Meta Talk: Learning To Data-Efficiently Generate Audio-Driven Lip-Synchronized Talking 论文解读

1. 相关链接

中文介绍链接：

语音语义创新Lab_News_聚焦虚拟说话人生成技术，华为云论文被人工智能语音领域顶级会议ICASSP2022接收

论文链接：

Meta Talk: Learning To Data-Efficiently Generate Audio-Driven Lip-Synchronized Talking Face With High Definition | IEEE Conference Publication | IEEE Xplore

2. 简介

语音驱动虚拟说话人模型，旨在生成与输入语音能够口型匹配的任意目标人像虚拟说话人视频。目前业界开发出了一些先进的虚拟说话人生成模型，包括语音驱动的3D虚拟人视频生成模型(AudioDVP) 和2D语音-口型生成模型(Wav2lip)。华为研究团队经过多次实验，发现AudioDVP仅有在数十小时大量训练数据下才能具有良好唇音同步效果，对应目标人物模特的训练数据录制成本太高，一旦有更换模特的需求，则需要大量的人力物力来做重新准备。另外，Wav2lip虽然在超过30小时的视频数据下构建了预训练模型，具有较好的泛化能力，但是生成的视频清晰度较低，无法满足应用需求。

基于这些观察，如下图所示，作者提出了一种新的虚拟说话人的生成方法Meta Talk，融合了AudioDVP和Wav2lip各自的优点，通过自适应裁剪模块、3D人脸模型重建和渲染等模块相互配合，突破了仅需3分钟的原始视频，即可实现生成唇形同步的4K清晰度且达到真实照片逼真程度的虚拟说话人视频的技术。

3. 模型原理

1. 训练阶段

(1) 使用AudioDVP中的3D重建模块，训练3D人脸重建模型，待训练完毕后，将其作为模块使用，可以从人脸图像中获取表情系数参数。

(2) 使用Wav2Lip与训练好的3D重建模块，制作A2E训练标签对，训练A2E模型

(3) 使用3D重建模型预测3DMM参数，对原始训练视频进行预测，并通过3D顶点渲染得到3D人脸面具，使用人脸Mask，得到3D半脸面具(脸颊下部分)

(4) 使用3D半脸面具作为输入，原始视频人脸下半脸颊部分(Mask遮罩区域)作为输出，训练Nerual Renderer模型(类似于Pixel2Pixel网络)

2. 测试阶段

(1) 输入测试Audio通过A2E模型得到3DMM expression系数

(2) 输入原始训练视频，通过3D重建模型得到纹理、形状、光照、姿态等3DMM系数

(3) 合并(1)(2)系数，经过3D顶点渲染得到3D人脸面具，并且通过Mask遮罩仅使用人脸面具的脸颊部分

(4) 使用Neural Renderer网络将3D半脸面具转化为真实的人脸下半部分，并且根据Mask形式贴合到原始训练视频

4. 个人解读

4.1 优点

1. 对训练的视频时长及要求可以进一步降低

在这里训练视频仅仅起到了训练3D重建模型及3DFace-->realFace模型的作用，Audio2Expression模型的数据是由LRS2提供的。论文中提及仅需要3分钟训练视频即可有比较好的表现效果。

2. 使用Wav2Lip优化音画同步效果

作者认为，Wav2Lip具有比较好的音画同步效果，因此使用它生成低清真实人脸，再使用3D人脸重建模块获取的Expression也与Audio具有比较好的同步效果，作者将它们作为标签对，训练A2E模型。在消融实验中，论文中也展示了wav2lip获取伪标签的方式，对音画同步的提升效果。

4.2 存在问题

1. 训练步骤繁琐

针对每一个不同人，论文都需要重新训练人脸3D重建模型，都需要使用Wav2lip获取LRS2 Audio对应的Expression标签，然后重新训练A2E模块，再训练3Dface--->realFace(pixel2pixel)，训练繁琐且都需要专人专训练。

2. 3D重建模型训练与低清图像质量不匹配

Wav2Lip生成图像尺寸为96x96，而AudioDVP中的3D重建模型输入尺寸为256x256，因此使用之获取wav2lip生成图像的expression时，需对之进行上采样与插值，不可避免引入模糊，存在重建expression的问题。这里后续可以考虑使用微软官方在大规模数据上训练的3D重建模型。

5. 参考

wav2lip_train | Kaggle

语音语义创新Lab_News_聚焦虚拟说话人生成技术，华为云论文被人工智能语音领域顶级会议ICASSP2022接收

[2008.10010] A Lip Sync Expert Is All You Need for Speech to Lip Generation In The Wild

Photorealistic Audio-driven Video Portraits | Christian Richardt