CN116433807B - 动画合成方法及装置、动画合成模型的训练方法及装置 - Google Patents

Abstract

本公开提供了一种动画合成方法及装置、动画合成模型的训练方法及装置，涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、数字人等场景。实现方案为：获取音频文件和影像文件，其中，音频文件包括语音信息，影像文件包括目标人物的面部图像；基于音频文件，获取语音特征；基于影像文件，分别获取影像文件中的目标人物的面部特征和身份特征；以及根据语音特征、面部特征和身份特征生成关于目标人物的合成动画。

Description

动画合成方法及装置、动画合成模型的训练方法及装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、数字人等场景，具体涉及一种动画合成方法及装置、动画合成模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能(AI)是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

随着人工智能和大数据技术的蓬勃发展，AI已经或者正在渗透到生活的方方面面。虚拟人技术作为元宇宙的核心部分，是AI技术重要的一子领域，它通过AI技术特别是深度学习技术构建一个虚假的人影像，同时希望这个虚拟人能够像人一样能够生动形象的说话、点头和手势等动作，同时结合生活领域，比如金融、交通、教育和零售等，使得虚拟人智能的与真人之间产生交互。由此可以衍生出数字智能客服虚拟人、虚拟主持人、虚拟教师、虚拟偶像和虚拟导游等虚拟对象服务，其发展潜力巨大，未来将有很大的市场空间。

然而，目前虚拟人技术仍存在很多难点，技术不够成熟，许多方面急需攻克，比如形象僵硬、唇音不同步、形象粗糙、纹理不清楚、总体不真实等方面的问题。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种动画合成方法及装置、动画合成模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种动画合成方法，包括：获取音频文件和影像文件，其中，音频文件包括语音信息，影像文件包括目标人物的面部图像；基于音频文件，获取语音特征；基于影像文件，分别获取影像文件中的目标人物的面部特征和身份特征；以及根据语音特征、面部特征和身份特征生成关于目标人物的合成动画，其中，身份特征用于确定合成动画中的目标人物的外貌风格。

根据本公开的另一方面，提供了一种动画合成模型的训练方法，包括：获取样本数据集，其中，样本数据集中的每个样本数据包括样本音频文件、样本影像文件以及与样本音频文件和样本影像文件对应的真实动画，样本音频文件包括语音信息，样本影像文件包括样本人物的面部图像；基于每个样本数据中的样本音频文件，获取样本语音特征；基于每个样本数据中的样本影像文件，分别获取样本影像文件中的样本人物的样本面部特征和样本身份特征；将样本语音特征、样本面部特征和样本身份特征输入动画合成模型中，以生成关于样本人物的预测动画；根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值；以及根据损失值调节动画合成模型的参数。

根据本公开的另一方面，提供了一种动画合成装置，包括：文件获取单元，配置成获取音频文件和影像文件，其中，音频文件包括语音信息，影像文件包括目标人物的面部图像；第一特征获取单元，配置成基于音频文件，获取语音特征；第二特征获取单元，配置成基于影像文件，分别获取影像文件中的目标人物的面部特征和身份特征；以及生成单元，配置成根据语音特征、面部特征和身份特征生成关于目标人物的合成动画，其中，身份特征用于确定合成动画中的目标人物的外貌风格。

根据本公开的另一方面，提供了一种动画合成模型的训练装置，包括：样本获取单元，配置成获取样本数据集，其中，样本数据集中的每个样本数据包括样本音频文件、样本影像文件以及与样本音频文件和样本影像文件对应的真实动画，样本音频文件包括语音信息，样本影像文件包括样本人物的面部图像；第一样本特征获取单元，配置成基于每个样本数据中的样本音频文件，获取样本语音特征；第二样本特征获取单元，配置成基于每个样本数据中的样本影像文件，分别获取样本影像文件中的样本人物的样本面部特征和样本身份特征；预测生成单元，配置成将样本语音特征、样本面部特征以及样本身份特征输入动画合成模型中，以生成关于样本人物的预测动画；计算单元，配置成根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值；以及调节单元，配置成根据损失值调节动画合成模型的参数。

根据本公开的又一方面，还提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的方法。

根据本公开的又一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述的方法。

根据本公开的又一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行上述的方法。

根据本公开的一个或多个实施例，可以从影像文件中额外获取人物的身份特征，身份特征主要包括该人物的外貌长相信息，例如眼睛大小、眼间距、牙齿颜色等等。后续可以将人物的身份特征融合到生成的合成动画中，可以实现合成动画中的人物风格化，进而使得合成动画中的人物的面部图像风格统一，避免了各个动画序列帧图像中存在风格差异。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的动画合成方法的流程图；

