视频生成方法、装置、存储介质及电子设备

技术领域

本公开涉及视频技术领域，具体地，涉及一种视频生成方法、装置、存储介质及电子设备。

背景技术

在语言教学场景下，通常给出教学文本，用户通过点击音频按钮以播放该教学文本对应的标准发音音频。用户通过模仿该标准发音音频来学习该教学文本的正确发音。然而，只通过声音来判断应该如何发音是较为困难的，加上每个人的音色大相径庭，导致发音模仿更加困难，使得发音学习效果较差，效率较低。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种视频生成方法，所述方法包括：确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列；根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频；根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列；将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

第二方面，本公开提供一种视频生成装置，所述装置包括：确定模块，用于确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列；第一执行模块，用于根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频；第二执行模块，用于根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列；合成模块，用于将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述第一方面所述方法的步骤。

采用上述技术方案，至少可以达到如下技术效果：

确定目标文本对应的标准发音音频和标准发音脸部图像帧序列。根据标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频。同时根据标准发音脸部图像帧序列和目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列。将目标发音音频和目标发音脸部图像帧序列，合成目标发音视频。采用这种方式，可根据任意文本生成具有目标用户音色和脸部特征的目标发音视频。在发音教学场景下，根据这种标准地、具有目标用户音色和脸部特征的目标发音视频对目标用户进行发音教学，可提升目标用户的发音学习效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开一示例性实施例示出的一种视频生成方法的流程图。

图2是根据本公开一示例性实施例示出的一种音色转换模型架构图。

图3是根据本公开一示例性实施例示出的一种视频生成装置的框图。

图4是根据本公开一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

在对本公开的技术方案进行详细地实施例说明之前，需声明的是，本公开实施例中所使用的与用户相关的信息，如用户音频、视频、面部图像等信息，均为在获得用户授权或同意的情况下采集/使用的。

图1是根据本公开一示例性实施例示出的一种视频生成方法的流程图，如图1所示，该视频生成方法包括以下步骤：

S11、确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列。

目标文本为任意长度的文本，由一个或多个因素、字、词、或者句子组成。标准发音脸部图像帧序列用于组成无声视频。

一种可实现的实施方式，所述确定目标文本对应的标准发音视频包括：将所述目标文本输入视频生成模型，得到所述视频生成模型输出的所述标准发音视频。

其中，视频生成模型可通过如下方式得到：

采集标准发音人在干净录音棚场景下念读文本样本的录像，积累10小时时长的视频样本。其中，视频样本包括音频以及标准发音人在念读文本样本时的脸部动作(如嘴唇动作)图像。根据文本样本、视频样本以及样本的标注信息训练视频生成模型。一种实施方式，视频生成模型可采用与TTSA(Text To Speech&Animation)模型相同或相类似的架构。训练完成的视频生成模型可实现根据文本生成对应的语音及语音对应的动画，该动画可为脸部动画或嘴唇动画。

S12、根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频。

值得说明的是，本公开中的音频包括音色信息、口音信息、以及文本内容信息。标准发音音频中的音色信息、口音信息由用于训练视频生成模型的视频样本对应的标准发音人确定，文本内容信息由用于训练视频生成模型的文本样本确定。

通过将标准发音音频中的音色信息替换为目标用户的音色信息，可实现将标准发音音频转换为具有目标用户音色特征的标准发音音频，得到目标发音音频。

目标用户的音色信息可通过如下方式得到：首先，根据目标用户的语音和大量其他用户的语音训练语音分类模型。其次，利用训练完成的语音分类模型中的编码模块对目标用户的语音进行编码，得到编码模块输出的目标用户的音色信息。

语音分类模型的训练过程为：用语音分类模型中的编码模块对目标用户的语音和其他用户的语音进行随机编码，得到目标用户的语音特征向量和其他用户的语音特征向量。进一步地，语音分类模型中的分类模块，对目标用户的语音特征向量和其他用户的语音特征向量进行分类，并将分类结果反馈至编码模块，编码模块重构。如此直到分类模块可以准确对目标用户的语音特征向量和其他用户的语音特征向量进行分类时，得到训练完成的语音分类模型。

