298A (zh) 虚拟物体的生成方法、装置、设备及存储介质
CN113129360B (zh) 视频内对象的定位方法、装置、可读介质及电子设备
CN112418233B (zh) 图像处理方法、装置、可读介质及电子设备
CN113905177B (zh) 视频生成方法、装置、设备及存储介质
CN112906551B (zh) 视频处理方法、装置、存储介质及电子设备
CN112233207B (zh) 图像处理方法、装置、设备和计算机可读介质
CN112184593B (zh) 关键点确定方法、装置、设备和计算机可读介质
CN111737575B (zh) 内容分发方法、装置、可读介质及电子设备
CN116188256A (zh) 超分图像处理方法、装置、设备及介质
CN114004229A (zh) 文本识别方法、装置、可读介质及电子设备
CN112488094B (zh) 光学字符识别方法、装置和电子设备
CN111738958B (zh) 图片修复方法、装置、电子设备及计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant