视频生成方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及视频生成方法和装置。

背景技术

随着大数据、人工智能、物联网等互联网技术的快速发展，各行各业都在逐渐实现数字化和智能化，以助于提升服务效率和服务质量。其中，在金融、电商、医疗、教育、多媒体等各领域中逐渐出现了数字人、虚拟人等交互方式。例如，由虚拟主播进行新闻播报、数字人讲解员提供讲解服务或咨询服务等等。

当前的数字人通常包括拟人风格和真人风格两种类型。其中，拟人风格的数字人通常是建立卡通风格的人物模型，然后实时调整人物模型的面部参数，以更改人物面部的表情、嘴型等，同时实时调整人物模型的肢体参数，以更改人物的肢体动作。真人风格的数字人通常是预先录制真人的视频作为参考模板，然后利用计算机视觉和语音合成等技术，进行声音、动作、形象的模型训练，然后利用训练好的模型生成真人视频。

发明内容

本公开的实施例提出了视频生成方法和装置。

第一方面，本公开的实施例提供了一种视频生成方法，该方法包括：获取待输出音频对应的音素序列；将音素序列中的各音素分别输入预设的面部结构生成模型，生成各音素分别对应的面部结构；根据生成的面部结构，生成各音素分别对应的面部视频帧，其中，面部视频帧包含目标人的面部图像；根据生成的面部视频帧，生成待输出音频对应的视频。

第二方面，本公开的实施例提供了一种视频生成装置，该装置包括：获取单元，被配置成获取待输出音频对应的音素序列；面部结构生成单元，被配置成将音素序列中的各音素分别输入预设的面部结构生成模型，生成各音素分别对应的面部结构；面部视频帧生成单元，被配置成根据生成的面部结构，生成各音素分别对应的面部视频帧，其中，面部视频帧包含目标人的面部图像；视频生成单元，被配置成根据生成的面部视频帧，生成待输出音频对应的视频。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的视频生成方法和装置，利用预设的面部结构生成模型生成待输出音频的各音素分别对应的面部结构，然后基于每个音素对应的面部结构，生成包含目标人的面部图像的视频帧，进而基于各音素分别对应的视频帧生成目标人的视频。由此利用待输出音频的音素来决定生成的目标人的面部结构，有助于提升生成的视频中目标人的面部与对应音频内容的匹配度，从而有助于提升生成的目标人视频的自然性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的视频生成方法的一个实施例的流程图；

图3是根本公开的实施例的视频生成方法的一个应用场景的示意图；

图4是推送生成的目标人的视频的方法的一个实施例的流程图；

图5是生成包含目标人的动作的视频的方法的一个实施例的流程图；

图6a是目标人的视频在播放时目标人的动作切换流程的一个实施例的结构示意图；

图6b是目标人的视频在播放时目标人的动作切换流程的一个应用场景的示意图；

图7是根据本公开的实施例的目标人的视频生成和推送的一个实施例的系统流程图；

图8是根据本公开的视频生成装置的一个实施例的结构示意图；

图9是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的视频生成方法或视频生成装置的实施例的示例性架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，浏览器类应用、购物类应用、教育类应用、社交平台应用、旅游类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上提供后端支持的服务器。服务器105可以接收终端设备发送的待输出音频或待输出音频对应的文本，然后生成待输出音频对应的目标人的视频。

需要说明的是，本公开的实施例所提供的视频生成方法一般由服务器105执行，相应地，视频生成装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有视频类应用。终端设备101、102、103也可以基于视频类应用生成待输出音频对应的目标人的视频。此时，视频生成方法可以由终端设备101、102、103执行，相应地，视频生成装置可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的视频生成方法的一个实施例的流程200。该视频生成方法包括以下步骤：

步骤201，获取待输出音频对应的音素序列。

在本实施例中，待输出音频可以是各种内容的音频。待输出音频可以指下述所要生成的视频所匹配的音频。音素是根据语音的自然属性划分出来的最小语音单位。一般地，一个发音动作可以对应一个音素。例如，音节“a”就是一个音素。“ai”包括“a”和“i”两个音素。

