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

简介:

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(IIIT)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。

1

△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。

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,不足以模拟真实环境的问题,后者问题在于适用对象过于宽泛,个性化特征不够鲜明。

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,增加数据量来增强模型的拟合效果。

2

△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、深度学习课程等类型。

每个演讲者都有大约20个小时的YouTube视频内容,作者使用了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。

3

△训练流程

这个示例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3D人脸识别效果良好,在GitHub有3.9k Star。

5

△face_alignment模型对人脸进行3D建模

3、使用LSTM根据唇部动作进行文字生成。

在得到人脸特征后,研究者要做的是把唇部动作和语音文字结合起来。

6

△训练示例

在数轮3D卷积神经网络训练后,研究者使用LSTM进行文字生成,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。

7

根据比较结果,和现有模型相比,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全无法理解的单词数量。),以及C,同音字的百分比。

8

△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。

但吃瓜群众的疑问在于,他们的模型是否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,只有针对训练的特定个人才能有效拟合数据。

9

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。

1

【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态!
【云栖号在线课堂 社群】https://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QbitAI”

相关文章
|
1月前
|
机器学习/深度学习 人工智能 编解码
深入探索AI文生语音技术的奥秘:从文本输入到逼真语音输出的全链条语音合成过程解析
【9月更文挑战第2天】深入探索AI文生语音技术的奥秘:从文本输入到逼真语音输出的全链条语音合成过程解析
 深入探索AI文生语音技术的奥秘:从文本输入到逼真语音输出的全链条语音合成过程解析
|
1月前
|
人工智能 Linux iOS开发
AI超强语音转文本SenseVoice,本地化部署教程!
【9月更文挑战第7天】以下是AI超强语音转文本工具SenseVoice的本地化部署教程:首先确保服务器或计算机满足硬件和软件要求,包括处理器性能、内存及操作系统等。接着从官网下载适合的安装包,并按操作系统进行安装。配置音频输入设备和语言模型后,启动SenseVoice并测试其语音转文本功能。最后根据实际使用情况进行优化调整,并定期更新以获取最新功能。详细步骤需参照官方文档。
131 1
|
2月前
|
人工智能 数据处理 语音技术
通义语音AI技术问题之查看KAN-TTS在ModelScope上的模型列表如何解决
通义语音AI技术问题之查看KAN-TTS在ModelScope上的模型列表如何解决
40 10
|
2月前
|
人工智能 语音技术
通义语音AI技术问题之semantic 的 residualquantizer 模块的作用如何解决
通义语音AI技术问题之semantic 的 residualquantizer 模块的作用如何解决
30 9
|
2月前
|
人工智能 语音技术
通义语音AI技术问题之服务端对于音频数据如何解决
通义语音AI技术问题之服务端对于音频数据如何解决
29 7
|
2月前
|
机器学习/深度学习 人工智能 数据挖掘
通义语音AI技术问题之TTS的生成效果和流式推理高效性如何解决
通义语音AI技术问题之TTS的生成效果和流式推理高效性如何解决
44 5
|
2月前
|
人工智能 数据挖掘 语音技术
通义语音AI技术问题之JPCP方法的工作原理如何解决
通义语音AI技术问题之JPCP方法的工作原理如何解决
27 5
|
2月前
|
人工智能
通义语音AI技术问题之Diagonal Attention Pooling(Ditto)方法的工作原理如何解决
通义语音AI技术问题之Diagonal Attention Pooling(Ditto)方法的工作原理如何解决
45 4
|
2月前
|
人工智能 自然语言处理 语音技术
使用AI识别语音和B站视频并通过GPT生成思维导图原创
AI脑图现新增语音及B站视频内容识别功能,可自动生成思维导图。用户可通过发送语音或上传语音文件,系统自动转换为文本并生成结构化的思维导图;对于B站视频,仅需提供链接即可。其工作流程包括:语音转文本、文本结构化、生成Markdown、Markdown转思维导图HTML以及输出最终的思维导图图片给用户。
43 0
|
2月前
|
机器学习/深度学习 人工智能 自然语言处理

热门文章

最新文章