图3示出了根据本公开的实施例的获取目标人物的面部特征以及身份特征的方法的流程图；

图4示出了根据本公开的实施例的利用动画合成模型输出合成动画的方法的流程图；

图5示出了根据本公开的实施例的动画合成模型的训练方法的流程图；

图6示出了根据本公开的实施例的动画合成模型的结构框图；

图7示出了根据本公开的实施例的计算同步损失值分量的方法的流程图；

图8示出了根据本公开的实施例的计算序列损失值分量的方法的流程图；

图9示出了根据本公开的实施例的动画合成装置的结构框图；

图10示出了根据本公开的实施例的动画合成模型的训练装置的结构框图；以及

图11示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行动画合成方法和动画合成模型的训练方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来上传待合成的音频文件和影像文件。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。在一些实施方式中，服务器120可以包括一个或多个应用程序，例如，基于图像、视频、语音、文本、数字信号等数据的目标检测与识别、信号转换等服务的应用程序，以处理从客户端设备101、102、103、104、105和/或106接收的语音交互、文本分类、图像识别或关键点检测等任务请求。服务器可以根据具体的深度学习任务，利用训练样本训练神经网络模型，并且可以对神经网络模型的超网络模块中的各个子网络进行测试，根据各个子网络的测试结果，确定用于执行深度学习任务的神经网络模型的结构和参数。可以将各种数据作为深度学习任务的训练样本数据，如图像数据、音频数据、视频数据或文本数据等。在神经网络模型的训练完成后，服务器120还可以通过模型搜索技术自动搜索出最优模型结构来执行相应的任务。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和影像文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开实施的动画合成方法200的流程图。如图2所示，该方法200包括：

步骤210，获取音频文件和影像文件，其中，音频文件包括语音信息，影像文件包括目标人物的面部图像；

步骤220，基于音频文件，获取语音特征；

步骤230，基于影像文件，分别获取影像文件中的目标人物的面部特征和身份特征；以及

步骤240，根据语音特征、面部特征和身份特征生成关于目标人物的合成动画，其中，所述身份特征用于确定所述合成动画中的目标人物的外貌风格。

本公开的方法可以从影像文件中额外获取人物的身份特征，身份特征主要包括该人物的外貌长相信息，例如眼睛大小、眼间距、牙齿颜色等等。后续将人物的身份特征融合到生成的合成动画中，可以实现合成动画中的人物风格化。从而使得合成动画中的人物的面部图像风格统一，避免了各个动画序列帧图像中存在风格差异。

在步骤210中，音频文件可以是预先录制的针对某段文本的语音数据。该段文本包括但不限于对某项服务或商品的介绍、与其他人物的对话内容等。影像文件则可以是针对同一目标人物拍摄的视频或人物的静态图像。在影像文件是视频的情况下，该视频表现目标人物的面部连续动作，其主要包括人物的面部图像。为了使得后续提取面部特征的效果更好，该影像文件可以主要聚焦在人物的面部。影像文件也可以是人物对某段文本进行诵读时的视频图像，以便于后续获取人物在诵读时的面部特征，但是，在该影像文件中目标人物的诵读文本可以与音频文件中录制的文本不同。

在步骤220中，语音特征(下文可以表示为audio_feat)可以为语音的梅尔频谱特征，对于每一帧音频文件，语音特征的维度可以为(1，80，16)。

在相关技术中，通常的动画合成方法是利用语音特征去驱动一张静态的面部图，例如：仅从静态图中获取面部特征，然而这种方式无法实现虚拟人场景需求，这是因为生成的动画无法获取静态面部图的风格，从而无法将人物的风格特点迁移到这些应用场景中。而在步骤230中，可以基于图像中的多帧图像作为被驱动模板。基于此，可以采用通用的0.2秒共5帧为输入单元，例如选取连续的5帧面部图像，以用于后续的特征提取。

在步骤230中，目标人物的面部特征(下文可以表示为face_feat)主要包括面部图像中唇部周围的特征，例如人物在说话时的唇部肌肉动作、唇部或牙齿的开合程度等。目标人物的身份特征主要包括该人物的外貌长相信息，例如眼睛大小、眼间距、牙齿颜色等等，身份特征例如可以根据面部图像上的若干个关键点的位置来确定。

音频文件中的语音信息和最终生成的合成动画中的面部图像应该是同步一致的，从而保证最终合成的动画中，人物的唇部动作配合语音信息。因此，在最终生成的动画中，其面部特征与语音特征在向量空间中应具有比较近的距离。而人物的身份特征可以是单独的特征，身份特征是与face_feat和audio_feat完全解耦的。

