申请/专利权人:清华大学
申请日:2024-01-08
公开(公告)日:2024-05-17
公开(公告)号:CN118052917A
主分类号:G06T13/40
分类号:G06T13/40;G06N3/045;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.04#实质审查的生效;2024.05.17#公开
摘要:本申请涉及语音视频生成技术领域,特别涉及一种文本驱动的语音和人脸动作生成方法、装置、设备及介质,其中,方法包括:获取虚拟数字形象的目标文本;将目标文本输入训练完成的扩散模型,基于扩散模型和目标文本的约束,从噪声中恢复对应时序的人脸动作特征序列与语音特征序列;根据人脸动作特征序列与语音特征序列渲染得到虚拟数字形象的文本驱动的人脸动作视频和对应音频。由此,解决了相关技术中数字形象生成中的自然度低、模态单一、音频获取难、灵活性差以及多模态输入输出数据间时序匹配度低等问题。
主权项:1.一种基于扩散模型的文本驱动的语音和人脸动作生成方法,其特征在于,包括以下步骤:获取虚拟数字形象的目标文本;将所述目标文本输入训练完成的扩散模型,基于所述扩散模型和所述目标文本的约束,从噪声中恢复对应时序的人脸动作特征序列与语音特征序列;根据所述人脸动作特征序列与所述语音特征序列渲染得到所述虚拟数字形象的文本驱动的人脸动作视频和对应音频。
全文数据:
权利要求:
百度查询: 清华大学 文本驱动的语音和人脸动作生成方法、装置、设备及介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。