待输出音频对应的音素序列可以由其所包括的各音素组成，且各音素可以按照对应的时间戳排列。待输出音频对应的音素序列可以利用现有的各种音素确定方法得到。

视频生成方法的执行主体(如图1所示的服务器105等)可以从本地或其他存储设备获取待输出音频的音素序列。根据待输出音频得到对应的音素序列的执行端可以是视频生成方法的执行主体，也可以是其他电子设备。

作为示例，在一些应用场景下，用户可以通过其使用的终端设备向上述执行主体发送文本，执行主体可以将接收到的文本对应的音频作为待输出音频，还可以将对应于该文本的答复文本所对应的音频作为待输出音频，进而可以获取待输出音频对应的音素序列。

步骤202，将音素序列中的各音素分别输入预设的面部结构生成模型，生成各音素分别对应的面部结构。

在本实施例中，面部结构可以用于指示面部和面部各部分的轮廓。其中，面部各部分包括但不限于以下至少一部分：眼部、嘴部、鼻部等等。面部结构生成模型可以根据音素生成该音素对应的面部结构。

其中，音素和面部结构都可以根据不同的应用场景采用各种表示方法进行表示。例如，可以采用现有的各种特征编码方法(如One-Hot编码等)对音素进行编码，并使用编码得到的特征向量表征音素作为面部结构生成模型的输入。又例如，可以使用呈现有面部结构的图像来表征面部结构作为面部结构生成模型的输出。

面部结构生成模型可以基于现有的各种深度学习模型的网络结构进行构建。例如，面部结构生成模型可以是各种卷积神经网络。面部结构模型具体可以根据预先设置的训练样本，利用机器学习的方法训练得到。需要说明的是，训练面部结构生成模型的主体可以是上述视频生成方法的执行主体，也可以是其他电子设备。

步骤203，根据生成的面部结构，生成各音素分别对应的面部视频帧。

在本实施例中，在得到音素对应的面部结构之后，可以进一步生成对应的面部视频帧，其中，生成的面部视频帧可以包含目标人的面部图像。

其中，目标人可以根据实际的应用场景或应用需求预先指定。例如，在生成咨询服务类视频的场景下，可以预先选取符合咨询客服形象的模特作为目标人。

具体地，可以采用各种方法根据预先指定的目标人和音素对应的面部结构，生成包含目标人的面部图像作为面部视频帧，其中，生成的面部图像所呈现的面部具有的面部结构即与音素对应的面部结构一致。

例如，可以先获取预先采集的目标人的面部图像作为参考图像，然后根据预先构建的面部结构与面部关键点位置之间的对应关系，对参考图像中的面部关键点进行调整，以使调整后的面部关键点的位置与该音素对应的面部结构所对应的面部关键点的位置一致，从而确定调整后的参考图像作为具有音素对应的面部结构的面部图像。

可选地，在生成每个音素对应的面部图像之后，还可以进一步根据实际的应用需求为面部图像添加各种背景等处理，并将处理后的图像作为该音素对应的面部视频帧。

作为示例，可以先获取目标人的半身图像，然后根据音素对应的面部结构所对应的面部关键点的位置对目标人的半身图像进行调整，得到调整后的半身图像，然后可以为调整后的半身图像添加预设的背景以对半身图像进一步更新，然后可以将最终更新后得到的具有预设背景的调整后的目标人的半身图像作为音素对应的面部视频帧。

步骤204，根据生成的面部视频帧，生成待输出音频对应的视频。

在本实施例中，在得到待输出音频对应的音素序列中的各音素分别对应的面部视频帧之后，可以根据实际的应用场景采用各种方法生成待输出音频对应的视频。例如，可以直接组合音素序列中的各音素分别对应的面部视频帧以形成视频作为待输出音频对应的视频。

可选地，在得到待输出音频对应的视频之后，可以为视频添加待输出音频作为背景音，从而形成目标人在说待输出音频的效果。

在本实施例的一些可选的实现方式中，面部结构生成模型可以包括表情预测模型和结构预测模型。其中，表情预测模型可以用于预测输入的音素对应的面部表情，结构预测模型可以用于预测输入的面部表情对应的面部结构。

此时，可以将音素序列中的每个音素先输入至表情预测模型，得到该音素对应的面部表情，然后将得到的面部表情输入至结构预测模型，得到该音素对应的面部结构。

其中，表情预测模型和结构预测模型都可以基于现有的各种深度学习模型的网络结构进行构建。例如，表情预测模型和结构预测模型可以是各种卷积神经网络。表情预测模型和结构预测模型可以独立训练，也可以联合训练。

