视频生成方法和装置、存储介质和电子设备

技术领域

本公开涉及视频领域，具体地，涉及一种视频生成方法和装置、存储介质和电子设备。

背景技术

在进行发音学习的场景下，人们很难知悉他人口腔内部发音器官的动作和发力情况，只根据声音来判断和模拟应该如何发音是较为困难的，学习效果较差，效率较低。

目前，可以通过制作演示动画的形式对发音时的人脸情况进行模拟展示，但是这种方式无法展示真实的口腔内部发音器官的动作画面，参考性不高，并且人为绘制动画也费时费力效率不高。

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，包括获取待处理音频；将所述待处理音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列；根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频；其中，所述视频生成模型是通过如下方式训练得到的：根据由样本音频转换成的样本音频特征向量、与所述样本音频对应的样本发音器官动作视频的样本发音器官视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

第二方面，本公开提供一种视频生成装置，所述装置包括：获取模块，用于获取待处理音频；转换模块，用于将所述待处理音频转换成待处理音频特征向量；输入模块，用于将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列；生成模块，用于根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频；训练模块，用于根据由样本音频转换成的样本音频特征向量、与所述样本音频对应的样本发音器官动作视频的样本发音器官视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

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本公开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，包括存储装置和处理装置，存储装置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，以实现本公开第一方面所述方法的步骤。

通过上述的技术方案，至少可以达到以下的技术效果：

通过获取待处理音频，并将由待处理音频转换而成的待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列，并根据该发音器官视频特征序列生成与待处理音频对应的发音器官动作视频。如此可以快捷高效地基于任意音频生成对应的发音器官动作视频，不仅提高了发音器官动作视频的生成效率，还利用发音器官动作视频还原并直观展示了发音器官的真实发音动作过程。

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公开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公开实施例示出的一种视频生成装置的框图。

图3是根据本公开一示例性公开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。

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

S11、获取待处理音频。

待处理音频为包含任意声音的音频。该任意声音可以为通过发音器官所发出的声音。或者，该任意声音可以为通过发音器官模拟装置所发出的声音。再或者，该任意声音还可以为其他的能够被发音器官模拟的纯音、复合音、噪音等。应当理解的是，能够被发音器官模拟的纯音、复合音、噪音，不限于人声、动物声、乐器声等。

示例地，待处理音频为用户念读任意文本时录制的音频，其中任意文本为一个音素、一个字、一个词、一个句子、一个段落、一篇文章等任意长度的文本。再示例地，待处理音频为用户说话时录制的音频。又示例地，待处理音频为用户唱歌时录制的音频。还示例地，待处理音频还可以为用户模仿动物的声音(如海豚音)、模仿乐器的声音等等。对此本公开不作具体的限制。

S12、将所述待处理音频转换成待处理音频特征向量。

一种可能的实施方式，将所述待处理音频输入语音识别模型，得到所述待处理音频特征向量，所述待处理音频特征向量包括所述待处理音频中每一帧音频的音素后验概率向量(简称PPG)，每一所述音素后验概率向量的维度为所述待处理音频对应的语言类型包括的音素维度。

音素是根据语音的自然属性划分出来的最小语音单位。每一种人类语音、动物语音、乐器音均可以基于属性划分出有限个数的最小语音单位。

待处理音频中的每一帧音频可以为一个音素的音频。一个音素可以由一个音素后验概率向量表征。每一个音素后验概率向量的维度为待处理音频对应的语言类型包括的音素维度。示例地，假设待处理音频对应的语言类型为英语，由于英语的音素个数为48个，那么英语音素后验概率向量的维度为48。也就是说一个英语音素后验概率向量中包括48个大于等于0且小于1的概率值，且该48个概率值的和为1。该48个概率值中的最大值所对应的音素为该音素后验概率向量所表征的英语音素。再示例地，假设待处理音频对应的语言类型为模仿目标乐器的语言类型，若该目标乐器对应的音素有50个，那么音素后验概率向量的维度也为50，具体由50个和为1的概率值组成。

