CN112785667B - 视频生成方法、装置、介质及电子设备 - Google Patents

Abstract

本公开涉及一种视频生成方法、装置、介质及电子设备。方法包括：获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；确定与所述提问音频对应的应答文本信息；根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。由于用户提问视频中包含有用户提问时的表情、语气、语调等有关情感的信息，因此就能够根据这些有关情感的信息，控制当前与用户交互的虚拟形象的情感表现，以提升人机交互的趣味性，从而实现拟人化的完美互动。

Description

视频生成方法、装置、介质及电子设备

技术领域

本公开涉及人机交互技术领域，具体地，涉及一种视频生成方法、装置、介质及电子设备。

背景技术

人机交互技术(Human-Computer Interaction Techniques)是指通过计算机输入、输出设备，以有效的方式实现人与计算机对话的技术。人机交互技术包括机器通过输出或显示设备给人提供大量有关信息及提示请示等，人通过输入设备给机器输入有关信息，回答问题及提示请示等。

目前，人机交互方式不仅包括键盘输入、手柄操作，还包括更加新奇的方式，例如，触控操作、语音交互、视频交互等，都可以实现信息传递，完成人与机器之间的“对话”。现阶段，在用户与机器视频交互时，机器的应答视频中的虚拟形象的表情一般为中性的，即未体现情感，这样，用户会感觉到乏味无趣。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种视频生成方法，包括：

获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；

确定与所述提问音频对应的应答文本信息；

根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。

第二方面，本公开提供一种视频生成装置，包括：

获取模块，用于获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；

确定模块，用于确定与所述获取模块获取到的所述提问音频对应的应答文本信息；

生成模块，用于根据所述获取模块获取到的所述用户提问视频和所述确定模块确定出的所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。

第三方面，本公开提供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本公开第一方面提供的所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。

在上述技术方案中，在获取到包括用户的人脸图像信息和提问音频的用户提问视频后，首先确定与提问音频对应的应答文本信息；之后，可以根据用户提问视频和应答文本信息共同生成用于对用户提问视频中的用户提问进行应答的应答视频。由于用户提问视频中包含有用户提问时的表情、语气、语调等有关情感的信息，因此就能够根据这些有关情感的信息，控制当前与用户交互的虚拟形象的情感表现，以提升人机交互的趣味性，从而实现拟人化的完美互动。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种实施环境的示意图。

图2是根据一示例性实施例示出的一种视频生成方法的流程图。

图3是根据一示例性实施例示出的一种根据用户提问视频和应答文本信息生成应答视频的方法的流程图。

图4A是根据一示例性实施例示出的一种预测模型的结构示意图。

图4B是根据一示例性实施例示出的一种预测模型的结构示意图。

图5是根据一示例性实施例示出的一种预测模型训练方法的流程图。

图6是根据一示例性实施例示出的一种根据虚拟形象的脸部区域的特征和第一声学特征生成应答视频的方法的流程图。

图7是根据另一示例性实施例示出的一种根据虚拟形象的脸部区域的特征和第一声学特征生成应答视频的方法的流程图。

图8是根据另一示例性实施例示出的一种根据用户提问视频和应答文本信息生成应答视频的方法的流程图。

图9是根据一示例性实施例示出的一种视频生成装置的框图。

图10是根据一示例性实施例示出的一种电子设备的框图。

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。

首先对本公开的实施环境进行介绍。图1是根据一示例性实施例示出的一种实施环境的示意图。在图1的应用场景中，终端设备20首先获取用户10的提问视频，然后，终端设备20基于该提问视频，生成用于对用户10的提问视频中用户10的提问(如图1所示的，用户10的提问为“今天天气怎么样”)进行应答的应答视频。

另外，在本公开中，上述终端设备20可以例如是智能手机、平板电脑、笔记本电脑、智能穿戴设备(例如，智能手环)等。图1中以终端设备20是智能手机来示意。

图2是根据一示例性实施例示出的一种视频生成方法的流程图，其中，该方法可以应用于终端设备，如图1中所示的智能手机。如图2所示，该方法包括S201～S203。

在S201中，获取用户提问视频，其中，用户提问视频包括用户的人脸图像信息和提问音频。

在本公开中，用户人脸图像信息包括用户提问视频中的图像序列。

在S202中，确定与提问音频对应的应答文本信息。

在本公开中，可以通过对提问音频进行语音识别的方式提取出用户提问，之后，根据预先关联存储的提问与应答文本信息，确定与上述用户提问对应的应答文本信息。

在S203中，根据用户提问视频和应答文本信息，生成用于对用户提问视频中的用户提问进行应答的应答视频。

在本公开中，应答视频包括与用户交互的虚拟形象和应答文本信息对应的音频。

在上述技术方案中，在获取到包括用户的人脸图像信息和提问音频的用户提问视频后，首先确定与提问音频对应的应答文本信息；之后，可以根据用户提问视频和应答文本信息共同生成用于对用户提问视频中的用户提问进行应答的应答视频。由于用户提问视频中包含有用户提问时的表情、语气、语调等有关情感的信息，因此就能够根据这些有关情感的信息，控制当前与用户交互的虚拟形象的情感表现，以提升人机交互的趣味性，从而实现拟人化的完美互动。