在步骤240中，可以基于上述的语音特征、面部特征以及身份特征生成最终的合成动画，最终的合成动画中的人物与影像文件中的目标人物具有相同的风格。另外，合成动画还包含音频文件中的语音信息，从而使得在播放目标人物的面部图像的同时，还同步播放上述语音信息，以给予使用者真实的与虚拟人物的互动体验。

图3示出了根据本公开实施例的获取目标人物的面部特征以及身份特征的方法300的流程图。上述影像文件包括表现目标人物的面部连续动作的视频文件，如图3所示，该方法300包括：

步骤310，基于视频文件，获取第一图像集和第二图像集，其中，第一图像集根据视频文件中的连续的多帧图像生成，第二图像集包括视频文件中的随机的多帧图像；

步骤320，根据第一图像集，获取面部特征；以及

步骤330，根据第二图像集，获取身份特征。

如上文所述，face_feat需要与audio_feat保持同步一致，face_feat需要具备唇动信息。因此，可以从连续的多帧图像，即，第一图像集中生成面部特征，从而使得提取的面部特征包含时间跨度的信息，以便于后续更加生动地模拟唇动。

而身份特征仅关注人物的风格，因此只有唇形信息，没有唇动信息。在使用模型生成合成动画的情况下，模型可以从身份特征中学习到唇形特征，而不会将唇动信息引入到生成结果当中。唇动将取决于上述的face_feat和audio_feat，这两者共同决定应该驱动出怎么样的唇动动画。

因此，用于提取身份特征的第二图像集可以具有随机性，使得模型只能获得唇形信息，比如人物的牙齿、唇颜色和脸等应该是怎样的，而无法获得唇动信息。这样使得唇动信息与身份特征完全解耦，从而避免唇动信息对身份特征造成干扰。

另外，第二图像集中的图像可以是一张完整的面部图像。本领域技术人员可以理解，在人脸识别任务中，仅需要一张完整的人脸就能识别出当前人脸的身份，因此，第二图像集中的完整面部图像具备很强的外貌长相信息，具备身份区分特性。也就是说，根据第二图像集中的图像中人物的外貌长相等特征，可以确定人物身份，基于第二图像集提取得到的身份特征就是该目标人物的风格特征。

在本实施例中，身份特征由随机的多帧图像生成，使得提取到身份特征更能体现人物风格。面部特征则由连续的多帧图像生成，使得提取的面部特征包含时间跨度的信息，更适合生成唇动动画，使得后续合成更加准确。

在一些实施例中，第一图像集由如下方式获得：针对影像文件中的连续的多帧图像的每一帧，提取该帧面部图像中的唇部周围区域的图像；以及将连续的多帧图像中唇部周围区域的图像作为第一图像集。

对于上述第一图像集，可以对图像中的唇部周围区域(例如：脸部的下巴区域)进行掩模(mask)处理，以获得该部分的图像，语音特征驱动只修改唇形和下巴为主的脸部区域，因此可以在确保非掩模区域保持一致，训练出的模型只生成mask区域内的人脸图像。在本实施例中，由于合成动画主要是唇部周围的动作，因此可以仅从唇部周围区域的图像提取面部特征，从而减少了相关特征编码器的工作量。

在一些实施例中，可以将语音特征、面部特征以及身份特征输入动画合成模型中，通过动画合成模型得到输出的合成动画。图4示出了根据本公开实施例的利用动画合成模型输出合成动画的方法400的流程图。如图4所示，该方法400包括：

步骤410，根据语音特征和面部特征，生成唇动动画；以及

步骤420，利用生成对抗网络，将身份特征迁移至唇动动画中，以生成关于目标人物的合成动画。

在步骤410中，音频文件经过模型的语音特征编码器生成高阶语义特征audio_feat，其维度例如可以为512，同理，第一图像集经过模型的面部特征编码器得到高阶语义特征face_feat，其维度同样为512。audio_feat和face_feat均包含了唇动特征，我们再将两者特征组合一起可以生成包含唇动信息的唇动动画。

在步骤420中，如上文所述，身份特征包含了人脸的眼睛、眉毛、轮廓等高阶特征，身份特征可以通过将第二图像集中的面部图像映射到高阶潜在空间(latent space)得到，将身份特征注入到动画合成模型的解码器中。将身份特征经过动画合成模型的基于风格的生成对抗网络(stylegan)生成具有唇动动画的面部动画序列。在本实施例中，通过将包含外貌长相风格信息的身份特征通过styelgan迁移到唇动动画中，实现了生成动画的风格化。

在一些实施例中，动画合成模型具有第一超参数和第二超参数，生成唇动动画包括：根据语音特征和面部特征以及设定的第一超参数和第二超参数，生成唇动动画，其中，第一超参数表征语音特征对生成的合成动画的影响权重，第二超参数表征面部特征对生成的合成动画的影响权重，根据语音特征和面部特征。