S13、根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列。

一种可实现的实施方式，所述根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列，包括：针对每一帧标准发音脸部图像，提取嘴唇关键点信息；将每一帧标准发音脸部图像的所述嘴唇关键点信息和所述目标用户的脸部图像模板结合，得到所述目标发音脸部图像帧序列。其中嘴唇关键点信息用于描绘嘴唇的动作。

具体地，针对标准发音脸部图像帧序列中的每一帧标准发音脸部图像，提取该帧标准发音脸部图像中的嘴唇关键点信息。从目标用户的脸部图像模板中确定与该帧标准发音脸部图像相同角度的目标用户脸部图像，用该帧标准发音脸部图像中的嘴唇关键点信息替换目标用户脸部图像中的嘴唇关键点信息，得到具有该帧标准发音脸部图像中的嘴唇关键点信息的目标用户脸部图像。如此可得到与标准发音脸部图像帧序列对应的目标用户脸部图像序列，目标用户脸部图像序列即为上述目标发音脸部图像帧序列。

此处值得说明的是，目标发音脸部图像帧序列中的嘴唇部分图像是根据由嘴唇关键点信息描绘的动作调整目标用户的嘴唇图像后得到的。

其中，所述目标用户的脸部图像模板可以通过如下方式得到的：采集所述目标用户的多角度面部图像；根据所述多角度面部图像确定所述目标用户的脸部图像模板。

示例地，目标用户的脸部图像模板可以为三维立体的目标用户脸部图像模型，根据目标用户的多角度面部图像，可合成三维立体的目标用户脸部图像模型。或者，目标用户的脸部图像模板可以为三维立体的目标用户头部图像模型，根据目标用户的多角度头部图像，可合成三维立体的目标用户头部图像模型。

一种可实现的实施方式，当目标用户为新用户且用户允许访问终端录像装置的情况下，可以通过用户终端提示用户按照要求的正面、侧面、张嘴、眨眼等方式录制视频数据，以得到目标用户的多角度面部图像。

S14、将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

目标发音脸部图像帧序列用于组成无声视频，将具有目标用户音色特征的目标发音音频和具有目标用户脸部特征的目标发音脸部图像帧序列，合成目标发音视频。该目标发音视频以目标用户的人脸和音色展示如何准确地念读目标文本。

本公开的上述技术方案，通过确定目标文本对应的标准发音音频和标准发音脸部图像帧序列。根据标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频。同时根据标准发音脸部图像帧序列和目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列。将目标发音音频和目标发音脸部图像帧序列，合成目标发音视频。采用这种方式，可根据任意文本生成具有目标用户音色和脸部特征的目标发音视频。

上述方法可以应用于服务器，也可以应用于客户端。一种应用场景，在发音教学场景下，若上述方法应用于客户端，那么所述目标文本为发音教学例句，所述方法还可以包括：向所述目标用户展示所述目标文本以及所述目标发音视频，以使所述目标用户根据所述目标发音视频念读所述目标文本。

在发音教学场景下，根据这种标准地、具有目标用户音色和脸部特征的目标发音视频对目标用户进行发音教学，不仅可以降低由模仿不同音色的声音导致的发音模仿难度，还可以通过目标用户的人脸展示发音时脸部的动作来辅助目标用户学习如何发音，达到了提升目标用户的发音学习效率的目的。

本公开的上述技术方案，可以与相关技术中的发音评价应用进行结合。在用户发音不准确的情况下，根据用户发音不正确的文本，确定该文本正确发音的目标发音视频，以对目标用户进行针对性的发音教学。

一种可能的实施方式，上述步骤S12所述根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频，包括：将所述标准发音音频输入音色转换模型，所述音色转换模型结合所述目标用户的音色信息输出所述目标发音音频。

其中，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量；所述音色转换模块用于，将所述音素后验概率向量与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

参见图2，特征提取模块可以采用ASR模型，其英文全称是Automated SpeechRecognition，即自动语音识别技术，它是一种将人的语音转换为文本的技术。在本公开中，特征提取模块用于提取标准发音音频的音素后验概率向量(phonetic posteriorgram，简称PPG)。或者，特征提取模块用于提取标准发音音频的BN(bottleneck feature)特征信息。将特征提取模块输出的PPG特征信息输入音色转换模块，与目标用户的音色信息进行结合，得到目标发音梅尔特征信息。将目标发音梅尔特征信息输入声码器模块(universalwavernn)，得到目标发音音频。