下面针对上述S203中的根据用户提问视频和应答文本信息，生成用于对用户提问视频中的用户提问进行应答的应答视频的具体实施方式进行详细说明。具体来说，可以通过图3中所示的S301和S302来实现。

在S301中，根据用户提问视频和应答文本信息，预测虚拟形象的脸部区域的特征以及应答文本信息的第一声学特征。

在S302中，根据虚拟形象的脸部区域的特征和第一声学特征，生成应答视频。

在本公开中，虚拟形象的脸部区域的特征可以包括虚拟形象的脸部关键点信息。其中，虚拟形象的脸部关键点信息可以包括虚拟形象的嘴部关键点信息、虚拟形象的眉毛关键点信息、虚拟形象的眼睛关键点信息、虚拟形象的鼻子关键点信息、虚拟形象的下颌关键点信息中的至少一者。第一声学特征可以例如是梅尔谱信息、基频信息、线性谱信息等。

下面针对上述S301中的根据用户提问视频和应答文本信息，预测虚拟形象的脸部区域的特征以及应答文本信息的第一声学特征的具体实施方式进行详细说明。具体来说，上述S301可以包括以下步骤：

(1)提取提问音频的第二声学特征。

在本公开中，第二声学特征可以例如是梅尔谱信息、基频信息、线性谱信息等。

(2)根据用户的人脸图像信息，确定用户的脸部区域的特征。

在本公开中，用户的脸部区域的特征包括用户的脸部关键点信息，其中，用户的脸部关键点信息可以包括用户的嘴部关键点信息、用户的眉毛关键点信息、用户的眼睛关键点信息、用户的鼻子关键点信息、用户的下颌关键点信息。

(3)提取应答文本信息的语音特征信息。

在本公开中，语音特征信息可以包括音素、声调、分词以及韵律边界。其中，音素是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素；音素分为元音与辅音两大类。示例地，对于中文来说，音素包括声母(声母，是使用在韵母前面的辅音，跟韵母一齐构成的一个完整的音节)和韵母(即元音)。声调是指声音的高低升降的变化。示例地，中文中有四个声调：阴平、阳平、上声和去声。韵律边界用于指示在阅读文本时应该在哪些地方进行停顿。示例地，韵律边界分为“#1”、“#2”、“#3”和“#4”四个停顿等级，其停顿程度依次增大。

(4)根据第二声学特征、用户的脸部区域的特征以及语音特征信息，预测虚拟形象的脸部区域的特征以及第一声学特征。

下面针对上述步骤(2)中的根据用户的人脸图像信息，确定用户的脸部区域的特征的具体实施方式进行详细说明。

具体来说，可以通过多种方式来确定用户的脸部区域的特征，在一种实施方式中，首先，可以针对用户的脸部区域中的每一关键点，即嘴部关键点、眉毛关键点、眼睛关键点、鼻子关键点、下颌关键点中的每一关键点，将用户提问视频中的图像序列中所有图像中的该关键点进行均值化处理，从而得到用户的该关键点信息。然后，将各关键点均值化处理后所得的关键点信息确定为用户的脸部区域的特征。其中，可以通过主动形状模型(ActiveShape Model，ASM)、主动外观模型(Active Appearance Model，AAM)、级联姿势回归模型(Cascaded Pose Regression，CPR)、基于深度学习的方法等人脸关键点检测方法来获取用户提问视频中的图像序列中各图像中用户的脸部区域中的每一关键点。

示例地，针对嘴部关键点，将用户提问视频中的图像序列中所有图像中的嘴部关键点进行均值化处理，从而得到用户的嘴部关键点信息；针对眉毛关键点，将用户提问视频中的图像序列中所有图像中的眉毛关键点进行均值化处理，从而得到用户的眉毛关键点信息；针对眼睛关键点，将用户提问视频中的图像序列中所有图像中的眼睛关键点进行均值化处理，从而得到用户的眼睛关键点信息；针对鼻子关键点，将用户提问视频中的图像序列中所有图像中的鼻子关键点进行均值化处理，从而得到用户的鼻子关键点信息；针对下颌关键点，将用户提问视频中的图像序列中所有图像中的下颌关键点进行均值化处理，从而得到用户的下颌关键点信息；最后，可以将嘴部关键点信息、眉毛关键点信息、眼睛关键点信息、鼻子关键点信息以及下颌关键点信息作为用户的脸部区域的特征。

在另一种实施方式中，可以将用户的人脸图像信息(即用户提问视频中的图像序列)输入循环神经网络(Recurrent Neural Network，RNN)中，并将该RNN的隐藏层最终的隐藏状态作为用户的脸部区域的特征。这样，通过RNN可以直接获取到用户的脸部区域的特征，方便快捷。