在本实施例中，通过设置模型的超参数可以实现目标人物的面部风格和语音风格的可控性。超参数是指在模型中预先设定好的参数，超参数不会在模型的训练过程中发生改变。为了实现可控性，可以引入超参数w来调整两者风格的组合，w可以为两者风格组合比率。例如，w＝0.5表示组合比率是1：1，此时面部风格和语音风格重要性是相同的。当更关注语音风格特性时候，可以将w调大，此时合成动画的说话风格在语音风格上更加灵动多变；同理w调小，提升面部风格特性，此时合成动画的说话风格在面部风格上更强。但是，当w很小的情况下，语音特征的驱动能力变弱，w＝0时候，合成动画将失去“讲话”的能力。

为了避免上述问题的发生，可以将上述lantent层设置为多个，分别对应stylgan中的由浅层到高层影响力，在动画合成任务中，唇动动画的形成主要集中于前面几层，而后面层主要影响说话风格。因此，可以将前面若干层注入audio_feat，将最后若干层注入身份特征，最终我们在保证实现唇动动画的基础上实现了合成动画的风格化。通过上述方法，实现了合成动画在面部和语音上的风格化，并具备可控性。

图5示出了根据本公开实施例的动画合成模型的训练方法500的流程图。图6示出了根据本公开实施例的动画合成模型的结构框图。如图5所示，该方法500包括：

步骤510，获取样本数据集，其中，样本数据集中的每个样本数据包括样本音频文件、样本影像文件以及与样本音频文件和样本影像文件对应的真实动画，样本音频文件包括语音信息，样本影像文件包括样本人物的面部图像；

步骤520，基于每个样本数据中的样本音频文件，获取样本语音特征；

步骤530，基于每个样本数据中的样本影像文件，分别获取样本影像文件中的样本人物的样本面部特征和样本身份特征；

步骤540，将样本语音特征、样本面部特征和样本身份特征输入动画合成模型中，以生成关于样本人物的预测动画；

步骤550，根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值；以及

步骤560，根据损失值调节动画合成模型的参数。

在步骤510中，真实动画可以是样本人物的一段真实的包含语音的视频，也可以是后期合成的虚拟视频动画。在上述真实动画中，样本人物的面部图像以及其唇部动作和样本音频文件包含的语音信息是一致的。例如，样本音频文件包含的语音信息是“你好！”，那么，真实动画所展现的样本人物的唇部动作是发出“你好！”语音时的对应动作。

在步骤520和530中，获取样本语音特征、人物的样本面部特征以及样本身份特征的方法可以参照方法200中的步骤220和步骤230，这里不再赘述。如图6所示，动画合成模型还包括面部特征编码器，并且样本面部特征包括低阶面部特征，基于每个样本数据中的样本影像文件，分别获取样本影像文件中的样本人物的样本面部特征包括：由面部特征编码器，利用跳跃连接(skip-connnetion)从低阶层获取低阶面部特征。只有face_feat的高阶特是很难生成高质量的面部图像，因此可以通过skip-connnetion的方式引入低阶特征，这样模型训练更快，同时使得生成的人脸更清晰生动。

在使用模型生成预测动画方面，也可以利用生成对抗网络实现。具体地，动画合成模型包括生成对抗网络，将样本语音特征、样本面部特征和样本身份特征输入动画合成模型中，以生成关于样本人物的预测动画包括：根据样本语音特征和样本面部特征，生成预测唇动动画；利用生成对抗网络，将样本身份特征迁移至预测唇动动画中，以生成关于样本人物的预测动画。具体内容可以参照方法400中的相关描述，这里不再赘述。

下面将详细说明如何在步骤550中计算损失值(Loss)。如图6所示，首先可以引入人脸重建损失值分量来修复图像低频信息；同时引入内容感知损失值分量来提升图像高阶信息；采用生成对抗损失分量，提升图像清晰度。

在一些实施例中，如图6所示，动画合成模型还包括同步检测网络(SyncNet)，损失值包括同步损失值分量。图7示出了根据本公开实施例的计算同步损失值分量的方法700的流程图。如图7所示，该方法700包括：

步骤710，分别获取预测动画中的面部特征和语音特征；

步骤720，利用同步检测网络对预测动画中的面部特征和语音特征的同步程度进行检测；以及

步骤730，基于检测得到的同步程度确定同步损失值分量。

在步骤710中，可以将预测动画分成音频部分和视频部分，从而分别获取面部特征和语音特征。上述获取面部特征和语音特征的方法可以参照前文(例如：方法300)所述，这里不再赘述。在步骤720中，同步检测网络可以通过计算面部特征和语音特征在特征空间中的距离来确定这两者是否同步。上述同步程度可以由“1”和“0”之间的数进行表示，“1”可以表示完全不同步；“0”可以表示完全同步。