待处理音频中的每一帧音频还可以为一个字/词的音频。相应地，一个字/词由一个字/词的后验概率向量表征。由此，值得说明的是，可以根据用户需求自由设置待处理音频中的每一帧音频对应的音频帧播放时间，以使得每一帧音频为一个或多个音素/字/词的音频。

语音识别模型(Automatic Speech Recognition，简称ASR)是一种将声音转变为相应的文本或命令的模型。

由于任一语言的字或词的数量庞大而音素的数量较少，加之每一字或词的发音均由一个或多个音素构成，因此，一种优选的实施方式，语音识别模型可以通过如下训练方式训练得到：根据样本音频帧和所述样本音频帧对应的音素构建模型训练样本；根据所述模型训练样本训练得到所述语音识别模型。

详细地，对样本音频帧进行信号处理和知识挖掘，分析出样本音频帧的语音特征参数，制作语音模板，得到语音参数库。根据样本音频帧和该样本音频帧对应的音素构建语音特征参数与音素的映射表。

将待处理音频输入训练好的语音识别模型后，针对待处理音频中的每一帧音频，经过与训练时相同的分析，得到待处理语音特征参数，将该待处理语音特征参数与语音参数库中的语音模板进行一一匹配，得到该待处理语音特征参数与语音参数库中每一语音特征参数的匹配概率。进一步地，根据语音特征参数与音素的映射表得到待处理音频中的每一帧音频的音素后验概率向量。

这种利用数量较少且个数有限的音素和音素的音频训练语音识别模型的方式，与利用海量字/词和字/词的音频训练语音识别模型的方式相比较，能够减少模型训练任务，快速得到训练好的语音识别模型。

S13、将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列。

其中，所述视频生成模型是通过如下方式训练得到的：根据由样本音频转换成的样本音频特征向量、以及与所述样本音频对应的样本发音器官动作视频的样本发音器官视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

本公开对视频生成模型的损失函数不作具体限定。

由于任一语言的字或词(或音段)的种类庞大而音素的数量较少，加之每一字或词(或音段)的发音均由一个或多个音素构成，因此，一种优选的实施方式，样本音频为目标语言类型对应的所有音素的朗读音频。而样本发音器官动作视频可以为，采用任意动画制作渲染软件制成的对应于每一音素的发音器官动作动画演示视频。样本发音器官动作视频也可以是通过摄像机、核磁共振仪、CT仪等解剖性成像仪器拍摄的对应于每一音素的发音器官动作视频。由于用户不仅能够念读各种人类语言中的字或词，还能够模仿动物、乐器等声音。因此为了便于本领域普通技术人员理解本公开的实施方式，需说明上述音段是指模仿非人类语言的其他声音中的声音片段(如乐器的一个键、一根弦对应的声音片段)。

同理地，另一种实施方式，样本音频为目标语言类型对应的所有字或词(或音段)的音频。而样本发音器官动作视频可以为，采用任意动画制作渲染软件制成的对应于每一字或词(或音段)的发音器官动作动画演示视频。样本发音器官动作视频也可以是通过摄像机、核磁共振仪、CT仪等解剖性成像仪器拍摄的对应于每一字或词(或音段)的发音器官动作视频。

一种可实现的实施方式，根据采集到的样本音频以及采集到的与样本音频对应的样本发音器官动作视频构建视频生成模型的模型训练数据，具体可以包括以下步骤：

将样本音频中的每一帧音频转换成样本音素后验概率向量，得到包括至少一个样本音素后验概率向量的样本音素后验概率向量序列，将样本音素后验概率向量序列作为样本音频特征向量；并且，基于样本发音器官动作视频，提取与样本音素后验概率向量序列中每一样本音素后验概率向量对应的样本发音器官视频特征，得到样本发音器官视频特征序列；将样本音频特征向量和样本发音器官视频特征序列作为视频生成模型的模型训练数据。

其中，样本音频中的每一帧音频与样本音素后验概率向量序列中每一样本音素后验概率向量一一对应，样本音素后验概率向量序列中每一样本音素后验概率向量与样本发音器官视频特征序列中的每一样本发音器官视频特征一一对应。