下面针对上述步骤(3)中的提取应答文本信息的语音特征信息的具体实施方式进行详细说明。

具体来说，可以通过多种方式来获取上述语音特征信息，在一种实施方式中，应答文本信息的语音特征信息可以由用户预先标注好并存储在相应的存储模块，这样，通过访问该存储模块即可获取到应答文本信息的语音特征信息。

在另一种实施方式中，可以将应答文本信息输入信息提取模型，得到应答文本信息的语音特征信息，方便快捷，且无需人工参与，节省了人力。

在本公开中，信息提取模型可以包括文本正则化(Text Normalization，TN)模型、字素到音素(Grapheme-to-Phoneme，G2P)模型、分词模型以及韵律模型。其中，可以通过TN模型将应答文本信息中的数字、符号、缩写等转换成语言文字，通过G2P模型获取应答文本信息中的音素，通过分词模型对待合成文本进行分词，通过韵律模型获取应答文本信息的韵律边界以及声调。

示例地，G2P模型可以采用循环神经网络(Recurrent Neural Network，RNN)和长短期记忆网络(Long Short-Term Memory，LSTM)来实现从字素到音素的转化。

分词模型可以为n-gram模型、隐马尔可夫模型、朴素贝叶斯分类模型等。

韵律模型为预训练语言模型BERT(Bidirectional Encoder Representationfrom Transformers)、双向LSTM-CRF(Conditional Random Field，条件随机场)模型等。

在上述实施方式中，通过提取应答文本信息的音素、声调、分词和韵律边界这些语音特征信息，并基于语音特征信息对应答文本信息进行应答视频生成，从而可以更加关注应答文本信息的文本内容。这样，可以使得应答文本信息对应的音频能够根据应答文本信息的文本内容以及分词进行停顿，提高了应答视频中音频的准确度和可理解性，便于用户快速理解应答视频中音频对应的文本内容。另外，能够在自然的韵律边界处进行停顿，因此可以提升应答视频中音频的自然度和流畅性。

下面针对上述步骤(4)中的根据第二声学特征、用户的脸部区域的特征以及语音特征信息，预测虚拟形象的脸部区域的特征以及第一声学特征的具体实施方式进行详细说明。

具体来说，可以将第二声学特征、用户的脸部区域的特征以及语音特征信息输入预测模型中，得到虚拟形象的脸部区域的特征以及第一声学特征。如图4A所示，上述预测模型可以包括编码网络、注意力网络、解码网络以及后处理网络(post-processing-net，postnet)。其中，编码网络用于根据第二声学特征、用户的脸部区域的特征以及语音特征信息，生成表示序列；注意力网络用于根据该表示序列，生成定长的语义表征，解码网络用于该语义表征，生成第一声学特征；后处理网络用于根据第一声学特征，生成虚拟形象的脸部区域的特征。

示例地，编码网络可以例如是CBHG(Convolution Bank+Highway network+bidirectional Gated Recurrent Unit，即，卷积层+高速网络+双向递归神经网络，也就是说，CBHG由卷积层、高速网络以及双向递归神经网络组成)模型；注意力网络可以为位置敏感注意力(Locative Sensitive Attention)，也可以为GMM attention网络，即基于高斯混合模型(Gaussian Mixture Model，GMM)的注意力网络。优选地，该注意力网络可以为GMMattention，这样，可以进一步提升应答视频中音频的稳定性，避免出现漏声韵母、重复声韵母等现象。

下面针对上述预测模型的训练方式进行详细说明。具体来说，用户的脸部区域的特征包括用户的脸部关键点信息，虚拟形象的脸部区域的特征包括虚拟形象的脸部关键点信息，并且可以通过图5所示的S501～S505来训练得到预测模型。

在S501中，获取问答视频，其中，问答视频包括参考用户提问视频和虚拟形象的参考应答视频，参考用户提问视频包括参考用户的人脸图像信息和参考用户提问音频，参考应答视频包括虚拟形象、应答音频以及与应答音频对应的参考应答文本信息。

在S502中，分别提取参考用户提问音频的参考声学特征、应答音频的标注声学特征。

在本公开中，参考声学特征、标注声学特征可以例如是梅尔谱信息、基频信息、线性谱信息等。

在S503中，确定虚拟形象的脸部区域的标注关键点信息，并根据参考用户的人脸图像信息，确定参考用户的脸部关键点信息。

在本公开中，可以通过与上述步骤(2)中确定用户的脸部区域的特征相同的方式，确定参考用户的脸部关键点信息以及虚拟形象的脸部区域的标注关键点信息，在此不再赘述。

在S504中，提取参考应答文本信息的参考语音特征信息。

在本公开中，参考语音特征信息可以包括音素、声调、分词以及韵律边界，并且，可以通过与上述步骤(3)中提取应答文本信息的语音特征信息相同的方式，提取参考应答文本信息的参考语音特征信息，在此不再赘述。