在本实施例中，可以引入同步损失值分量(sync_loss)以监督方式生成唇动动画，通过同步检测网络SyncNet引导动画合成模型学习唇动规律，SyncNet给生成的预测合成动画打分，如果面部图像与语音信息的同步性好则分数高，否则分数低，分数越低，sync_loss则越大，从而引导模型朝向总损失值低的方向训练优化。通过引入sync_loss能够获得理想的唇动同步性，该方法在使得模型具备唇音同步性方面具有优势，能够获得高精度的唇音同步指标。

在一些实施例中，如图6所示，动画合成模型还包括判别器网络(D)，损失值包括序列损失值分量。图8示出了根据本公开实施例的计算序列损失值分量的方法800的流程图。如图8所示，该方法800包括：

步骤810，使用真实动画中的至少一帧图像替换预测动画中的对应的至少一帧图像，以得到待检测动画；以及

步骤820，利用判别器网络判断待检测动画中的多帧图像是否为同一动画序列的多帧图像；以及

步骤830，基于判断结果确定序列损失值分量。

在本实施例中，可以引入序列损失值分量(sequence_loss)来维持生成的合成动画的风格一致性和稳定性。示例性地，在步骤810中，可以假设真实动画具有5帧真实面部图像gt_faces，预测动画具有5张生成的面部图像g_faces，然后从gt_face中选择一张面部图像替换掉g_faces中对应的一张面部图像，进行对抗训练。在训练过程中，这被替换的面部图像起到关键作用，其引导模型生成风格一致性的5张面部图像，维护风格统一，同时起到时序上的风格连贯性。

最终的总损失值可以表示为如下形式：

其中，

式(2)和式(3)分别表示上述重建损失值分量和内容感知损失值分量的计算方式。重建损失值分量基于预测动画中的图像I_g和真实图像I之间的差异计算得到。内容感知损失值分量的计算由VGG网络确定。

在式(4)中，I_g表示预测动画中的面部图像；D表示判别器，其用于对一个序列的面部图像进行打分，以评估该序列是否为同一风格的图像序列。表示根据预测动画中的多帧图像的风格一致性确定出的损失值分量；表示在进行对抗训练的过程中，根据待检测动画(例如，根据上述步骤810得到的待检测动画)中的多帧图像的风格一致性确定出的损失值分量。

在式(5)中，Dist(a,v)为同步检测网络中计算的同步检测结果，a为语音特征，v为面部特征。Dist(a,v)表示语音特征和面部特征在特征空间中的距离。在式(6)中，表示同步损失值分量，N表示语音特征以及面部特征的个数，通过分别计算各个语音特征和面部特征在特征空间中的距离可以确定得到同步损失值分量

根据本公开的另一方面，还提供了一种动画合成装置。图9示出了根据本公开实施例的动画合成装置900的结构框图，如图9所示，该装置900包括：文件获取单元910，配置成获取音频文件和影像文件，其中，音频文件包括语音信息，影像文件包括目标人物的面部图像；第一特征获取单元920，配置成基于音频文件，获取语音特征；第二特征获取单元930，配置成基于影像文件，分别获取影像文件中的目标人物的面部特征和身份特征；以及生成单元940，配置成根据语音特征、面部特征和身份特征生成关于目标人物的合成动画，其中，所述身份特征用于确定所述合成动画中的目标人物的外貌风格。

在一些实施例中，影像文件包括表现目标人物的面部连续动作的视频文件，并且其中，第二特征获取单元930包括：图像获取模块，配置成基于视频文件，获取第一图像集和第二图像集，其中，第一图像集根据视频文件中的连续的多帧图像生成，第二图像集包括视频文件中的随机的多帧图像；第一特征获取模块，配置成根据第一图像集，获取面部特征；以及第二特征获取模块，配置成根据第二图像集，获取身份特征。

在一些实施例中，第一特征获取模块还配置成：针对视频文件中的连续的多帧图像的每一帧，提取该帧面部图像中的唇部周围区域的图像；以及将连续的多帧图像中唇部周围区域的图像作为第一图像集。

在一些实施例中，生成单元940还配置成：将语音特征、面部特征以及身份特征输入动画合成模型中，得到输出的合成动画。动画合成模型包括生成对抗网络，生成单元940还包括：第一生成模块，配置成根据语音特征和面部特征，生成唇动动画；以及第二生成模块，配置成利用生成对抗网络，将身份特征迁移至唇动动画中，以生成关于目标人物的合成动画。

