一种唇形特征预测方法、装置和电子设备与流程

本申请涉及计算机技术领域中的虚拟技术领域，尤其涉及一种唇形特征预测方法、装置和电子设备。

背景技术：

随着人工智能、数字通信等技术的快速发展，虚拟形象逐渐成为下一代人工智能交互的重要发展方向。其中，虚拟形象中唇形特征是一个关键的技术特征。目前主要是采用音素、音节等作为语音特征，并通过该领域的专家定义一系列的唇形映射规则确定唇形特征。但目前该方法预测唇形特征的准确性比较差。

技术实现要素：

本申请提供一种唇形特征预测方法、装置和电子设备，以解决预测唇形特征的准确性比较差的问题。

第一方面，本申请提供一种唇形特征预测方法，包括：

识别语音特征的语音后验概率(phoneticposteriorgrams,ppg)；

使用神经网络模型对所述ppg进行预测，以预测到所述语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。

由于通过神经网络模型对语音特征的ppg进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。

可选的，所述ppg训练样本包括：

目标语音特征的ppg，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；

所述唇形特征训练样本包括所述目标语音特征的ppg对应的唇形特征。

由于目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征，这样使得神经网络模型预测的唇形特征更加准确。

可选的，所述目标语音特征的频率与所述目标语音特征的ppg对应的唇形特征的频率匹配。

由于目标语音特征的频率与唇形特征的频率匹配，进一步提高神经网络模型预测的唇形特征的准确性。

可选的，所述神经网络模型为具有自回归机制的循环神经网络(recurrentneuralnetwork，rnn)模型，所述rnn模型的训练过程中包括：

将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的ppg训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。

由于将上一帧的唇形特征训练样本作为输入，所述当前帧的ppg训练样本作为条件约束，这样可以进一步提高上述神经网络模型预测唇形特征的准确性。

可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：

回归唇形点、唇形缩略图、混合变形(blendshape)系数和3维形变模型(3dmorphablemodels，3dmm)表情系数。

由于可以预测多个唇形特征，从而提升上述神经网络模型的泛化性能。

可选的，所述方法还包括：

使用所述神经网络模型对真实语音数据的ppg进行预测，得到真实语音数据的唇形特征；

依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。

由于使用神经网络模型预测的唇形特征构建唇形特征索引库这样可以提高神经网络模型输出的预测唇形特征与索引库种唇形特征的拟合度，进而提升索引精度。

第二方面，本申请提供一种唇形特征预测装置，包括：

识别模块，用于识别语音特征的ppg；

第一预测模块，用于使用神经网络模型对所述ppg进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。

可选的，所述ppg训练样本包括：

目标语音特征的ppg，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；

所述唇形特征训练样本包括所述目标语音特征的ppg对应的唇形特征。

可选的，所述神经网络模型为具有自回归机制的循环神经网络rnn模型，所述rnn模型的训练过程中包括：

将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的ppg训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。

可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：

回归唇形点、唇形缩略图、混合变形系数和3维形变模型3dmm表情系数。

可选的，所述装置还包括：

第二预测模块，用于使用所述神经网络模型对真实语音数据的ppg进行预测，得到真实语音数据的唇形特征；

构建模块，用于依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。

第三方面，本申请提供一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请提供的方法。

第四方面，本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行本申请提供的方法。

上述申请中的一个实施例具有如下优点或有益效果：

识别语音特征的ppg；使用神经网络模型对所述ppg进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。因为采用神经网络模型对语音特征的ppg进行预测的技术手段，所以克服了预测唇形特征的准确性比较差的技术问题，进而达到提高预测唇形特征的准确性的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请提供的一种唇形特征预测方法的流程图；

图2是本申请提供的一种唇形特征预测装置的结构图；

图3是本申请提供的另一种唇形特征预测装置的结构图；

图4是用来实现本申请实施例的唇形特征预测方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

请参见图1，图1是本申请提供的一种唇形特征预测方法的流程图，如图1所示，包括以下步骤：

步骤s101、识别语音特征的ppg。

其中，上述识别语音特征的ppg可以是基于自动语音识别系统提取上述语音特征的ppg。

需要说明的是，本申请中语音特征也可以理解为语音数据。

步骤s102、使用神经网络模型对所述ppg进行预测，以预测到所述语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。

其中，上述神经网络模型可以是输入为ppg输出为对应的唇形特征的端到端神经网络模型。

需要说明的是，本申请中并不限定神经网络模型的种类，例如：卷积神经网络(convolutionalneuralnetworks，cnn)模型、深度神经网络(deepneuralnetworks，dnn)模型或者rnn模型等。

本申请中，由于ppg作为说话者无关特征，这样通过ppg可以得到不同说话者的共性语音特征，相较于音素等语音特征，ppg与语音的同步性更强，即提高语音与唇动的同步性。

本申请中，由于通过神经网络模型对语音特征的ppg进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。

可选的，所述ppg训练样本包括：

目标语音特征的ppg，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；

所述唇形特征训练样本包括所述目标语音特征的ppg对应的唇形特征。

其中，上述基于动态切片得到的，且具有完整的语义的语音特征可以是，根据语音的语义进行切片，以得到具有完整的语义的语音特征。

由于目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征，这样可以消除了由于人为截断音节导致的信息不连续现象，使得神经网络模型预测的唇形特征更加准确。