在S505中，通过将参考声学特征、参考用户的脸部关键点信息以及参考语音特征信息作为编码网络的输入，将编码网络的输出作为注意力网络的输入，将注意力网络的输出作为解码网络的输入，将标注声学特征作为解码网络的目标输出，将解码网络的输出作为后处理网络的输入，将标注关键点信息作为后处理网络的目标输出的方式进行模型训练，得到预测模型。

具体来说，如图4A所示，将参考声学特征、参考用户的脸部关键点信息以及参考语音特征信息输入编码网络中，得到参考表示序列；之后，将该参考表示序列输入到注意力网络中，得到定长的参考语义表征；接下来，将该参考语义表征输入到解码网络中，得到预测声学特征；将该预测声学特征输入后处理网络中，得到预测关键点信息；这样，可以根据预测声学特征与标注声学特征的比较结果、预测关键点信息与标注关键点信息的比较结果，对编码网络的模型参数、注意力网络的模型参数、解码网络的模型参数以及后处理网络的模型参数进行更新，从而得到预测模型。

下面针对上述S302中的根据虚拟形象的脸部区域的特征和第一声学特征，生成应答视频的具体实施方式进行详细说明。

在一种实施方式中，虚拟形象的脸部区域的特征包括虚拟形象的脸部各关键点信息，即嘴部关键点信息、眉毛关键点信息、眼睛关键点信息、鼻子关键点信息、下颌关键点信息。此时，可以通过以下步骤来生成应答视频：

首先，根据虚拟形象的脸部各关键点信息，生成目标图像序列。

示例地，可以虚拟形象的脸部各关键点信息，通过Pix2Pix框架生成目标图像序列。

同时，根据第一声学特征，生成应答文本信息对应的音频。

在本公开中，可以将第一声学特征输入到声码器中，以得到应答文本信息对应的音频，其中，声码器可以例如是Wavenet声码器、Griffin-Lim声码器等。

最后，将目标图像序列和应答文本信息对应的音频进行合成，得到应答视频。

在另一种实施方式中，虚拟形象的脸部区域的特征包括虚拟形象的嘴部关键点信息。此时，可以通过以下图6所示的S601～S603来生成应答视频：

在S601中，根据虚拟形象的嘴部关键点信息和预先存储的、虚拟形象的脸部其他关键点信息，生成目标图像序列。

示例地，可以根据虚拟形象的嘴部关键点信息和预先存储的、虚拟形象的脸部其他关键点信息，通过Pix2Pix框架生成目标图像序列。

在S602中，根据第一声学特征，生成应答文本信息对应的音频。

在S603中，将目标图像序列和应答文本信息对应的音频进行合成，得到应答视频。

在该种实施方式中，由于只预测虚拟形象的嘴部关键点信息，而该虚拟形象的脸部其他关键点信息均采用预先存储的，由此，可以保证预测效率，从而提升应答视频的生成速度，保证应答的实时性，提升了用户体验。

另外，如图7所示，在上述S601步骤之前，上述S302还可以包括S604和S605。

在S604中，确定虚拟形象待表达的目标情感类别。

在本公开中，目标情感类别可以为开心、生气、愤怒、严肃、中性(即不带情感)等中的一者。

在S605中，根据预设的情感类别与关键点信息的对应关系，将与目标情感类别对应的关键点信息确定为虚拟形象的脸部区域的目标关键点信息。

在本公开中，目标关键点信息包括眉毛关键点信息和/或眼睛关键点信息。此时，上述S601可以根据虚拟形象的嘴部关键点信息、目标关键点信息以及脸部其他关键点信息中除目标关键点信息外的各关键点信息，生成目标图像序列。这样，可以根据虚拟形象的目标情感类别，控制应答视频中虚拟形象的眼睛和/或眉毛的动作，例如，控制应答视频中虚拟形象眨眼、皱眉等，从而进一步提升人机交互的趣味性。

下面针对上述S604中的确定虚拟形象待表达的目标情感类别的具体实施方式进行详细说明。

在一种实施方式中，可以根据预设的应答文本信息与情感类别的对应关系，将与上述应答文本信息对应的情感类别确定为目标情感类别。

在另一种实施方式中，可以根据应答文本信息和提问音频，确定目标情感类别。这样，虚拟形象待表达的情感不但与应答文本信息有关，还与用户提问时语音所表达出的情感有关，从而可以实现虚拟形象的情感表现的强监督控制。另外，可以实现情感表征的自动提取，方便快捷。

具体来说，可以通过以下步骤1)和步骤2)来实现：

1)分别确定应答文本信息所对应的第一概率分布、提问音频所对应的第二概率分布。

在本公开中，第一概率分布包括应答文本信息所表征的情感属于每一预设情感类别的概率，第二概率分布包括提问音频所表征的情感属于每一预设情感类别的概率。预设情感类别可以包括开心、生气、愤怒、严肃、中性(即不带情感)等。