其中，所述音色转换模型可以采用Accent conversion模型，音色转换模型的训练过程包括back translation、speaker adversarial training，所述音色转换模型是通过如下方式训练得到的：

将所述目标用户念读给定例句的音频、根据该音频确定的所述目标用户的音色信息以及标准发音音频作为所述音色转换模型的训练数据；根据所述训练数据训练得到所述音色转换模型。

具体地，音色转换模型的训练过程包括三个部分，分别为ASR模块的训练、声码器模块的训练以及音色转换模块的训练。其中，音色转换模块的生成对抗训练过程为，将PPG与目标用户的音色信息结合，得到目标发音梅尔特征信息。利用目标发音梅尔特征信息与目标用户念读给定例句的音频对应的梅尔特征信息进行说话人分类训练，说话人分类训练用于辅助调整音色转换模型，直到说话人分类器无法区分合成的目标发音梅尔特征信息与目标用户念读给定例句的音频对应的梅尔特征信息时，得到训练完成的音色转换模型。

由于音频包括音色信息、口音信息、以及文本内容信息。因而一种可实现的实施方式，可以在训练ASR模块时，保留音频中的口音信息和文本内容信息PPG。详细地，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量以及所述标准发音音频的口音信息；所述音色转换模块用于，将所述音素后验概率向量、所述标准发音音频的口音信息与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

另一种可实现的实施方式，可以在音色转换模块中加入标准发音音频中的口音信息。详细地，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量；所述音色转换模块用于，将所述音素后验概率向量、所述目标用户的音色信息以及标准发音音频中的口音信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

其中，标准发音音频中的口音信息可从标准发音音频中直接提取得到。口音信息至少包括基频F0。

如此，将标准发音音频输入音色转换模型，音色转换模型结合目标用户的音色信息、标准发音音频中的口音信息、标准发音音频中的文本内容信息得到目标发音音频。采用这种方式，可得到以用户音色发音的具有地道口音的标准发音视频。

图3是根据本公开一示例性实施例示出的一种视频生成装置的框图，如图3所示，该装置300包括：

确定模块310，用于确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列；第一执行模块320，用于根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频；第二执行模块330，用于根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列；合成模块340，用于将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

在一种可能的实施方式中，所述第一执行模块320包括输入子模块，用于将所述标准发音音频输入音色转换模型，所述音色转换模型结合所述目标用户的音色信息输出所述目标发音音频；训练子模块，用于将所述目标用户念读给定例句的音频、根据该音频确定的所述目标用户的音色信息以及标准发音音频作为所述音色转换模型的训练数据；根据所述训练数据训练得到所述音色转换模型。

在一种可能的实施方式中，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量；所述音色转换模块用于，将所述音素后验概率向量与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

在一种可能的实施方式中，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量以及所述标准发音音频的口音信息；所述音色转换模块用于，将所述音素后验概率向量、所述标准发音音频的口音信息与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

在一种可能的实施方式中，第二执行模块330，具体用于针对每一帧标准发音脸部图像，提取嘴唇关键点信息；将每一帧标准发音脸部图像的所述嘴唇关键点信息和所述目标用户的脸部图像模板结合，得到所述目标发音脸部图像帧序列。

在一种可能的实施方式中，所述目标文本为发音教学例句，所述装置还包括展示模块，用于向所述目标用户展示所述目标文本以及所述目标发音视频，以使所述目标用户根据所述目标发音视频念读所述目标文本。

在一种可能的实施方式中，所述目标用户的脸部图像模板是通过如下方式得到的：采集所述目标用户的多角度面部图像；根据所述多角度面部图像确定所述目标用户的脸部图像模板。

采用这种装置300，可根据任意文本生成具有目标用户音色和脸部特征的目标发音视频。在发音教学场景下，根据这种标准地、具有目标用户音色和脸部特征的目标发音视频对目标用户进行发音教学，不仅可以降低由模仿不同音色的声音导致的发音模仿难度，还可以通过目标用户的人脸展示发音时脸部的动作来辅助目标用户学习如何发音，达到了提升目标用户的发音学习效率的目的。