在一些实施例中，动画合成模型具有第一超参数和第二超参数，其中，第一超参数表征语音特征对生成的合成动画的影响权重，第二超参数表征面部特征对生成的合成动画的影响权重，并且其中，第一生成模块还配置成：根据语音特征和面部特征以及设定的第一超参数和第二超参数，生成唇动动画。

根据本公开的另一方面，还提供了一种动画合成模型的训练装置。图10示出了根据本公开实施例的动画合成模型的训练装置1000的结构框图，如图10所示，该装置1000包括：样本获取单元1010，配置成获取样本数据集，其中，样本数据集中的每个样本数据包括样本音频文件、样本影像文件以及与样本音频文件和样本影像文件对应的真实动画，样本音频文件包括语音信息，样本影像文件包括样本人物的面部图像；第一样本特征获取单元1020，配置成基于每个样本数据中的样本音频文件，获取样本语音特征；第二样本特征获取单元1030，配置成基于每个样本数据中的样本影像文件，分别获取样本影像文件中的样本人物的样本面部特征和样本身份特征；预测生成单元1040，配置成将样本语音特征、样本面部特征和样本身份特征输入动画合成模型中，以生成关于样本人物的预测动画；计算单元1050，配置成根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值；以及调节单元1060，配置成根据损失值调节动画合成模型的参数。

在一些实施例中，动画合成模型包括生成对抗网络，预测生成单元1040还包括：第一预测生成模块，配置成根据样本语音特征和样本面部特征，生成预测唇动动画；以及第二预测生成模块，配置成利用生成对抗网络，将样本身份特征迁移至预测唇动动画中，以生成关于样本人物的预测动画。

在一些实施例中，动画合成模型还包括面部特征编码器，并且样本面部特征包括低阶面部特征，第二样本特征获取单元1030还配置成：由面部特征编码器，利用跳跃连接从低阶层获取低阶面部特征。

在一些实施例中，动画合成模型还包括同步检测网络，计算单元1050还包括：第三特征获取模块，配置成分别获取预测动画中的面部特征和语音特征；同步检测模块，配置成利用同步检测网络对预测动画中的面部特征和语音特征的同步程度进行检测；以及第一损失值确定模块，配置成基于检测得到的同步程度确定同步损失值分量。

在一些实施例中，动画合成模型还包括判别器网络，计算单元1050还包括：替换模块，配置成使用真实动画中的至少一帧图像替换预测动画中的对应的至少一帧图像，以得到待检测动画；以及判别模块，配置成利用判别器网络判断待检测动画中的多帧图像是否为同一动画序列的多帧图像；以及第二损失值确定模块，配置成基于判断结果确定序列损失值分量。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图11，现将描述可以作为本公开的服务器或客户端的电子设备1100的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。

如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106、输出单元1107、存储单元1108以及通信单元1109。输入单元1106可以是能向设备1100输入信息的任何类型的设备，输入单元1106可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1107可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1108可以包括但不限于磁盘、光盘。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如动画合成方法或动画合成模型的训练方法。例如，在一些实施例中，动画合成方法或动画合成模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的动画合成方法或动画合成模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行动画合成方法或动画合成模型的训练方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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)、互联网和区块链网络。

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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。

Claims (17)

1.一种动画合成方法，包括：

获取音频文件和影像文件，其中，所述音频文件包括语音信息，所述影像文件包括目标人物的面部图像；

基于所述音频文件，获取语音特征；

基于所述影像文件，分别获取所述影像文件中的目标人物的面部特征和身份特征；以及

根据所述语音特征、所述面部特征和所述身份特征生成关于所述目标人物的合成动画，其中，所述身份特征用于确定所述合成动画中的目标人物的外貌风格，

其中，所述影像文件包括表现所述目标人物的面部连续动作的视频文件，所述面部连续动作包括所述目标人物的诵读文本的动作，所述基于所述影像文件，分别获取所述影像文件中的目标人物的面部特征和身份特征包括：

基于所述视频文件，获取第一图像集和第二图像集，其中，所述第一图像集根据所述视频文件中的连续的多帧图像生成，所述第二图像集包括所述视频文件中的随机的多帧图像；

根据所述第一图像集，获取所述面部特征；以及

根据所述第二图像集，获取所述身份特征，

其中，所述根据所述语音特征、所述面部特征和所述身份特征生成关于所述目标人物的合成动画包括：

将所述语音特征、所述面部特征和所述身份特征输入动画合成模型中，得到输出的合成动画，其中，所述动画合成模型包括生成对抗网络，并且其中，所述将所述语音特征、所述面部特征和所述身份特征输入动画合成模型中，得到输出的合成动画包括：