由于表情是影响面部结构的重要参数之一，而表情也可以传达音频内容的情感和情绪等信息，因此，先预测音素对应的表情，再根据表情生成音素对应的面部结构有助于提升生成的面部结构的精度，以便于后续生成更细腻的面部。

可选地，执行主体还可以获取待输出音频对应的音素序列中的各音素分别对应的面部属性信息。其中，面部属性信息所表示的面部属性可以是除面部表情之外的各种属性。例如，面部属性信息可以用于指示面部的旋转角度等等。

音素对应的面部属性信息可以由技术人员根据实际的应用场景灵活设置。作为示例，可以获取预先录制的目标人的视频，然后针对音素序列中的每个音素，可以从目标人的视频中选取视频帧与该音素对应，并将选取的视频帧包含的目标人的面部对应的面部属性信息作为该音素对应的面部属性信息。

此时，在利用表情预测模型得到每个音素对应的面部表情之后，可以进一步将得到的面部表情和该音素对应的面部属性信息输入至结构预测模型，得到该音素对应的面部结构。

由于影响面部结构的音素有很多，因此，在面部表情的基础上，通过补充其他面部属性信息来综合预测面部结构，有助于提升生成的面部结构的准确度，从而提升对应的面部与音素之间的匹配度。

可选地，针对音素序列中的每个音素，可以从音素序列中选取该音素所在的音素子序列，然后可以利用表情预测模型分别得到选取的音素子序列中的各音素分别对应的面部表情，然后将选取的音素子序列中的各音素分别对应的面部表情和面部属性信息输入至结构预测模型，以得到该音素对应的面部结构。

其中，音素子序列的选取可以灵活采用各种方法。例如，对于一音素，可以基于该音素作为中心，从该音素的前后分别选取两个音素，形成长度为五的音素子序列。

由于自然情况下，人脸的面部结构通常具有时序连续性和平滑过渡性，因此，在预测每个音素对应的面部结构时，通过结合该音素的表情信息和该音素相邻的若干音素对应的表情信息可以保证生成的面部结构与其他音素对应的面部结构之间的连续性和平滑性。

在本实施例的一些可选的实现方式中，在得到音素对应的面部结构之后，可以将面部结构和目标人的基准面部输入至预先训练的面部渲染模型，生成目标人的面部图像，然后再根据生成的目标人的面部图像进一步生成音素对应的面部视频帧。

其中，目标人的基准面部图像可以用于表征目标人的面部特征，具体可以由技术人员预先设置。面部渲染模型可以根据输入的面部结构和目标人的基准面部图像实现面部渲染，生成目标人的面部图像，然后进一步根据实际的应用需求对生成的面部图像进行添加背景等处理，并将处理后的面部图像作为音素对应的面部视频帧。

面部渲染模型可以基于现有的各种深度学习模型的网络结构进行构建。作为示例，面部渲染模型可以采用生成式对抗网络来构建。具体地，生成网络可以用于根据输入的面部结构和目标人的基准面部图像生成目标人对应于输入的面部结构的面部图像。对抗网络可以用于区分输入的图像是面部渲染模型生成的目标人的面部图像还是预先采集的目标人的面部图像。

利用面部渲染模型可以基于面部结构的渲染便捷地生成目标人的面部图像，从而有助于提升视频生成效率。

可选地，针对音素序列中的每个音素，可以先从音素序列中选取该音素所在的音素子序列，然后将选取的音素子序列中的其它音素分别对应的面部结构、面部图像、该音素对应的面部结构和目标人的基准面部图像输入至预先训练的面部渲染模型，以生成目标人的面部图像，然后再根据生成的面部图像，生成包含面部图像的面部视频帧。

其中，音素子序列的选取可以灵活采用各种方法实现。例如，对于一音素，可以根据对应的时间戳，选取与该音素相邻且位于该音素之前的两个音素，并与该音素一起形成长度为三的音素子序列。

选取的音素子序列中的其它音素对应的面部结构可以利用面部结构生成模型得到。基于其它音素对应的面部结构所生成的面部图像可以利用面部渲染模型在处理该音素对应的面部结构之前先生成。

