本篇文章2654字，讀完約7分鐘

商用跑步機【科技在線】 大家都知道，卡耐基梅隆大學(xué)在計算機科學(xué)方面的研究名列前茅，而迪士尼有意將計算機科學(xué)技術(shù)引入動畫制作。他們與卡耐基梅隆大學(xué)合作樹立的實驗室近日發(fā)表了一篇論文 a deep learning approach for generalized speech animation，利用深度學(xué)習(xí)的做法，來生成看起來自然的語音動畫。這篇論文已被siggraph 收錄。 他們引入了一種簡單而比較有效的深度學(xué)習(xí)做法，來自動生成看起來自然的，能夠與輸入語音同步的語音動畫。這種做法采用滑動窗口預(yù)測器，可以學(xué)習(xí)到從音位標簽輸入序列到嘴型運動的任意非線性映射，能精準捕捉自然動作和可視化的協(xié)同發(fā)音效果。 這種做法有幾個引起人的特點：它能實時運行，只需要進行非常少的參數(shù)調(diào)節(jié)，能很好的泛化到新的輸入語音序列，很容易來創(chuàng)建風(fēng)格化和情緒化的語音，同時與現(xiàn)有的動畫重定向做法兼容。 迪士尼實驗室表示，他們從業(yè)中的一個要點是開發(fā)出能高效生成語音動畫，并將其輕松地整合到現(xiàn)有作品中的做法。他們的論文中詳述了這種端到端的做法，其中包括機器學(xué)習(xí)的一點設(shè)計決定。在論文中，通過動畫片段中不同的人物和聲音，演示了泛化的語音動畫結(jié)果，包括唱歌和外語輸入。這種做法還可以根據(jù)客戶的語音輸入實時生成靈活的語音動畫。 ai科技評論將論文部分文案編譯如下： 語音動畫是生成逼真的角色動畫中重要且費時的一部分。從廣義上講，語音動畫是一種這樣的任務(wù)：改變圖形(或機器人)模型的面部特征，使嘴唇的動作與發(fā)出的聲音同步，形成一種在說話的感覺。作為人類，我們都是面部表情的專家，糟糕的語音動畫可能會讓人分心，不愉快，產(chǎn)生困惑。例如，當看到的嘴型和聽到的聲音不一致時，有時會讓觀眾以為自己聽到的是另一種聲音(mcgurk和macdonald的論文，1976)。對于實際的角色動畫來講，高保真語音動畫至關(guān)重要。 目前在電影和視頻游戲制作中采用的以前傳下來語音動畫做法一般趨向于兩個極端。一種方法是，高預(yù)算的產(chǎn)品一般會使用表演捕獲技術(shù)或雇一個大型的專業(yè)動畫制作團隊，這樣消費巨大，而且不太容易大規(guī)模復(fù)制。例如，目前沒有什么好的生產(chǎn)做法，可以跨多種語言，劃算且高效地生成優(yōu)質(zhì)的語音動畫。另一種方法是，對于價錢低、文案多的產(chǎn)品，可能會采用簡單的唇形庫來快速生成質(zhì)量相對較低的語音動畫。 近，人們對開發(fā)出自動生成語音動畫的數(shù)據(jù)驅(qū)動做法越來越興致趣，以找到將這兩個極端折中的處理辦法(de martino等的論文，2006;edwards等的論文，;taylor等的論文，)。但是，以前的從業(yè)需要預(yù)先定義一組數(shù)量有限的唇形，還必需將這些唇形混合起來。簡單的混合函數(shù)限制了可以建模的視覺語音動態(tài)的多而雜度。所以我們另辟蹊徑，計劃利用現(xiàn)代機器學(xué)習(xí)做法，直接從數(shù)據(jù)中學(xué)習(xí)視覺語音的多而雜動態(tài)。 我們提出了一種自動生成語音動畫的深度學(xué)習(xí)做法，這種做法提供一種劃算且高效的手段，能大規(guī)模地生成高保真的語音動畫。例如，我們用100多家自由度，在電影制作級別的人臉模型上生成逼真的語音動畫。我們從業(yè)中的一個要點是開發(fā)一種高效的語音動畫做法，可以無縫地整合到現(xiàn)有的作品生產(chǎn)中。 我們的做法采用連續(xù)的深度學(xué)習(xí)滑動窗口預(yù)測器，這是受kim等人在年發(fā)表的一篇論文的啟發(fā)。滑動窗口的做法意味著預(yù)測器能夠在持續(xù)講話的輸入語音描述和輸出視頻之間表示多而雜的非線性回歸，也自然包括語境和協(xié)同發(fā)音效果。