示例地，可以通过双向长短时记忆循环网络(Bi-directional Long Short-TermMemory，BiLSTM)来分别预测应答文本信息所对应的第一概率分布、提问音频所对应的第二概率分布。由于BiLSTM模型为双向的循环神经网络，可以学习到应答文本信息、提问音频中前向和后向之间的依赖关系，进而能够准确预测相应的概率分布。

2)根据第一概率分布和第二概率分布，确定目标情感类别。

具体来说，可以针对每一预设情感类别，确定该预设情感类别对应的目标概率，其中，该目标概率等于第一概率分布中该预设情感类别对应的概率与第二概率分布中该预设情感类别对应的概率的和；若各预设情感类别对应的目标概率中的最大值大于预设概率阈值(例如，120％)，则将该最大值对应的预设情感类别确定为目标情感类别；若上述最大值小于或等于预设概率阈值，则将“中性”确定为目标情感类别。

示例地，预设情感类别包括开心、生气、愤怒、严肃、中性，应答文本信息所表征的情感属于开心、生气、愤怒、严肃、中性的概率分别为15％、38％、16％、22％、9％，即第一概率分布为行向量[15％38％16％22％9％]，提问音频所表征的情感属于开心、生气、愤怒、严肃、中性的概率分别为15％、8％、65％、10％、2％，即第二概率分布为行向量[15％8％65％10％2％]，预设概率阈值为120％，因此，开心、生气、愤怒、严肃、中性对应的目标概率分别为30％、46％、81％、32％、11％，可见，各预设情感类别对应的目标概率中的最大值为81％，其小于预设概率阈值120％，因此，将“中性”确定为目标情感类别。

又示例地，预设情感类别包括开心、生气、愤怒、严肃、中性，应答文本信息所表征的情感属于开心、生气、愤怒、严肃、中性的概率分别为55％、18％、6％、12％、9％，即第一概率分布为行向量[55％18％6％12％9％]，提问音频所表征的情感属于开心、生气、愤怒、严肃、中性的概率分别为75％、8％、5％、10％、2％，即第二概率分布为行向量[75％8％5％10％2％]，预设概率阈值为120％，因此，开心、生气、愤怒、严肃、中性对应的目标概率分别为130％、26％、11％、22％、11％，可见，各预设情感类别对应的目标概率中的最大值为130％，其大于预设概率阈值120％，其中，该最大值130％对应的预设情感类别为“开心”，因此，可以将“开心”确定为目标情感类别。

图8是根据另一示例性实施例示出的一种根据用户提问视频和应答文本信息生成应答视频的方法的流程图。如图8所示，在S301之前，上述方法还包括S303。

在S303中，确定虚拟形象待表达的目标情感类别。

这样，S301可以根据目标情感类别、用户提问视频以及应答文本信息，预测虚拟形象的脸部区域的特征以及应答文本信息的第一声学特征；然后，根据虚拟形象的脸部区域的特征和第一声学特征，生成应答视频。

在该种实施方式中，将当前与用户交互的虚拟形象待表达的目标情感类别作为生成应答视频的依据，从而能够强监督地控制虚拟形象的情感表现，进一步提升人机交互的趣味性。

下面针对上述根据目标情感类别、用户提问视频以及应答文本信息，预测虚拟形象的脸部区域的特征以及应答文本信息的第一声学特征的具体实施方式进行详细说明。具体来说，可以通过以下步骤来实现：

①提取提问音频的第二声学特征。

②根据用户的人脸图像信息，确定用户的脸部区域的特征。

③提取应答文本信息的语音特征信息。

④根据目标情感类别、第二声学特征、用户的脸部区域的特征以及语音特征信息，预测虚拟形象的脸部区域的特征以及第一声学特征。

具体来说，可以将目标情感类别、第二声学特征用户的脸部区域的特征以及语音特征信息输入预测模型中，得到虚拟形象的脸部区域的特征以及第一声学特征。其中，预设模型的结构如图4B中所示，并且，该预测模型的具体结构在上述步骤(4)的相关部分已详细描述，这里不再赘述。

其中，在预测模型训练阶段，如图4B所示，该预测模型的输入相对于上述描述的预测模型的输入增加了虚拟形象待表达的参考情感类别，其训练过程与上述S501～S505所描述的过程类似，这里不再赘述。

图9是根据一示例性实施例示出的一种视频生成装置的框图。如图9所示，该装置900包括：获取模块901，用于获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；确定模块902，用于确定与所述获取模块901获取到的所述提问音频对应的应答文本信息；生成模块903，用于根据所述获取模块901获取到的所述用户提问视频和所述确定模块902确定出的所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。

在本公开中，确定模块902可以通过对提问音频进行语音识别的方式提取出用户提问，之后，根据预先关联存储的提问与应答文本信息，确定与上述用户提问对应的应答文本信息。

在上述技术方案中，在获取到包括用户的人脸图像信息和提问音频的用户提问视频后，首先确定与提问音频对应的应答文本信息；之后，可以根据用户提问视频和应答文本信息共同生成用于对用户提问视频中的用户提问进行应答的应答视频。由于用户提问视频中包含有用户提问时的表情、语气、语调等有关情感的信息，因此就能够根据这些有关情感的信息，控制当前与用户交互的虚拟形象的情感表现，以提升人机交互的趣味性，从而实现拟人化的完美互动。