根据所述语音特征和所述面部特征，生成唇动动画；以及

利用所述生成对抗网络，将所述身份特征迁移至所述唇动动画中，以生成关于所述目标人物的合成动画。

2.根据权利要求1所述的方法，其中，所述基于所述视频文件，获取第一图像集包括：

针对所述视频文件中的连续的多帧图像的每一帧，提取该帧面部图像中的唇部周围区域的图像；以及

将所述连续的多帧图像中唇部周围区域的图像作为所述第一图像集。

3.根据权利要求1所述的方法，其中，所述动画合成模型具有第一超参数和第二超参数，其中，所述根据所述语音特征和所述面部特征，生成唇动动画包括：

根据所述语音特征和所述面部特征以及设定的第一超参数和第二超参数，生成所述唇动动画，其中，所述第一超参数表征所述语音特征对生成的合成动画的影响权重，所述第二超参数表征所述面部特征对生成的合成动画的影响权重。

4.一种动画合成模型的训练方法，包括：

获取样本数据集，其中，所述样本数据集中的每个样本数据包括样本音频文件、样本影像文件以及与所述样本音频文件和所述样本影像文件对应的真实动画，所述样本音频文件包括语音信息，所述样本影像文件包括样本人物的面部图像；

基于每个样本数据中的样本音频文件，获取样本语音特征；

基于每个样本数据中的样本影像文件，分别获取所述样本影像文件中的样本人物的样本面部特征和样本身份特征；

将所述样本语音特征、所述样本面部特征和所述样本身份特征输入所述动画合成模型中，以生成关于所述样本人物的预测动画；

根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值；以及

根据所述损失值调节所述动画合成模型的参数，

其中，所述样本影像文件包括表现所述样本人物的面部连续动作的样本视频文件，所述面部连续动作包括所述样本人物的诵读文本的动作，所述基于每个样本数据中的样本影像文件，分别获取所述样本影像文件中的样本人物的样本面部特征和样本身份特征包括：

基于所述样本视频文件，获取第一样本图像集和第二样本图像集，其中，所述第一样本图像集根据所述样本视频文件中的连续的多帧图像生成，所述第二样本图像集包括所述样本视频文件中的随机的多帧图像；

根据所述第一样本图像集，获取所述样本面部特征；以及

根据所述第二样本图像集，获取所述样本身份特征，

其中，所述动画合成模型包括生成对抗网络，并且其中，所述将所述样本语音特征、所述样本面部特征和所述样本身份特征输入所述动画合成模型中，以生成关于所述样本人物的预测动画包括：

根据所述样本语音特征和所述样本面部特征，生成预测唇动动画；以及

利用所述生成对抗网络，将所述样本身份特征迁移至所述预测唇动动画中，以生成关于所述样本人物的预测动画。

5.根据权利要求4所述的训练方法，其中，所述动画合成模型还包括面部特征编码器，并且其中，所述样本面部特征包括低阶面部特征，所述基于每个样本数据中的样本影像文件，分别获取所述样本影像文件中的样本人物的样本面部特征包括：

由所述面部特征编码器，利用跳跃连接从低阶层获取所述低阶面部特征。

6.根据权利要求4或5所述的训练方法，其中，所述动画合成模型还包括同步检测网络，所述损失值包括同步损失值分量，并且其中，所述根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值包括：

分别获取所述预测动画中的面部特征和语音特征；

利用所述同步检测网络对所述预测动画中的面部特征和语音特征的同步程度进行检测；以及

基于检测得到的同步程度确定所述同步损失值分量。

7.根据权利要求4或5所述的训练方法，其中，所述动画合成模型还包括判别器网络，所述损失值包括序列损失值分量，并且其中，所述根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值包括：

使用所述真实动画中的至少一帧图像替换所述预测动画中的对应的至少一帧图像，以得到待检测动画；以及

利用所述判别器网络判断所述待检测动画中的多帧图像是否为同一动画序列的多帧图像；以及

基于判断结果确定所述序列损失值分量。

8.一种动画合成装置，包括：

文件获取单元，配置成获取音频文件和影像文件，其中，所述音频文件包括语音信息，所述影像文件包括目标人物的面部图像；

第一特征获取单元，配置成基于所述音频文件，获取语音特征；

第二特征获取单元，配置成基于所述影像文件，分别获取所述影像文件中的目标人物的面部特征和身份特征；以及

生成单元，配置成根据所述语音特征、所述面部特征和所述身份特征生成关于所述目标人物的合成动画，其中，所述身份特征用于确定所述合成动画中的目标人物的外貌风格，

其中，所述影像文件包括表现所述目标人物的面部连续动作的视频文件，所述面部连续动作包括所述目标人物的诵读文本的动作，并且其中，所述第二特征获取单元包括：

图像获取模块，配置成基于所述视频文件，获取第一图像集和第二图像集，其中，所述第一图像集根据所述视频文件中的连续的多帧图像生成，所述第二图像集包括所述视频文件中的随机的多帧图像；