可选的，所述目标语音特征的频率与所述目标语音特征的ppg对应的唇形特征的频率匹配。

其中，上述目标语音特征的频率与唇形特征的频率匹配可以是，目标语音特征的频率与唇形特征的频率相同或者相似。例如：语音特征的频率为25hz，唇形特征的频率也为25hz。进一步，当语音特征的频率与唇形特征的频率不匹配时，本申请可以对语音特征的频率进行调整，例如：将100hz的语音特征调整为25hz的语音特征，由于可以对语音特征的频率进行调整，这样可以提升神经网络模型训练的灵活度。

由于目标语音特征的频率与唇形特征的频率匹配，进一步提高神经网络模型预测的唇形特征的准确性。

可选的，所述神经网络模型为具有自回归机制的循环神经网络rnn模型，所述rnn模型的训练过程中包括：

将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的ppg训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。

其中，上述当前帧可以是训练过程中当前进行训练的帧，本申请中训练样本包括多帧，每帧对应一个ppg和唇形特征。

由于将上一帧的唇形特征训练样本作为输入，所述当前帧的ppg训练样本作为条件约束，这样可以实现每一个时刻的唇形与当前时刻及前后时刻的语音有关，从而进一步提高上述神经网络模型预测唇形特征的准确性。

可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：

回归唇形点、唇形缩略图、混合变形(blendshape)系数和3dmm表情系数。

其中，多分支网络神经网络模型可以是指该神经网络模型具备多个分支网络，每个分支网络可以预测一个唇形特征，例如：4个分支网络分别预测回归唇形点、唇形缩略图、混合变形系数和3dmm表情系数。

由于可以预测多个唇形特征，从而提升上述神经网络模型的泛化性能。进一步的，由于可以预测回归唇形点、唇形缩略图、混合变形系数和3dmm表情系数中的多项，这样通过多特征的融合预测，一方面可以利用唇形特征之间的相关性有效提升神经网络模型的泛化性能，另一方面有效的扩大了模型的应用范围，可以方便地应用于2d、3d虚拟形象的制作。

可选的，所述方法还包括：

使用所述神经网络模型对真实语音数据的ppg进行预测，得到真实语音数据的唇形特征；

依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。

其中，上述真实语音数据和真实语音数据的唇形特征可以是上述神经网络模型的训练样本。当然，对此不作限定，例如：也可以采集到的其他真实数据。

上述依据所述真实语音数据的唇形特征构建唇形特征索引库可以是，依据所述真实语音数据的唇形特征重构唇形特征索引库，例如：上述唇形特征索引库原本是包括真实唇形特征，该实施方式中，通过上述预测的真实语音数据的唇形特征替换掉唇形特征索引库中的真实的唇形特征。

上述唇形特征索引库可以是在虚拟形象合成中获取唇形特征的索引库。

由于使用神经网络模型预测的唇形特征构建唇形特征索引库这样可以提高神经网络模型输出的预测唇形特征与索引库种唇形特征的拟合度，进而提升索引精度。

本申请中，识别语音特征的ppg；使用神经网络模型对所述ppg进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。由于通过神经网络模型对语音特征的ppg进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。

请参见图2，图2是本申请提供的一种唇形特征预测装置的结构图，如图2所示，唇形特征预测装置200包括：

识别模块201，用于识别语音特征的ppg；

第一预测模块202，用于使用神经网络模型对所述ppg进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。

可选的，所述ppg训练样本包括：

目标语音特征的ppg，所述目标语音特征为基于动态切片得到的，且具有完整的语义的语音特征；

所述唇形特征训练样本包括所述目标语音特征的ppg对应的唇形特征。

可选的，所述神经网络模型为具有自回归机制的循环神经网络rnn模型，所述rnn模型的训练过程中包括：

将当前帧的上一帧的唇形特征训练样本作为输入，所述当前帧的ppg训练样本作为条件约束，所述当前帧的唇形特征训练样本作为目标进行训练。

可选的，所述神经网络模型为多分支网络神经网络模型，所述语音特征的唇形特征包括如下至少两项：

回归唇形点、唇形缩略图、混合变形系数和3维形变模型3dmm表情系数。

可选的，如图3所示，所述装置还包括：

第二预测模块203，用于使用所述神经网络模型对真实语音数据的ppg进行预测，得到真实语音数据的唇形特征；

构建模块204，用于依据所述真实语音数据的唇形特征构建唇形特征索引库，其中，所述唇形特征索引库用于虚拟形象的唇形合成。

本实施例提供的装置能够实现图1所示的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图4所示，是根据本申请实施例的唇形特征预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。

存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的唇形特征预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的唇形特征预测方法。

存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的唇形特征预测方法对应的程序指令/模块(例如，附图2所示的识别模块201和第一预测模块202)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的唇形特征预测方法。

存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据唇形特征预测方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至唇形特征预测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

唇形特征预测方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置403可接收输入的数字或字符信息，以及产生与唇形特征预测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，识别语音特征的ppg；使用神经网络模型对所述ppg进行预测，以预测到语音特征的唇形特征，其中，所述神经网络模型为使用训练样本进行训练得到输入包括ppg，输出包括唇形特征的神经网络模型，所述训练样本包括ppg训练样本和唇形特征训练样本。由于通过神经网络模型对语音特征的ppg进行预测，这样相比通过该领域的专家定义一系列的唇形映射规则确定唇形特征，可以提高预测唇形特征的准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。