可选地，所述生成模块903，包括：预测子模块，用于根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征；视频生成子模块，用于根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频。

可选地，所述虚拟形象的脸部区域的特征包括所述虚拟形象的嘴部关键点信息；所述视频生成子模块包括：图像序列生成子模块，用于根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列；音频生成子模块，用于根据所述第一声学特征，生成所述应答文本信息对应的音频；合成子模块，用于将所述目标图像序列和所述应答文本信息对应的音频进行合成，得到所述应答视频。

可选地，所述视频生成子模块还包括：第一确定子模块，用于在所述图像序列生成子模块根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列之前，确定所述虚拟形象待表达的目标情感类别；第二确定子模块，用于根据预设的情感类别与关键点信息的对应关系，将与所述目标情感类别对应的关键点信息确定为所述虚拟形象的脸部区域的目标关键点信息，其中，所述目标关键点信息包括眉毛关键点信息和/或眼睛关键点信息；所述图像序列生成子模块用于根据所述虚拟形象的嘴部关键点信息、所述目标关键点信息以及所述脸部其他关键点信息中除所述目标关键点信息外的各关键点信息，生成目标图像序列。

可选地，所述第一确定子模块用于根据所述应答文本信息和所述提问音频，确定所述目标情感类别。

可选地，所述第一确定子模块包括：第三确定子模块，用于分别确定所述应答文本信息所对应的第一概率分布、所述提问音频所对应的第二概率分布，其中，所述第一概率分布包括所述应答文本信息所表征的情感属于每一预设情感类别的概率，所述第二概率分布包括所述提问音频所表征的情感属于每一所述预设情感类别的概率；第四确定子模块，用于根据所述第一概率分布和所述第二概率分布，确定所述目标情感类别。

可选地，所述预测子模块包括：第一提取子模块，用于提取所述提问音频的第二声学特征；第五确定子模块，用于根据所述用户的人脸图像信息，确定所述用户的脸部区域的特征；第二提取子模块，用于提取所述应答文本信息的语音特征信息；特征预测子模块，用于根据所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息，预测所述虚拟形象的脸部区域的特征以及所述第一声学特征。

可选地，所述特征预测子模块用于将所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息输入预测模型中，得到所述虚拟形象的脸部区域的特征以及所述第一声学特征。

可选地，所述用户的脸部区域的特征包括用户的脸部关键点信息，所述虚拟形象的脸部区域的特征包括所述虚拟形象的脸部关键点信息，所述预测模型包括编码网络、注意力网络、解码网络以及后处理网络；所述预测模型通过预测模型训练装置训练得到。其中，该预测模型训练装置可以包括：问答视频获取模块，用于获取问答视频，其中，所述问答视频包括参考用户提问视频和所述虚拟形象的参考应答视频，所述参考用户提问视频包括参考用户的人脸图像信息和参考用户提问音频，所述参考应答视频包括所述虚拟形象、应答音频以及与所述应答音频对应的参考应答文本信息；第一提取模块，用于分别提取所述参考用户提问音频的参考声学特征、所述应答音频的标注声学特征；关键点确定模块，用于确定所述虚拟形象的脸部区域的标注关键点信息，并根据所述参考用户的人脸图像信息，确定所述参考用户的脸部关键点信息；第二提取模块，用于提取所述参考应答文本信息的参考语音特征信息；训练模块，用于通过将所述参考声学特征、所述参考用户的脸部关键点信息以及所述参考语音特征信息作为所述编码网络的输入，将所述编码网络的输出作为所述注意力网络的输入，将所述注意力网络的输出作为所述解码网络的输入，将所述标注声学特征作为所述解码网络的目标输出，将所述解码网络的输出作为所述后处理网络的输入，将所述标注关键点信息作为所述后处理网络的目标输出的方式进行模型训练，得到所述预测模型。

可选地，所述生成模块903还包括：情感类别确定子模块，用于在所述预测子模块根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征之前，确定所述虚拟形象待表达的目标情感类别；所述预测子模块用于根据所述目标情感类别、所述用户提问视频以及所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征。

另外，需要说明的是，上述预测模型训练装置可以集成于视频生成装置900中，也可以独立于该视频生成装置900，在本公开中不作具体限定。另外，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供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本公开提供的上述视频生成方法的步骤。

下面参考图10，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)1000的结构示意图。本公开实施例中的终端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。图10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10所示，电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

通常，以下装置可以连接至I/O接口1005：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1006；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000，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，其包括承载在非暂态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流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001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：获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；确定与所述提问音频对应的应答文本信息；根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。

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模块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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取用户提问视频的模块”。