由于自然情况下，目标人的视频中出现的目标人的面部图像通常具有时序连续性和平滑过渡性，因此，在通过渲染生成每个音素对应的面部图像时，可以结合该音素之前已经通过渲染生成的面部图像，以保证生成的面部图像之间的连续性和平滑性。

需要说明的是，对于第一个音素，可以只利用该音素对应的面部结构进行渲染得到对应的面部图像。

在本实施例的一些可选的实现方式中，待输出音频对应的音素序列中的各音素分别对应的音频时长相同，且音频时长为待输出音频对应的视频所包括的视频帧的时长。

其中，视频帧的时长可以根据实际的应用场景预先确定。然后可以按照视频帧的时长对待输出音频对应的音素进行拆分，以得到音素序列。

作为示例，待输出音频包括“sil”、“a”、“i”三个音素，其中，“sil”表示静默且对应的时间为0-40ms(毫秒)，音素“a”对应的时间为40-120ms、音素“i”对应的时间为120-200ms。若视频帧的时长为40ms，则将待输出音频对应的音素按照40ms的时长进行拆分得到的音素序列为“sil、a、a、i、i”。

由此可以将音素与视频帧对应起来，针对音素序列中的每个音素都可以生成对应的视频帧，从而组成视频，有助于提升生成的视频的便捷性。

继续参考图3，其示出了本实施例的视频生成方法的一个示意性应用场景300。在图3的应用场景中，执行主体可以接收用户输入的文本，并将文本对应的音频作为待输出音频301，然后确定待输出音频301对应的音素序列302。

以音素序列302中的一个音素为示例，先将该音素输入至面部结构生成模型303，得到该音素对应的面部结构304，然后获取与该音素相邻的前两个音素分别对应的面部结构和对应渲染生成的面部图像，同时获取目标人的基准面部图像，并将该音素对应的面部结构304和获取的与该音素相邻的前两个音素分别对应的面部结构和对应渲染生成的面部图像、目标人的基准面部图像输入至面部渲染模型306，得到该音素对应的面部图像307。其中，在该应用场景中，面部结构主要包括嘴部的结构。

具体如图中标号305所示，与该音素相邻的前两个音素分别对应面部结构3051和面部结构3052，在利用面部渲染模型306之前，可以先基于面部结构3051渲染生成面部图像3053，以及基于面部结构3052生成面部图像3054。

在得到该音素对应的面部图像307之后，如图中标号308所示，可以获取目标人的脸部蒙版3081(主要为嘴部蒙版)、预先录制的目标人的视频所包括的视频帧3082和待添加背景3083。然后，可以利用脸部蒙版3081，将视频帧3082中的脸部替换为该音素对应的面部图像307，同时将待添加背景3083融合至视频帧3082中作为背景，从而得到该音素对应的面部视频帧309。之后，可以组合音素序列302中的各音素分别对应的面部视频帧生成视频310，并为视频添加待输出音频301。

本公开的上述实施例提供的方法先利用面部结构模型生成待输出音频对应的音素序列中的每个音素对应的面部结构，然后利用面部渲染模型根据面部结构生成对应的面部图像，再基于面部图像生成目标人的视频帧，从而组合音素序列中的各音素分别对应的视频帧生成目标人的视频，由此可以保证生成的视频中目标人的脸部与对应的待输出音频的内容的匹配度(如口型与音频内容匹配等)，从而可以提升生成的目标人的视频的自然性。

进一步参考图4，其示出了推送生成的目标人的视频的方法的一个实施例的流程400。如图4所示，推送生成的目标人的视频的方法可以包括以下步骤：

步骤401，获取子音频序列。

在本实施例中，子音频序列可以通过对待输出音频按照预设时长进行拆分得到。其中预设时长可以由技术人员根据实际的应用场景来设置。

作为示例，待输出音频的时长为5s(秒)，预设时长为500ms，则可以将待输出音频拆分成10个时长为500ms的子音频，从而形成待输出音频对应的子音频序列。

对待输出音频进行拆分的执行者可以是上述执行主体，也可以是其他电子设备。对应地，执行主体可以从本地或其他电子设备获取待输出音频对应的子音频序列。

步骤402，按照时间戳依次得到子音频序列中的各子音频对应的子视频。

在本实施例中，针对子音频序列中的每个子音频，可以将该子视频视为待输出音频，可利用上述图2对应实施例中所描述的视频生成方法根据该子视频对应音素序列生成对应的子视频。

