最近，麻省大學(xué)Amherst分校的Yang Zhou博士和他的團(tuán)隊(duì)提出了一種具有深度結(jié)構(gòu)的新方法「MakeItTalk」。給定一個(gè)音頻語音信號(hào)和一個(gè)人像圖像作為輸入，模型便會(huì)生成說話人感知的有聲動(dòng)畫圖。

富有表現(xiàn)力的動(dòng)畫誰都想要！

面部動(dòng)畫在很多領(lǐng)域都是一項(xiàng)關(guān)鍵技術(shù)，比如制作電影、視頻流、電腦游戲、虛擬化身等等。

盡管在技術(shù)上取得了無數(shù)的成就，但是創(chuàng)造逼真的面部動(dòng)畫仍然是計(jì)算機(jī)圖形學(xué)的挑戰(zhàn)。

一是整個(gè)面部表情包含了完整面部各部分之間的相互關(guān)系，面部運(yùn)動(dòng)和語音之間的協(xié)同是一項(xiàng)艱巨的任務(wù)，因?yàn)槊娌縿?dòng)態(tài)在高維多重影像中占主導(dǎo)地位，其中頭部姿勢(shì)最為關(guān)鍵。

二是多個(gè)說話人會(huì)有不同的說話方式，控制嘴唇一致，不足以了解說話的人的性格，還要表達(dá)不同的個(gè)性。

針對(duì)上述問題，Yang Zhou博士和他的團(tuán)隊(duì)提出了一種具有深度結(jié)構(gòu)的新方法「 MakeItTalk」。

這是一種具有深度架構(gòu)的新方法，只需要一個(gè)音頻和一個(gè)面部圖像作為輸入，程序就會(huì)輸出一個(gè)逼真的「說話的頭部動(dòng)畫」。

下面，我們就來看看，MakeItTalk的是如何讓圖片「說話」的。

都給我開口說話！神奇的 MakeItTalk 是什么？

MakeItTalk是一個(gè)新的深度學(xué)習(xí)為基礎(chǔ)的架構(gòu)，能夠識(shí)別面部標(biāo)志、下巴、頭部姿勢(shì)、眉毛、鼻子，并切能夠通過聲音的刺激使嘴唇發(fā)生變化。

模型以LSTM 和 CNN 為基礎(chǔ)，可以根據(jù)說話人的音調(diào)和內(nèi)容，讓面部表情和頭部產(chǎn)生隨動(dòng)。

本質(zhì)上， MakeItTalk將輸入音頻信號(hào)中的內(nèi)容和說話人分離出來，從產(chǎn)生的抽象表示中提取出對(duì)應(yīng)的動(dòng)畫。

而嘴唇和相鄰面部的協(xié)同也尤為重要。說話者的信息被用來獲取其他面部表情和頭部動(dòng)作，而這些對(duì)于生成富有表現(xiàn)力的頭部動(dòng)畫是必需的。

MakeItTalk模型既可以生成逼真的人臉說話圖像，也可以生成非逼真的卡通說話圖像。

聲音+圖像=「開口說話」？MakeItTalk是如何做到的？

下面的圖表顯示了生成逼真的說話頭像的完整方法和途徑：

（1）一個(gè)音頻剪輯和一個(gè)單一的面部圖像可以制作一個(gè)與音頻協(xié)調(diào)的，能感知說話者的頭部動(dòng)畫。

（2）在訓(xùn)練階段，使用現(xiàn)成的人臉檢測器對(duì)輸入的視頻進(jìn)行預(yù)處理，提取標(biāo)記，從輸入的音頻中訓(xùn)練基礎(chǔ)模型，實(shí)現(xiàn)語音內(nèi)容轉(zhuǎn)動(dòng)畫和標(biāo)記的精確提取。

（3）為了獲得高精度的運(yùn)動(dòng)，通過對(duì)輸入音頻信號(hào)的分離內(nèi)容和說話人嵌入來檢測標(biāo)記點(diǎn)的估計(jì)。為此，采用語音轉(zhuǎn)換神經(jīng)網(wǎng)絡(luò)對(duì)語音內(nèi)容進(jìn)行提取，發(fā)現(xiàn)語音內(nèi)容。

（4）內(nèi)容與說話者無關(guān)，并且捕獲了嘴唇和相鄰部位的常見運(yùn)動(dòng)，其中說話內(nèi)容調(diào)節(jié)了動(dòng)作的特征和說話者頭部動(dòng)作的剩余部分。

（5）嘴唇的大小和形狀隨著眼睛、鼻子和頭部的運(yùn)動(dòng)而擴(kuò)大，這取決于誰說了這個(gè)詞，也就是說話人身份。

（6）最后，為了生成轉(zhuǎn)換后的圖像，MakeItTalk采用了兩種算法進(jìn)行標(biāo)記到圖像的合成：

對(duì)于非真實(shí)感的圖像，如畫布藝術(shù)或矢量藝術(shù)，一個(gè)特定的畸變方法是在 Delaunay triangulation 的基礎(chǔ)上部署；

對(duì)于真實(shí)感圖像，構(gòu)建一個(gè)圖像到圖像的轉(zhuǎn)換網(wǎng)絡(luò)（與 pix2pix 相同） ，直接轉(zhuǎn)換自然人臉。

最后，混合所有的圖像幀和音頻共同生成頭部動(dòng)畫。

作者簡介

該項(xiàng)目的作者本科畢業(yè)于上海交通大學(xué)電子工程系，然后在喬治亞理工學(xué)院獲得了碩士學(xué)位，現(xiàn)在是馬薩諸塞大學(xué)阿默斯特分校計(jì)算機(jī)圖形學(xué)科學(xué)研究小組的一名計(jì)算機(jī)科學(xué)博士生。

Yang Zhou在計(jì)算機(jī)圖形學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域工作。主要致力于用深度學(xué)習(xí)技術(shù)來幫助藝術(shù)家、造型師和動(dòng)畫師做出更好的設(shè)計(jì)。

如果也想給你的設(shè)計(jì)加點(diǎn)AI的基因，Yang Zhou的論文列表絕對(duì)是個(gè)不錯(cuò)的選擇，有很多關(guān)于動(dòng)畫生成和多模態(tài)深度學(xué)習(xí)的研究。
責(zé)編AJX