容易理解的是，在一帧音频对应一个音素的情况下，一个音素对应的发音器官的发音过程由一帧或多帧视频图像体现。因而，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的像素点特征信息；或者，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的主成分特征信息。

其中值得说明的是，主成分特征信息是通过主成分分析算法对视频图像进行降维处理后得到的表征该视频图像的主成分系数数据。

一种可实现的实施方式，在所述基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征之前，还可以包括以下步骤：

逐帧对所述样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置。

该调整可以采用像素追踪或者光流跟踪的形式进行，或者，可以采用特征点提取并对齐的方式进行，对各帧视频图像的处理包括但不限于旋转、平移、放大、缩小，还可以对各帧视频图像的大小进行统一裁剪。逐帧对样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置的方式，有利于降低因各帧视频图像中相同发音器官位置不同而导致的对模型训练效果及模型收敛速度的干扰。

在步骤S13中，由于待处理音频特征向量包括待处理音频中每一帧音频的音素后验概率向量，因此将待处理音频特征向量输入训练好的视频生成模型后，可以得到与每一帧音频的音素后验概率向量对应的发音器官视频特征。即可以得到与待处理音频特征向量对应的发音器官视频特征序列。

S14、根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频。

容易理解的是，当发音器官视频特征序列为视频图像的像素点特征信息时，根据像素点特征信息可以生成发音器官视频图像，进而得到发音器官动作视频。而当发音器官视频特征序列为视频图像的主成分特征信息时，也可以根据视频图像的主成分特征信息生成发音器官视频图像，进而得到发音器官动作视频。

采用上述方式，通过获取待处理音频，并将由待处理音频转换而成的待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列，并根据该发音器官视频特征序列生成与待处理音频对应的发音器官动作视频。如此可以快捷高效地基于任意音频生成对应的发音器官动作视频，不仅提高了发音器官动作视频的生成效率，还利用发音器官动作视频还原并直观展示了发音器官的真实发音动作过程。

另外，如果在步骤S12中利用语音识别模型ASR将待处理音频转换成待处理音频特征向量，那么由于语音识别模型ASR注重于识别语音中的内容，而不注重语音中声音的响度、音调、音色、重音、停顿等非文本内容信息，因而利用语音识别模型ASR将待处理音频转换成待处理音频特征向量，该待处理音频特征向量(即包括待处理音频中每一帧音频的音素后验概率向量的向量)与待处理音频中声音的响度、音调、音色、重音、停顿等非文本内容信息无关。而本公开中的视频生成模型若基于与待处理音频中声音的响度、音调、音色、重音、停顿等非文本内容信息无关的待处理音频特征向量生成对应的发音器官视频特征序列，那么该发音器官视频特征序列不会受到待处理音频中声音的响度、音调、音色、重音、停顿等非文本内容信息的影响。进而利用与待处理音频中声音的响度、音调、音色、重音、停顿等非文本内容信息无关的发音器官视频特征序列生成的发音器官动作视频，因不受待处理音频中声音的响度、音调、音色、重音、停顿等非文本内容信息的干扰而更加准确。因此，采用这种方式，可实现利用与话者无关(具体为与说话者声音的响度、音调、音色、重音、停顿等非文本内容信息无关)的语音驱动生成标准地发音器官动作视频的目的。

可实现的，上述视频生成方法可以应用于移动终端，也可以应用于服务器。在节省用户移动终端内存资源占用的情况下，可以将上述视频生成方法应用于服务器。而在将上述视频生成方法应用于服务器的情况下，上述步骤S11所述获取待处理音频，具体可以为服务器获取客户端上传的待处理音频。进一步地，在上述步骤S14之后，上述视频生成方法还可以包括以下步骤：服务器向所述客户端发送所述发音器官动作视频，以使所述客户端展示所述发音器官动作视频。