具体地，可以按照子音频对应的时间戳指示的先后顺序依次生成各个子音频对应的子视频。在生成每个子音频对应的子视频的过程中，同样可以根据该子音频对应的音素序列中的音素对应的时间戳，按照先后顺序依次生成各音频分别对应的视频帧。

步骤403，依次对每个子音频和对应的子视频进行编码以及推送。

在本实施例中，在生成每个子音频对应的子视频之后，可以对该子视频进行视频编码等处理，并为该子视频添加对应的子音频然后推送。例如，可以推送至用户终端进行播放。具体地，可以利用WebRTC(Web Real-Time Communication)等技术实现对生成的子视频的流式实时推送。

本公开提出的推送生成的目标人的视频的方法通过对待输出音频进行拆分，然后按照拆分成的各子音频为粒度进行对应视频的生成和推送，从而实现整体的流式处理，保证能够实现针对用户的快速视频推送，有助于提升与用户交互过程的流畅性和低延迟，避免用户过程的等待。

进一步参考图5，其示出了生成包含目标人的动作的视频的方法的一个实施例的流程500。如图5所示，生成包含目标人的动作的视频的方法可以包括以下步骤：

步骤501，获取目标人的预设视频。

在本实施例中，目标人的预设视频可以根据实际的应用场景预先录制得到。录制目标人的预设视频的执行者可以与上述执行主体相同，也可以不同。对应地，执行主体可以从本地或其他电子设备获取目标人的预设视频。

目标人的预设视频可以是各种内容的视频。作为示例，可以获取目标人在正常呼吸状态下，无动作的视频。

步骤502，从预设视频中确定分别与各音素对应的视频帧作为待处理视频帧，以及使用生成的面部图像对待处理视频帧包含的面部图像进行替换以生成面部视频帧，且预设视频包括预设动作的起始视频帧和结束视频帧。

在本实施例中，针对音素序列中的每个音素，该音素对应于预设视频中的视频帧可以根据实际的应用场景灵活设置。例如，可以设置预设视频中的第一个视频帧与音素序列中的第一个音素对应，第二个视频帧与第二个音素对应并以此类推，若最后一个视频帧与第N个音素对应，则第N+1个音素可以与第一个视频帧对应，以此循环。

又例如，在未接收到视频生成请求时，可以循环播放目标人的预设视频，并在接收到用户发送的针对待输出音频对应的视频生成请求时，可以使用当前时刻目标人的预设视频的播放位置作为第一个视频帧与待输出音频对应的音素序列中的第一个音素对应，当前时刻目标人的预设视频的播放位置的下一个视频帧与待输出音频对应的音素序列中的第二个音素对应，并以此类推。

具体地，可以先确定每个音素对应的面部结构，然后根据每个音素对应的面部结构生成面部图像，然后使用生成的面部图像替换预设视频中对应的视频帧所包含的目标人的面部图像，以得到对应的面部视频帧。

其中，目标人的预设视频可以包括预设动作的起始视频帧和结束视频帧。其中，预设动作可以包括人的各种动作。例如，挥手、摊手、耸肩、拍手等等。目标人的预设动作可以通过预先采集目标人执行预设动作的视频得到。

起始视频帧可以指示预设动作的开始位置，对应地，结束视频帧可以指示预设动作的结合位置。因此，在起始视频帧和结束视频帧之间的视频中目标人可以执行对应的预设动作。

具体地，在播放到起始视频帧时，可以切换起始视频帧和结束视频帧之间的各视频帧中目标人的动作，以形成在起始视频帧和结束视频帧之间的视频中目标人执行对应的预设动作的效果。应当理解的是，在切换视频帧中目标人的动作时，保持视频帧中的目标人的面部是经过上述面部图像替换处理流程所得到的目标人的面部。

可选地，在起始视频帧时，可以先插入预设动作的过渡帧，以实现起始视频帧先后的视频帧中目标人的动作的自然过渡。其中，过渡帧可以通过对起始视频帧的前一帧和起始视频帧进行插帧得到。在过渡帧播放完之后，可以在起始视频帧和结束视频帧之间播放包含目标人的预设动作的视频，在结束视频帧之后，可以继续回到目标人的预设视频所包括的视频帧。