第一特征获取模块，配置成根据所述第一图像集，获取所述面部特征；以及

第二特征获取模块，配置成根据所述第二图像集，获取所述身份特征，

其中，所述生成单元还配置成：

将所述语音特征、所述面部特征和所述身份特征输入动画合成模型中，得到输出的合成动画，其中，所述生成单元包括：

第一生成模块，配置成根据所述语音特征和所述面部特征，生成唇动动画；以及

第二生成模块，配置成利用生成对抗网络，将所述身份特征迁移至所述唇动动画中，以生成关于所述目标人物的合成动画。

9.根据权利要求8所述的装置，其中，所述第一特征获取模块还配置成：

针对所述视频文件中的连续的多帧图像的每一帧，提取该帧面部图像中的唇部周围区域的图像；以及

将所述连续的多帧图像中唇部周围区域的图像作为所述第一图像集。

10.根据权利要求8所述的装置，其中，所述动画合成模型具有第一超参数和第二超参数，并且其中，所述第一生成模块还配置成：

根据所述语音特征和所述面部特征以及设定的第一超参数和第二超参数，生成所述唇动动画，其中，所述第一超参数表征所述语音特征对生成的合成动画的影响权重，所述第二超参数表征所述面部特征对生成的合成动画的影响权重。

11.一种动画合成模型的训练装置，包括：

样本获取单元，配置成获取样本数据集，其中，所述样本数据集中的每个样本数据包括样本音频文件、样本影像文件以及与所述样本音频文件和所述样本影像文件对应的真实动画，所述样本音频文件包括语音信息，所述样本影像文件包括样本人物的面部图像；

第一样本特征获取单元，配置成基于每个样本数据中的样本音频文件，获取样本语音特征；

第二样本特征获取单元，配置成基于每个样本数据中的样本影像文件，分别获取所述样本影像文件中的样本人物的样本面部特征和样本身份特征；

预测生成单元，配置成将所述样本语音特征、所述样本面部特征以及所述样本身份特征输入所述动画合成模型中，以生成关于所述样本人物的预测动画；

计算单元，配置成根据生成的预测动画以及该样本数据中的真实动画之间的差别，计算损失值；以及

调节单元，配置成根据所述损失值调节所述动画合成模型的参数，

其中，所述样本影像文件包括表现所述样本人物的面部连续动作的样本视频文件，所述面部连续动作包括所述样本人物的诵读文本的动作，所述第二样本特征获取单元被配置为：

基于所述样本视频文件，获取第一样本图像集和第二样本图像集，其中，所述第一样本图像集根据所述样本视频文件中的连续的多帧图像生成，所述第二样本图像集包括所述样本视频文件中的随机的多帧图像；

根据所述第一样本图像集，获取所述样本面部特征；以及

根据所述第二样本图像集，获取所述样本身份特征

其中，所述动画合成模型包括生成对抗网络，所述预测生成单元还包括：

第一预测生成模块，配置成根据所述样本语音特征和所述样本面部特征，生成预测唇动动画；以及

第二预测生成模块，配置成利用所述生成对抗网络，将所述样本身份特征迁移至所述预测唇动动画中，以生成关于所述样本人物的预测动画。

12.根据权利要求11所述的训练装置，其中，所述动画合成模型还包括面部特征编码器，并且其中，所述样本面部特征包括低阶面部特征，所述第二样本特征获取单元还配置成：

由所述面部特征编码器，利用跳跃连接从低阶层获取所述低阶面部特征。

13.根据权利要求11或12所述的训练装置，其中，所述动画合成模型还包括同步检测网络，所述计算单元包括：

第三特征获取模块，配置成分别获取所述预测动画中的面部特征和语音特征；

同步检测模块，配置成利用所述同步检测网络对所述预测动画中的面部特征和语音特征的同步程度进行检测；以及

第一损失值确定模块，配置成基于检测得到的同步程度确定同步损失值分量。

14.根据权利要求11或12所述的训练装置，其中，所述动画合成模型还包括判别器网络，所述计算单元还包括：

替换模块，配置成使用所述真实动画中的至少一帧图像替换所述预测动画中的对应的至少一帧图像，以得到待检测动画；以及

判别模块，配置成利用所述判别器网络判断所述待检测动画中的多帧图像是否为同一动画序列的多帧图像；以及

第二损失值确定模块，配置成基于判断结果确定序列损失值分量。

15.一种电子设备，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权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。