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。

根据本公开的一个或多个实施例，示例1提供了一种视频生成方法，包括：获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；确定与所述提问音频对应的应答文本信息；根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，包括：根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征；根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述虚拟形象的脸部区域的特征包括所述虚拟形象嘴部关键点信息；所述根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频，包括：根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列；根据所述第一声学特征，生成所述应答文本信息对应的音频；将所述目标图像序列和所述应答文本信息对应的音频进行合成，得到所述应答视频。

根据本公开的一个或多个实施例，示例4提供了示例3的方法，在所述根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列的步骤之前，所述根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频，还包括：确定所述虚拟形象待表达的目标情感类别；根据预设的情感类别与关键点信息的对应关系，将与所述目标情感类别对应的关键点信息确定为所述虚拟形象的脸部区域的目标关键点信息，其中，所述目标关键点信息包括眉毛关键点信息和/或眼睛关键点信息；所述根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列，包括：根据所述虚拟形象的嘴部关键点信息、所述目标关键点信息以及所述脸部其他关键点信息中除所述目标关键点信息外的各关键点信息，生成目标图像序列。

根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述确定所述虚拟形象待表达的目标情感类别，包括：根据所述应答文本信息和所述提问音频，确定所述目标情感类别。

根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据所述应答文本信息和所述提问音频，确定所述目标情感类别，包括：分别确定所述应答文本信息所对应的第一概率分布、所述提问音频所对应的第二概率分布，其中，所述第一概率分布包括所述应答文本信息所表征的情感属于每一预设情感类别的概率，所述第二概率分布包括所述提问音频所表征的情感属于每一所述预设情感类别的概率；根据所述第一概率分布和所述第二概率分布，确定所述目标情感类别。

根据本公开的一个或多个实施例，示例7提供了示例2的方法，所述根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征，包括：提取所述提问音频的第二声学特征；根据所述用户的人脸图像信息，确定所述用户的脸部区域的特征；提取所述应答文本信息的语音特征信息；根据所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息，预测所述虚拟形象的脸部区域的特征以及所述第一声学特征。

根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述根据所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息，预测所述虚拟形象的脸部区域的特征以及所述第一声学特征，包括：将所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息输入预测模型中，得到所述虚拟形象的脸部区域的特征以及所述第一声学特征。

根据本公开的一个或多个实施例，示例9提供了示例8的方法，所述用户的脸部区域的特征包括用户的脸部关键点信息，所述虚拟形象的脸部区域的特征包括所述虚拟形象的脸部关键点信息，所述预测模型包括编码网络、注意力网络、解码网络以及后处理网络；所述预测模型通过如下方式训练得到：获取问答视频，其中，所述问答视频包括参考用户提问视频和所述虚拟形象的参考应答视频，所述参考用户提问视频包括参考用户的人脸图像信息和参考用户提问音频，所述参考应答视频包括所述虚拟形象、应答音频以及与所述应答音频对应的参考应答文本信息；分别提取所述参考用户提问音频的参考声学特征、所述应答音频的标注声学特征；确定所述虚拟形象的脸部区域的标注关键点信息，并根据所述参考用户的人脸图像信息，确定所述参考用户的脸部关键点信息；提取所述参考应答文本信息的参考语音特征信息；通过将所述参考声学特征、所述参考用户的脸部关键点信息以及所述参考语音特征信息作为所述编码网络的输入，将所述编码网络的输出作为所述注意力网络的输入，将所述注意力网络的输出作为所述解码网络的输入，将所述标注声学特征作为所述解码网络的目标输出，将所述解码网络的输出作为所述后处理网络的输入，将所述标注关键点信息作为所述后处理网络的目标输出的方式进行模型训练，得到所述预测模型。

根据本公开的一个或多个实施例，示例10提供了示例2-9中任一项的方法，在根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征的步骤之前，所述根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，还包括：确定所述虚拟形象待表达的目标情感类别；所述根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征，包括：根据所述目标情感类别、所述用户提问视频以及所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征。

根据本公开的一个或多个实施例，示例11提供了一种视频生成装置，包括：获取模块，用于获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；确定模块，用于确定与所述获取模块获取到的所述提问音频对应的应答文本信息；生成模块，用于根据所述获取模块获取到的所述用户提问视频和所述确定模块确定出的所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频。

根据本公开的一个或多个实施例，示例12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示例1-10中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例13提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-10中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种视频生成方法，其特征在于，包括：

获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；

确定与所述提问音频对应的应答文本信息；

根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频；

其中，所述根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，包括：

根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征，其中，所述脸部区域的特征包括脸部关键点信息；

根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频；

所述根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征，包括：

提取所述提问音频的第二声学特征；

根据所述用户的人脸图像信息，确定所述用户的脸部区域的特征；

提取所述应答文本信息的语音特征信息；

根据所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息，预测所述虚拟形象的脸部区域的特征以及所述第一声学特征。

2.根据权利要求1所述的方法，其特征在于，所述虚拟形象的脸部区域的特征包括所述虚拟形象的嘴部关键点信息；

所述根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频，包括：

根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列；

根据所述第一声学特征，生成所述应答文本信息对应的音频；

将所述目标图像序列和所述应答文本信息对应的音频进行合成，得到所述应答视频。

3.根据权利要求2所述的方法，其特征在于，在所述根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列的步骤之前，所述根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频，还包括：