采用这种方式，针对用户念读任意文本的音频、歌唱任意歌曲的音频、模仿任意动物/乐器声音的音频，都能生成对应的发音器官动作视频。向用户展示发音器官动作视频，便于用户直观的看到真实的发音器官的发音动作过程。在面向教育的场景下，若用户能够直观的看到真实的发音器官的发音动作，有利于用户学习发音。例如，有利于用户学习如何说各种语言，如何唱各种歌曲，如何模仿出各种动物/乐器的声音等等。

其中，所述发音器官动作视频为磁共振成像MRI视频，所述发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一种发音器官的动作。对应地，用于训练视频生成模型的样本发音器官动作视频也为磁共振成像MRI视频，样本发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一种发音器官的动作。

此外，由于发音器官还包括肺、横膈膜、气管等发音动力器官，因而发音器官动作视频和样本发音器官动作视频中还可以包括肺、横膈膜、气管中的至少一种发音器官的动作。

采用上述方法，客户端向服务器发送通过该客户端采集的待处理音频，服务器根据该待处理音频生成发音器官动作视频，并将该发音器官动作视频发送给该客户端，该客户端展示发音器官动作视频。如此，用户可以通过发音器官动作视频直观的看到任一真实发音器官的发音动作。

图2是根据本公开一示例性公开实施例示出的一种视频生成装置的框图。如图2所示，该装置200包括：

获取模块210，用于获取待处理音频；

转换模块220，用于将所述待处理音频转换成待处理音频特征向量；

输入模块230，用于将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列；

生成模块240，用于根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频；

所述装置200还包括训练模块250，用于根据由样本音频转换成的样本音频特征向量、与所述样本音频对应的样本发音器官动作视频的样本发音器官视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

在一种可能的实施方式中，所述样本音频特征向量是通过如下方式得到的：将所述样本音频中的每一帧音频转换成样本音素后验概率向量，得到包括至少一个样本音素后验概率向量的样本音素后验概率向量序列，将所述样本音素后验概率向量序列作为所述样本音频特征向量；所述样本发音器官视频特征序列是通过如下方式得到的：基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征，得到所述样本发音器官视频特征序列。

在一种可能的实施方式中，所述训练模块250，用于在所述基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征之前，逐帧对所述样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置。

在一种可能的实施方式中，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的像素点特征信息；或者，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的主成分特征信息。

在一种可能的实施方式中，所述转换模块220，用于将所述待处理音频输入语音识别模型，得到所述待处理音频特征向量，所述待处理音频特征向量包括所述待处理音频中每一帧音频的音素后验概率向量，每一所述音素后验概率向量的维度为所述待处理音频对应的语言类型包括的音素维度；其中，所述语音识别模型通过如下训练方式训练得到：根据样本音频帧和所述样本音频帧对应的音素构建模型训练样本；根据所述模型训练样本训练得到所述语音识别模型。

在一种可能的实施方式中，所述获取模块210，用于获取客户端上传的待处理音频；所述装置200还包括发送模块260，用于向所述客户端发送所述发音器官动作视频，以使所述客户端展示所述发音器官动作视频。

在一种可能的实施方式中，所述发音器官动作视频为磁共振成像MRI视频，所述发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一种发音器官的动作。

上述各模块所具体执行的步骤在方法部分实施例中已经进行了详细阐述，在此不做赘述。

通过上述的技术方案，至少可以达到以下的技术效果：

通过获取待处理音频，并将由待处理音频转换而成的待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列，并根据该发音器官视频特征序列生成与待处理音频对应的发音器官动作视频。如此可以快捷高效地基于任意音频生成对应的发音器官动作视频，不仅提高了发音器官动作视频的生成效率，还利用发音器官动作视频还原并直观展示了发音器官的真实发音动作过程。

下面参考图3，其示出了适于用来实现本公开实施例的电子设备300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3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3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：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306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，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309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301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：获取待处理音频；将所述待处理音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列；根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频。

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：获取待处理音频；将所述待处理音频转换成待处理音频特征向量；将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列；根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频；其中，所述视频生成模型是通过如下方式训练得到的：根据由样本音频转换成的样本音频特征向量、与所述样本音频对应的样本发音器官动作视频的样本发音器官视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

