造假AI又进化！只要一张照片，说话唱歌视频自动生成，降维打击Deepfakes丨已开源...

郭一璞 白安妮 发自 凹非寺 
量子位 报道 | 公众号 QbitAI

曾造出无数“小视频”、恶搞过多位明星的知名换脸神器Deepfakes，这下被降维打击了。

这个新AI不再是篡改视频了，而是直接把一张静态的照片变成视频。

像这样，一张施瓦辛格：

开始说话了：

饶舌歌手Tupac Shakur：

也能张嘴了：

只要有一张静态的人脸照片，甭管是谁，在这个新AI的驱动下，任意配上一段语音，就能张嘴说出来。

当然，上面的gif动图没有声音，你可以点开下面视频听听效果，里面有川普、施瓦辛格，还有爱因斯坦。

△ 总共2M，流量党请放心食用

当然，除了说话之外，唱歌也毫无问题，比如让生活在一百多年前的“俄罗斯妖僧”拉斯普京唱碧昂丝的Halo：

虽然声音和性别不太匹配，但是画面和歌曲组合起来有种莫名的鬼畜感呢。

你也别以为这个AI只能给照片对口型，它还可以让这个说话的人拥有喜怒哀乐各种情绪。

开心的：

难过的：

炸毛的：

连体态都符合不同情绪的状态，你打开视频听听看，是不是很符合说话的情绪？

这眉眼，这目光，这脸部肌肉，得拯救多少“面瘫”演员啊！

这项研究来自帝国理工学院和三星，研究者们还准备了一套包含24个真假难辨的视频的图灵测试，我们简单测了一下，只能猜对一半左右。

也就是说，这些AI生成的“真假美猴王”，足以蒙骗人类了。

相比此前的斯坦福输入任意文本改变视频人物口型的研究，以及三星的说话换脸，实现难度可以说高了很多。

不少网友闻之色变：

现在是拉斯普京唱Halo，以后会不会整出川普向墨西哥选战啊，感觉怕怕的。

连科技媒体The Verge都评价说：

这样的研究总让人们担忧，怕它会被用在谣言和政治宣传上，实在是让美国立法者们伤脑筋。当然，你也可以说这种在政治领域的威胁没那么严重，但deepfakes已经确确实实伤害了一些人，尤其是女性，在未经同意的情况下被用来制造了又难堪又羞辱的色情视频。

也有人觉得，等技术普及之后会给做坏事的人掩盖的理由：

等这技术成熟了，川普真的干坏事的小视频出来，他就可以轻描淡写的说这是假视频。

呵呵，真棒，以后坏人们被捏到把柄的时候，就都能说“没有的事啦，是假视频。”

多鉴别器结构

如何用一张照片做出连贯视频？研究人员认为，这需要时序生成对抗网络（Temporal GAN）来帮忙。

逻辑上不难理解，如果想让生成的假视频逼真，画面上至少得有两点因素必须满足：

一是人脸图像必须高质量，二是需要配合谈话内容，协调嘴唇、眉毛等面部五官的位置。也不用动用复杂的面部捕捉技术，现在，只用机器学习的方法，就能自动合成人脸。

这中间的秘诀，就在于时序生成对抗网络，也就是Temporal GAN，此前在2018年提出过这个研究。

这是一个端对端的语音驱动的面部动画合成模型，通过静止图像和一个语音生成人脸视频。

在Temporal GAN中有两个鉴别器，一个为帧鉴别器，确保生成的图像清晰详细，另一个是序列鉴别器，负责响应听到的声音并产生对应的面部运动，但效果并不那么优异。

△ Temporal GAN模型示意图

论文End-to-End Speech-Driven Facial Animation with Temporal GANs 地址：

https://arxiv.org/abs/1805.09313

在这项工作，研究人员借用这种时序生成对抗网络，使用两个时间鉴别器，对生成的视频进行视听对应，来生成逼真的面部动作。

同时还鼓励模型进一步自发产生新的面部表情，比如眨眼等动作。

所以，最新版基于语音的人脸合成模型来了。模型由时间生成器和3个鉴别器构成，结构如下：

这是一个井然有序的分工结构，生成器负责接收单个图像和音频信号作为输入，并将其分割为0.2秒的重叠帧，每个音频帧必须以视频帧为中心。

这个生成器由内容编码器（Content Encoder)，一个鉴别编码器（Identity Encoder）、一个帧解码器（Frame Decoder）和声音解码器（Noise Generator）组成，不同模块组合成一个可嵌入模块，通过解码网络转换成帧。

这个系统使用了多个鉴别器来捕捉自然视频的不同方面，各部分各司其职。

帧鉴别器（Frame Discriminator）是一个6层的卷积神经网络，来决定一帧为真还是假，同时实现对说话人面部的高质量视频重建。

序列鉴别器（Sequence Discriminator）确保各个帧能形成一个连贯的视频，显示自然运动。

同步鉴别器（Synchronization Discriminator）加强了对视听同步的要求，决定画面和音频应该如何同步。它使用了两种编码器获取音频和视频的嵌入信息，并基于欧式距离给出判断。

同步鉴别器的结构如下：

就是这样，无需造价高昂的面部捕捉技术，只需这样一个网络，就能将一张照片+一段音频组合成流畅连贯的视频了。

30多篇CVPR的作者

这项研究共有三位作者，分别为Konstantinos Vougioukas、Stavros Petridis和Maja Pantic，均来自伦敦帝国学院iBUG小组，主攻智能行为理解，其中二作和三作也是英国三星AI中心的员工。

一作Konstantinos Vougioukas2011年在佩特雷大学获得电气与计算机工程专业的本科学位后，奔赴爱丁堡大学攻读人工智能方向的硕士学位。

现在，Konstantinos Vougioukas在伦敦帝国学院的Maja Pantic教授（本文三作）的指导下攻读博士，主要研究方向为人类行为合成和面部行为合成。

Maja Pantic教授是iBUG小组的负责人，也是剑桥三星AI中心的研究主任，她在面部表情分析、人体姿态分析、情绪和社会信号是挺分析等方面发表过超过250篇论文，引用次数超过25000次。

从2005年开始，Maja Pantic带学生发了30多篇CVPR（包含workshop）论文。

Maja Pantic教授主页：
https://ibug.doc.ic.ac.uk/people/mpantic

传送门

论文Realistic Speech-Driven Facial Animation with GANs地址：

https://arxiv.org/abs/1906.06337

项目主页：
https://sites.google.com/view/facial-animation

GitHub：
https://github.com/DinoMan/speech-driven-animation

作者系网易新闻·网易号“各有态度”签约作者

— 完 —