越來越多的研究表明，只要有足夠多的語料庫，人類的面部動作和語音行為是能夠同步的。兩年前，卡內(nèi)基·梅隆大學(xué)的研究人員曾發(fā)表了一篇論文，敘述了一種將一個人的面部動作轉(zhuǎn)移至另一個人的方法。

而就在今年六月份的時候，三星的應(yīng)用科學(xué)家就介紹了一種端對端的模型，能夠?qū)⑷祟^部特寫中的眉毛、嘴巴、睫毛和臉頰生成動畫。僅僅幾周后，Udacity 展示了一個可以從音頻旁白中自動生成站立演講視頻的系統(tǒng)。

基于前面的研究和工作，微軟研究團隊在本周提出了一項技術(shù)。他們宣稱，這一技術(shù)能夠提升傳聲頭像動畫的逼真度。在此之前，頭部動畫的生成需要清晰，相對無噪聲的音頻以及中性的音調(diào)。而現(xiàn)在，研究人員表示，他們的技術(shù)能夠?qū)⒁纛l序列分解成語音內(nèi)容和背景噪聲等因素，由此可以使用有噪聲和“有感情色彩”的數(shù)據(jù)樣本。

記者注：圖片來源于 Microsoft

眾所周知，語音是具有差異性的。不同的人在不同的環(huán)境下使用同一個詞，其持續(xù)性、振動幅度、語調(diào)等等都各不相同。除了語音內(nèi)容方面，語音自身還承載著豐富的信息，它能夠揭示人的情緒狀態(tài)，身份（性別、年齡、種族）和個性等。

事實上，微軟研究人員提出的技術(shù)是基于學(xué)習(xí)潛在顯示的變自編碼器（記者(公眾號：記者)按：variational autoencode，VAE）。VAE 能夠?qū)⑤斎氲囊纛l分解成不同的表現(xiàn)形式，包括編碼內(nèi)容、表情以及其它變化的因素，在輸入音頻的基礎(chǔ)上，從分布中采樣一些內(nèi)容表示序列，該序列連同輸入的人臉圖像一同被饋送到視頻生成器進行面部動畫處理。

為了訓(xùn)練和測試 VAE，研究人員選取了三個數(shù)據(jù)集，分別如下：

GRID：這是一個視聽語料庫，每個語料庫包含了 34 位說話者的 1000 份錄音；

CREMA-D：包含了 7442 個影視片段，來自 91 位不同種族演員；

LRS3：包含了超過 10 萬個 TED 視頻中的口語句子的數(shù)據(jù)庫。

研究人員將 GRID 和 CREMA-D 的數(shù)據(jù)輸入到模型中，讓其識別語音和情感表征，然后使用一對定量指標(biāo)——峰值信噪比（PSNR）和結(jié)構(gòu)相似度指數(shù)（SSIM）——來評估視頻生成的質(zhì)量。

該研究團隊表示，就表現(xiàn)而言，他們的方法和其它清晰的、中性的口語表達方法在所有指標(biāo)上都是一樣的。并且他們注意到，這種方法不僅能夠在整個情緒光譜上持續(xù)表現(xiàn)，還能夠兼容所有目前最先進的傳聲頭像方法。

值得一提的是，其變種特異性的可學(xué)先驗方法還能夠擴展到其它語音因素，例如身份和性別，這些因素能夠作為未來工作的一部分探索。通過對噪音和情緒音頻樣本進行測試，研究人員驗證了其模型，表明了在音頻變化的情況下，該方法是優(yōu)于目前已有的技術(shù)水平的。

記者注：本文編譯自 KYLE WIGGERS 發(fā)表于 venturebeat 上的文章。

微軟研究成果：https://arxiv.org/pdf/1910.00726.pdf