我們的研究結(jié)果展現(xiàn)了在kim等人之前的決定樹做法上利用神經(jīng)互聯(lián)網(wǎng)深度學(xué)習(xí)做法帶來的改進。 采用重疊的滑動窗口更直接地將學(xué)習(xí)集中在捕捉局部范圍的語境和協(xié)同發(fā)音的效果上，比起循環(huán)神經(jīng)互聯(lián)網(wǎng)和lstm(hochreiter和schmidhuber的論文，1997)等以前傳下來的序列學(xué)習(xí)做法，更適合預(yù)測語音動畫。 采用機器學(xué)習(xí)的首要挑戰(zhàn)之一是：要以一種對所需的終目標有用的方法，恰當?shù)囟x學(xué)習(xí)任務(wù)(例如選擇什么樣的輸入/輸出和訓(xùn)練集)。我們的目標是讓動畫師能輕松地將高保真的語音動畫合并到任何rig上，對任何說話者都適用，同時易于和風(fēng)格化。 我們將我們的機器學(xué)習(xí)任務(wù)定義為，從單個作為參照的說話者中，學(xué)會產(chǎn)生具有中性語音的高保真動畫。通過聚焦作為參照的面部和中性的語音，我們可以低價錢且高效地收集一個全面的數(shù)據(jù)集，這個數(shù)據(jù)集能充分地描述出語音動畫的多而雜特點。大的訓(xùn)練數(shù)據(jù)集使得我們能夠采用現(xiàn)代機器學(xué)習(xí)做法，可信地學(xué)習(xí)語音運動中細微的動態(tài)變化。 與之前程序化的生成語音動畫的研究相比(de martino等的論文，2006;edwards 等的論文，;taylo等的論文，)，我們的做法能直接從數(shù)據(jù)中學(xué)會自然的協(xié)同發(fā)音效果。 我們將輸入定義為文案(音位標簽)，意味著可以學(xué)習(xí)與說話者無關(guān)的從語境到語音動畫的映射。 我們只需要現(xiàn)成的語音識別軟件自動將任何說話者的語音轉(zhuǎn)換成相應(yīng)的音位描述。因為此，我們的自動語音動畫可以泛化到任何說話者，任何形式的語音，甚至是其他語言。 局限性和未來的研究 首要的實際局限是，我們的動畫預(yù)測是依據(jù)aam參數(shù)化法生成的參考面部來制作的。這使我們這種做法能泛化到任何文案，但是對特征進行重定位會引入潛在的錯誤源。當提出重定向模型的初始特征設(shè)置時，必需小心謹慎，以保持預(yù)測動畫的逼真度。幸運的是，對各個角色，這個預(yù)計算步驟只需執(zhí)行一次。展望未來，一個有意思的研究方向是采用真實的動畫數(shù)據(jù)來開發(fā)對比自動語音動畫的數(shù)據(jù)驅(qū)動重定位技術(shù)。 只從中性的語音中學(xué)習(xí)，我們可以得到一個具有魯棒性的語音動畫模型，它可以泛化到任何語音文案。目前，在動畫中添加表情和情感還是藝術(shù)家的從業(yè)，在未來，一個興趣的方向是從多個具有情感的語境(生氣、傷心等)生成的訓(xùn)練數(shù)據(jù)中，訓(xùn)練一個更大的神經(jīng)互聯(lián)網(wǎng)，使預(yù)測的面部動作更接近于真實的情感。 一個首要的挑戰(zhàn)是怎么既劃算，又高效地收集一個綜合數(shù)據(jù)庫用于訓(xùn)練。如果沒有一個夠全面的訓(xùn)練集，采用現(xiàn)代機器學(xué)習(xí)技術(shù)會存在困難，因為深度學(xué)習(xí)等做法一般是嚴重欠約束的?？赡艿姆较蚴谴笠?guī)模地收集雜亂的數(shù)據(jù)(例如從公共視頻存儲庫中收集)，或者開發(fā)能自適應(yīng)地選擇收集哪種視頻的主動學(xué)習(xí)做法，以使總收集價錢小化。

另外，泛化性可以從具有男性、女性、圓臉、方臉、肥胖、瘦身等各種臉部特征的多位說話者中訓(xùn)練聲音動畫模型，在預(yù)測時選擇與動畫角色模型相符的特征。 這種做法可以根據(jù)人物的說話方式，根據(jù)臉部的形狀泛化為不同的表情。 再次證明了如何有效地收集綜合訓(xùn)練集是一大挑戰(zhàn)。