需要说明的是，预设动作的数目可以根据实际的应用场景灵活设置。在预设动作的数目为至少两个时，可以分别设置每个预设动作对应的起始视频帧和结束视频帧。可选地，各个预设动作对应的结束视频帧可以相同，从而可以减少一定的处理流程。

继续参考图6a和6b，图6a示出了目标人的视频在播放时目标人的动作切换流程的一个实施例的结构示意图，图6b示出了目标人的视频在播放时目标人的动作切换流程的一个应用场景的示意图。

如图6a和6b所示，在未接收到用户发送的视频生成请求，即与用户无交互时，可以循环播放呼吸态循环帧，其中，呼吸态循环帧可以为预先拍摄的目标人的视频。在接收到用户发送的针对待输出音频的视频请求后，若播放到预设动作1的起始视频帧，则可以先切换播放过渡帧组-1(如图6b中的过渡帧所示)，然后播放预设动作对应的动作帧-1(如图6b中的动作帧所示)，其中，动作帧-1包括预设动作1对应的起始视频帧和结束视频帧之间的各视频帧。过渡帧-1和动作帧-1中的目标人的面部为经过替换得到的目标人对应于待输出音频的音素的面部图像，过渡帧-1中的目标人的动作为通过插帧形成的动作，动作帧-1中的目标人的动作为经过替换得到的目标人执行的预设动作。在预设动作1的结束视频帧后，可以继续循环播放呼吸态循环帧。

同样地，在播放到预设动作2的起始视频帧时，可以先切换播放过渡帧组-2，然后播放预设动作对应的动作帧-2，其中，动作帧-2包括预设动作2对应的起始视频帧和结束视频帧之间的各视频帧。过渡帧-2和动作帧-2中的目标人的面部为经过替换得到的目标人对应于待输出音频的音素的面部图像，过渡帧-2中的目标人的动作为通过插帧形成的动作，动作帧-2中的目标人的动作为经过替换得到的目标人执行的预设动作。在预设动作2的结束视频帧后，可以继续循环播放呼吸态循环帧。

本公开提出的推送生成包含目标人的动作的视频的方法通过在目标人的预设视频中设置预设动作的起始视频帧和结束视频帧，并控制在起始视频帧和结束视频帧之间播放目标人的预设动作，从而可以使得生成的目标人的视频在输出音频的同时，可以执行若干预设动作，而且由于用户发起视频生成请求的时间点的不同，对应触发的目标人的预设动作的时间和动作类型可能不同，使得目标人的动作可以呈现随机性的效果，从而进一步提升目标人的视频的自然性。

进一步参考图7，其示出了本公开的实施例的目标人的视频的生成和推送的一个实施例的系统流程700。如图7所示，执行主体在接收到用户输入的文本时，可以基于流式服务，将用户输入文本对应的音频拆分成若干音频包，并按照视频帧长生成对应的音素序列。针对每个音素，可以结合目标人的面部参数，先生成对应的面部表情，然后利用面部结构生成模型生成对应的面部结构，再结合目标人的基准面部图像，利用面部渲染模型生成对应的面部图像。

同时，可以确定当前正在播放的呼吸态循环帧，然后对当前播放帧中的目标人的面部图像替换为利用面部渲染模型生成对应的面部图像，并根据当前播放帧是否为预设动作的起始视频帧或结束视频帧来对其中的目标人的动作进行调整，从而形成面部视频帧，并与对应的音频包中的音频进行对齐编码并实时推送。

从该目标人的视频的生成和推送的示意性的系统流程中可以看出，不仅可以保证生成的视频中目标人的面部结构与对应输出的音频内容的匹配度，而且可以通过实时音视频流的方式与用户实时交互，避免用户长时的等待。此外，可以在视频中随机切换目标人的动作，以提升生成的目标人的视频的真实性和生动性。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了视频生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，本实施例提供的视频生成装置800包括获取单元801、面部结构生成单元802、面部视频帧生成单元803和视频生成单元804。其中，获取单元801被配置成获取待输出音频对应的音素序列；面部结构生成单元802被配置成将音素序列中的各音素分别输入预设的面部结构生成模型，生成各音素分别对应的面部结构；面部视频帧生成单元803被配置成根据生成的面部结构，生成各音素分别对应的面部视频帧，其中，面部视频帧包含目标人的面部图像；视频生成单元804被配置成根据生成的面部视频帧，生成待输出音频对应的视频。