下面参考图4，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图4所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列；根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频；根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列；将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

根据本公开的一个或多个实施例，示例1提供了一种视频生成方法，包括确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列；根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频；根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列；将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频，包括：将所述标准发音音频输入音色转换模型，所述音色转换模型结合所述目标用户的音色信息输出所述目标发音音频；其中，所述音色转换模型是通过如下方式训练得到的：将所述目标用户念读给定例句的音频、根据该音频确定的所述目标用户的音色信息以及标准发音音频作为所述音色转换模型的训练数据；根据所述训练数据训练得到所述音色转换模型。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量；所述音色转换模块用于，将所述音素后验概率向量与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量以及所述标准发音音频的口音信息；所述音色转换模块用于，将所述音素后验概率向量、所述标准发音音频的口音信息与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

根据本公开的一个或多个实施例，示例5提供了示例1的方法，所述根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列，包括：针对每一帧标准发音脸部图像，提取嘴唇关键点信息；将每一帧标准发音脸部图像的所述嘴唇关键点信息和所述目标用户的脸部图像模板结合，得到所述目标发音脸部图像帧序列。

根据本公开的一个或多个实施例，示例6提供了示例1-5的方法，所述目标文本为发音教学例句，所述方法还包括：向所述目标用户展示所述目标文本以及所述目标发音视频，以使所述目标用户根据所述目标发音视频念读所述目标文本。

根据本公开的一个或多个实施例，示例7提供了示例1-5的方法，所述目标用户的脸部图像模板是通过如下方式得到的：采集所述目标用户的多角度面部图像；根据所述多角度面部图像确定所述目标用户的脸部图像模板。

根据本公开的一个或多个实施例，示例8提供了一种视频生成装置，包括：确定模块，用于确定目标文本对应的标准发音视频，所述标准发音视频包括标准发音音频和标准发音脸部图像帧序列；第一执行模块，用于根据所述标准发音音频和目标用户的音色信息，得到具有目标用户音色特征的目标发音音频；第二执行模块，用于根据所述标准发音脸部图像帧序列和所述目标用户的脸部图像模板，得到具有目标用户脸部特征的目标发音脸部图像帧序列；合成模块，用于将所述目标发音音频和所述目标发音脸部图像帧序列，合成目标发音视频。

根据本公开的一个或多个实施例，示例9提供了示例8的装置，所述第一执行模块包括输入子模块，用于将所述标准发音音频输入音色转换模型，所述音色转换模型结合所述目标用户的音色信息输出所述目标发音音频；训练子模块，用于将所述目标用户念读给定例句的音频、根据该音频确定的所述目标用户的音色信息以及标准发音音频作为所述音色转换模型的训练数据；根据所述训练数据训练得到所述音色转换模型。

根据本公开的一个或多个实施例，示例10提供了示例9的装置，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量；所述音色转换模块用于，将所述音素后验概率向量与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

根据本公开的一个或多个实施例，示例11提供了示例9的装置，所述音色转换模型包括特征提取模块、音色转换模块以及声码器模块，所述特征提取模块用于，提取所述标准发音音频的音素后验概率向量以及所述标准发音音频的口音信息；所述音色转换模块用于，将所述音素后验概率向量、所述标准发音音频的口音信息与所述目标用户的音色信息结合得到目标发音梅尔特征信息；所述声码器模块用于，根据所述目标发音梅尔特征信息得到所述目标发音音频。

根据本公开的一个或多个实施例，示例12提供了示例8的装置，第二执行模块，具体用于针对每一帧标准发音脸部图像，提取嘴唇关键点信息；将每一帧标准发音脸部图像的所述嘴唇关键点信息和所述目标用户的脸部图像模板结合，得到所述目标发音脸部图像帧序列。

根据本公开的一个或多个实施例，示例13提供了示例8-12的装置，所述目标文本为发音教学例句，所述装置还包括展示模块，用于向所述目标用户展示所述目标文本以及所述目标发音视频，以使所述目标用户根据所述目标发音视频念读所述目标文本。

根据本公开的一个或多个实施例，示例14提供了示例8-12的装置，所述装置还包括采集模块，用于采集所述目标用户的多角度面部图像；根据所述多角度面部图像确定所述目标用户的脸部图像模板。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。