只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

云栖号资讯:【点击查看更多行业资讯】
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!


光动嘴不用出声,AI自动给你合成语音。

这就是来自印度信息技术研究所(IIITI H 2 a } ~ * 6 v)的黑科技——一个名为Lip2Wav的AI程序

Lip2Wav可以学习个体的说话方式,并且实现准确的唇语合成。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

△示例

值得注意的是,Lip2Wav和B站那些机械风格的鬼畜调音不一样。

这个AI效果炸裂,你几乎感觉不到是机器配音,就像人类在发言一样。c | 7 A x =

真实效果可以参见他们发布在油管的视频

毕竟涉及到语音效果,光看文字是感觉不完整的。

另外,不要用来做坏事哟。

这是怎么实现的?

目前工业界普遍使用的唇语到语音/文本的数据集有两种。

一种是小规模的、受约束的词汇数据集,如GRID和TCD-TIMIT数据集,还有一种是无约束、开源的多人词汇数据集,如LRS2、LRW和LRS3数据集。

这些数据集前者存在数量不足,不足以模拟真2 S ( K实环境的问题,后者问题在于适用对象过于宽泛,个性化[ P L / E 1 # . T特征不够鲜明。

基于上述问题,作者提出新的思路,步骤如下:

1、准备数据。

准备针对个人的语音、视频大量数据,这是Lip2Wav的第一个显著特点,增加数据量f N R 2 , 8 w M -来增强模型的拟合效果。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

△5个演讲者

作者为Lip2Wav准备的数据集包含了5位演讲者的演+ & , B ? :说视频,这些视频包括国际象棋分析、化学课程、深度学习课程S 7 n 等类型。

每个演讲者都有大约20个小时的YouTube视频内容W L Y { l,作者使: : w 9 6 A k ] &用了5个人、共计100+小时的数据,跨越5000+的丰富词汇量,基本涵盖日常英语词汇。

2、面部识别中得到唇部动作编码。

在整理好数据后,作者的思路是学习精确的个体说话风格,换言之追求对个体风格的极致模拟,而非普遍适用的通用模型。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

△训练流程

这个示例[ n J ?针对的是国际象棋分析,训练AI去分析演讲者的面部表情动作,并进行特征编码。

当然,作者没有重复造轮子,而是利用face_alignment模型上二次开发,修改为一次分批提取人脸。

face_alignment模型对3r C }D人脸识别效果良好,在GitHub有3.9k Star。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

△face_alignment模型对人脸进行3D建模

3、使用LSTM根据唇部动W 7 ? f 2 F u作进d & # h ? _ q 5行文字生成。

在得到人脸W | ! Q [特征后,研究者要做的是把唇部动作和语音文字结合起来。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

△训练示例

在数轮3D卷积神经网络训练后,研究者b * o [ e使用LSTM进行文字生成; 7 g 0 + [ :,以期匹配先前的唇语动作。

4、评估结果。

在得到训练结果后,研究者使用另% & c - J z 4 X外两份数据集进行验证,检测Lip2Wav模型的泛化能力。

他们使用了GRID和TCD-TIMIT数据集,其中的WER列为错误率❌的衡量参数。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

根据比较结果,和现有Q ( Y模型相比,Lip2Wav模型得分最低,效果最好。

而更有创意的是,研究者为弥补他们数据集过于针对个人( Z G n ~ ? D b风格的特点,还设计了人类评估的步骤。

让人类志愿者进行客观评估。

他们要求志愿者手动识别并报告A,错误发音的百分比,B,单词跳字的百分比(单词跳读是指由于噪声或语调不清而完 ; m V ] W # B全无法理解的单词数l V a f量。)P ( l ? E G,以及C,同音字的百分比。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

△人类客观评估平均数

上图是从Lip2Wav数据集中的每个演讲者的未读测试分词中选取10个预测的结果。

个人风格过强的问题

作者发布之后,引起Reddit的热议。

但吃瓜群众的e 4 V & P 1 ] :疑问在于,他们的模型是否M J &能够针对普通人进行语音合成。

没想到模型作者现身说法,明确表示暂时还不行,只有针对训练的n ] C B 0特定个人才能有效拟合数{ ( + i J据。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

而作者还在评论区回应,他们未来会增加视频字幕生成的能力,类似于YouTube的字幕生成功能,期待项目的进一步发展。

只用嘴唇动一动,AI就能合成语音,效果自然流畅看不出破绽

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动% [ w q u @态!
【云栖号在线课堂 社群】httpsK A ! } 1://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-06-06
本文作者:梅宁航
本文来自:“量子位公众号”,了解相关信息可以关注“公众号Qbx ` ( p J #itAI”