在本实施例中，视频生成装置800中：获取单元801、面部结构生成单元802、面部视频帧生成单元803和视频生成单元804的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。

在本实施例的一些可选的实现方式中，面部结构生成模型包括表情预测模型和结构预测模型，其中，表情预测模型用于预测输入的音素对应的面部表情，结构预测模型用于预测输入的面部表情对应的面部结构。

在本实施例的一些可选的实现方式中，上述面部结构生成单元802进一步被配置成：分别获取各音素的面部属性信息；将各音素分别输入至表情预测模型，生成各音素分别对应的面部表情；将音素序列中的每个音素对应的面部表情和面部属性信息输入至结构预测模型，得到每个音素对应的面部结构。

在本实施例的一些可选的实现方式中，上述面部结构生成单元802进一步被配置成：从音素序列中选取每个音素所在的音素子序列；将音素子序列中的各音素分别对应的面部表情和面部属性信息输入至结构预测模型，得到每个音素对应的面部结构。

在本实施例的一些可选的实现方式中，上述面部视频帧803进一步被配置成：从音素序列中选取每个音素所在的音素子序列；将每个音素所在的音素子序列中的其它音素分别对应的面部结构、面部图像、该音素对应的面部结构和目标人的基准面部图像输入至预设的面部渲染模型，生成目标人的面部图像；根据生成的面部图像，生成面部视频帧。

在本实施例的一些可选的实现方式中，音素序列中的各音素分别对应的音频时长相同，且所述音频时长为待输出音频对应的视频所包括的视频帧的时长。

在本实施例的一些可选的实现方式中，上述获取单元801进一步被配置成：获取子音频序列，其中，子音频序列通过对待输出音频按照预设时长进行拆分得到；以及上述视频生成单元804进一步被配置成：按照时间戳依次得到子音频序列中的每个子音频对应的子视频，以及依次对每个子音频和对应的子视频进行编码并推送。

在本实施例的一些可选的实现方式中，上述获取单元801进一步被配置成：获取目标人的预设视频；以及上述面部视频帧803进一步被配置成：从预设视频中确定分别与所述各音素对应的视频帧作为待处理视频帧；使用生成的面部图像对所述待处理视频帧包含的面部图像进行替换以生成面部视频帧。

在本实施例的一些可选的实现方式中，预设视频包括预设动作的起始视频帧和结束视频帧，且目标人在所述起始视频帧处和结束视频帧之间执行预设动作。

在本实施例的一些可选的实现方式中，起始视频帧之前还包括过渡视频帧，其中，过渡视频帧用于实现预设动作的过渡。

本公开的上述实施例提供的装置，通过获取单元获取待输出音频对应的音素序列；面部结构生成单元将音素序列中的各音素分别输入预设的面部结构生成模型，生成各音素分别对应的面部结构；面部视频帧生成单元根据生成的面部结构，生成各音素分别对应的面部视频帧，其中，面部视频帧包含目标人的面部图像；视频生成单元根据生成的面部视频帧，生成待输出音频对应的视频，通过利用待输出音频的音素来决定生成的目标人面部的面部结构，有助于提升生成的视频中目标人的面部与对应音频内容的匹配度，从而有助于提升生成的目标人视频的自然性。

下面参考图9，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)900的结构示意图。图9示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

通常，以下装置可以连接至I/O接口905：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906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，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。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所描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。在本公开的实施例中，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。而在本公开的实施例中，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。

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：获取待输出音频对应的音素序列；将音素序列中的各音素分别输入预设的面部结构生成模型，生成各音素分别对应的面部结构；根据生成的面部结构，生成各音素分别对应的面部视频帧，其中，面部视频帧包含目标人的面部图像；根据生成的面部视频帧，生成待输出音频对应的视频。

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实施例的操作的计算机程序代码，所述程序设计语言包括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。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、面部结构生成单元、面部视频帧生成单元和视频生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待输出音频对应的音素序列的单元”。

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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。