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，所述样本音频特征向量是通过如下方式得到的：将所述样本音频中的每一帧音频转换成样本音素后验概率向量，得到包括至少一个样本音素后验概率向量的样本音素后验概率向量序列，将所述样本音素后验概率向量序列作为所述样本音频特征向量；所述样本发音器官视频特征序列是通过如下方式得到的：基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征，得到所述样本发音器官视频特征序列。

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，在所述基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征之前，包括：逐帧对所述样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置。

根据本公开的一个或多个实施例，示例4提供了示例2或3的方法，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的像素点特征信息；或者，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的主成分特征信息。

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，所述将所述待处理音频转换成待处理音频特征向量，包括：将所述待处理音频输入语音识别模型，得到所述待处理音频特征向量，所述待处理音频特征向量包括所述待处理音频中每一帧音频的音素后验概率向量，每一所述音素后验概率向量的维度为所述待处理音频对应的语言类型包括的音素维度。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，所述获取待处理音频，包括：获取客户端上传的待处理音频；所述方法还包括：向所述客户端发送所述发音器官动作视频，以使所述客户端展示所述发音器官动作视频。

根据本公开的一个或多个实施例，示例7提供了示例1-3的方法，所述发音器官动作视频为磁共振成像MRI视频，所述发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一种发音器官的动作。

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，所述装置包括：获取模块，用于获取待处理音频；转换模块，用于将所述待处理音频转换成待处理音频特征向量；输入模块，用于将所述待处理音频特征向量输入视频生成模型，得到发音器官视频特征序列；生成模块，用于根据所述发音器官视频特征序列生成与所述待处理音频对应的发音器官动作视频；训练模块，用于根据由样本音频转换成的样本音频特征向量、与所述样本音频对应的样本发音器官动作视频的样本发音器官视频特征序列构建模型训练数据；根据所述模型训练数据训练得到所述视频生成模型。

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，所述样本音频特征向量是通过如下方式得到的：将所述样本音频中的每一帧音频转换成样本音素后验概率向量，得到包括至少一个样本音素后验概率向量的样本音素后验概率向量序列，将所述样本音素后验概率向量序列作为所述样本音频特征向量；所述样本发音器官视频特征序列是通过如下方式得到的：基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征，得到所述样本发音器官视频特征序列。

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，训练模块，用于在所述基于所述样本发音器官动作视频，提取与所述样本音素后验概率向量序列中每一所述样本音素后验概率向量对应的样本发音器官视频特征之前，逐帧对所述样本发音器官动作视频中的发音器官位置进行调整，以使各帧视频图像中的相同发音器官位于相同的图像位置。

根据本公开的一个或多个实施例，示例11提供了示例9或10的装置，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的像素点特征信息；或者，每一所述样本发音器官视频特征为所述样本发音器官动作视频中的至少一帧视频图像的主成分特征信息。

根据本公开的一个或多个实施例，示例12提供了示例1的装置，所述转换模块，用于将所述待处理音频输入语音识别模型，得到所述待处理音频特征向量，所述待处理音频特征向量包括所述待处理音频中每一帧音频的音素后验概率向量，每一所述音素后验概率向量的维度为所述待处理音频对应的语言类型包括的音素维度。

根据本公开的一个或多个实施例，示例13提供了示例8的装置，所述获取模块，用于获取客户端上传的待处理音频；所述装置还包括发送模块，用于向所述客户端发送所述发音器官动作视频，以使所述客户端展示所述发音器官动作视频。

根据本公开的一个或多个实施例，示例14提供了示例8-10的装置，所述发音器官动作视频为磁共振成像MRI视频，所述发音器官动作视频中包括上唇、下唇、上齿、下齿、齿龈、硬颚、软颚、小舌、舌尖、舌面、舌根、鼻腔、口腔、咽头、会厌、食道、气管、声带、喉头中的至少一种发音器官的动作。

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。