确定所述虚拟形象待表达的目标情感类别；

根据预设的情感类别与关键点信息的对应关系，将与所述目标情感类别对应的关键点信息确定为所述虚拟形象的脸部区域的目标关键点信息，其中，所述目标关键点信息包括眉毛关键点信息和/或眼睛关键点信息；

所述根据所述虚拟形象的嘴部关键点信息和预先存储的、所述虚拟形象的脸部其他关键点信息，生成目标图像序列，包括：

根据所述虚拟形象的嘴部关键点信息、所述目标关键点信息以及所述脸部其他关键点信息中除所述目标关键点信息外的各关键点信息，生成目标图像序列。

4.根据权利要求3所述的方法，其特征在于，所述确定所述虚拟形象待表达的目标情感类别，包括：

根据所述应答文本信息和所述提问音频，确定所述目标情感类别。

5.根据权利要求4所述的方法，其特征在于，所述根据所述应答文本信息和所述提问音频，确定所述目标情感类别，包括：

分别确定所述应答文本信息所对应的第一概率分布、所述提问音频所对应的第二概率分布，其中，所述第一概率分布包括所述应答文本信息所表征的情感属于每一预设情感类别的概率，所述第二概率分布包括所述提问音频所表征的情感属于每一所述预设情感类别的概率；

根据所述第一概率分布和所述第二概率分布，确定所述目标情感类别。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息，预测所述虚拟形象的脸部区域的特征以及所述第一声学特征，包括：

将所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息输入预测模型中，得到所述虚拟形象的脸部区域的特征以及所述第一声学特征。

7.根据权利要求6所述的方法，其特征在于，所述用户的脸部区域的特征包括用户的脸部关键点信息，所述虚拟形象的脸部区域的特征包括所述虚拟形象的脸部关键点信息，所述预测模型包括编码网络、注意力网络、解码网络以及后处理网络；

所述预测模型通过如下方式训练得到：

获取问答视频，其中，所述问答视频包括参考用户提问视频和所述虚拟形象的参考应答视频，所述参考用户提问视频包括参考用户的人脸图像信息和参考用户提问音频，所述参考应答视频包括所述虚拟形象、应答音频以及与所述应答音频对应的参考应答文本信息；

分别提取所述参考用户提问音频的参考声学特征、所述应答音频的标注声学特征；

确定所述虚拟形象的脸部区域的标注关键点信息，并根据所述参考用户的人脸图像信息，确定所述参考用户的脸部关键点信息；

提取所述参考应答文本信息的参考语音特征信息；

通过将所述参考声学特征、所述参考用户的脸部关键点信息以及所述参考语音特征信息作为所述编码网络的输入，将所述编码网络的输出作为所述注意力网络的输入，将所述注意力网络的输出作为所述解码网络的输入，将所述标注声学特征作为所述解码网络的目标输出，将所述解码网络的输出作为所述后处理网络的输入，将所述标注关键点信息作为所述后处理网络的目标输出的方式进行模型训练，得到所述预测模型。

8.根据权利要求1-7中任一项所述的方法，其特征在于，在根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征的步骤之前，所述根据所述用户提问视频和所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，还包括：

确定所述虚拟形象待表达的目标情感类别；

所述根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征，包括：

根据所述目标情感类别、所述用户提问视频以及所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征。

9.一种视频生成装置，其特征在于，包括：

获取模块，用于获取用户提问视频，其中，所述用户提问视频包括用户的人脸图像信息和提问音频；

确定模块，用于确定与所述获取模块获取到的所述提问音频对应的应答文本信息；

生成模块，用于根据所述获取模块获取到的所述用户提问视频和所述确定模块确定出的所述应答文本信息，生成用于对所述用户提问视频中的用户提问进行应答的应答视频，其中，所述应答视频包括与所述用户交互的虚拟形象和所述应答文本信息对应的音频；

其中，所述生成模块包括：

预测子模块，用于根据所述用户提问视频和所述应答文本信息，预测所述虚拟形象的脸部区域的特征以及所述应答文本信息的第一声学特征，其中，所述脸部区域的特征包括脸部关键点信息；

视频生成子模块，用于根据所述虚拟形象的脸部区域的特征和所述第一声学特征，生成所述应答视频；

所述预测子模块包括：

第一提取子模块，用于提取所述提问音频的第二声学特征；

第五确定子模块，用于根据所述用户的人脸图像信息，确定所述用户的脸部区域的特征；

第二提取子模块，用于提取所述应答文本信息的语音特征信息；

特征预测子模块，用于根据所述第二声学特征、所述用户的脸部区域的特征以及所述语音特征信息，预测所述虚拟形象的脸部区域的特征以及所述第一声学特征。

10.一种计算机可读介质，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权利要求1-8中任一项所述方法的步骤。

11.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。