來自UC Berkeley和MIT的研究人員開發(fā)了一種AI算法，可以根據(jù)說話聲音來預測說話人將作出怎樣的肢體動作。所預測的動作十分自然、流暢，本文帶來技術解讀。

人在說話的時候，常常伴隨著身體動作，不管是像睜大眼睛這樣細微的動作，還是像手舞足蹈這樣夸張的動作。

最近，來自UC Berkeley和MIT的研究人員開發(fā)了一種AI算法，可以根據(jù)說話聲音來預測說話人將作出怎樣的肢體動作。

研究人員稱，只需要音頻語音輸入，AI就能生成與聲音一致的手勢。具體來說，他們進行的是人的獨白到手勢和手臂動作的“跨模態(tài)轉換”(cross-modal translation)。相關論文發(fā)表在CVPR 2019上。

研究人員收集了10個人144小時的演講視頻，其中包括一名修女、一名化學教師和5名電視節(jié)目主持人(Conan O’Brien, Ellen DeGeneres, John Oliver, Jon Stewart, 以及Seth Meyers)。

演講視頻數(shù)據(jù)集

他們使用現(xiàn)有的算法生成代表說話者手臂和手位置的骨架圖形。然后他們用這些數(shù)據(jù)訓練了自己的算法，這樣AI就可以根據(jù)說話者的新音頻來預測手勢。

圖1：從語音到手勢的轉換的示例結果。由下往上：輸入音頻、由我們的模型預測的手臂和手的姿態(tài)，以及由Caroline Chan等人在“Everybody Dance Now”論文中提出的方法合成的視頻片段。

研究人員表示，在定量比較中，生成的手勢比從同一說話者者隨機選擇的手勢更接近現(xiàn)實，也比從一種不同類型的算法預測的手勢更接近現(xiàn)實。

圖2：特定于說話者的手勢數(shù)據(jù)集

說話者的手勢也是獨特的，對一個人進行訓練并預測另一個人的手勢并不奏效。將預測到的手勢輸入到現(xiàn)有的圖像生成算法中，可以生成半真實的視頻。

研究團隊表示，他們的下一步是不僅根據(jù)聲音，還根據(jù)文字稿來預測手勢。該研究潛在的應用包括創(chuàng)建動畫角色、動作自如的機器人，或者識別假視頻中人的動作。

為了支持對手勢和語音之間關系的計算理解的研究，他們還發(fā)布了一個大型的個人特定手勢視頻數(shù)據(jù)集。

方法詳解：兩階段從語音預測視頻

給定原始語音，我們的目標是生成說話者相應的手臂和手勢動作。

我們分兩個階段來完成這項任務——首先，由于我們用于訓練的唯一信號是相應的音頻和姿勢檢測序列，因此我們使用L1回歸到2D關鍵點的序列堆棧來學習從語音到手勢的映射。

其次，為了避免回歸到所有可能的手勢模式的平均值，我們使用了一個對抗性鑒別器，以確保產(chǎn)生的動作相對于說話者的典型動作是可信的。

任何逼真的手勢動作都必須在時間上連貫流暢。我們通過學習表示整個話語的音頻編碼來實現(xiàn)流暢性，該編碼考慮了輸入語音的完整時間范圍s，并一次性(而不是遞歸地)預測相應姿勢的整個時間序列p。

我們的完全卷積網(wǎng)絡由一個音頻編碼器和一個1D UNet轉換架構組成的，如圖3所示。

圖3：語音到手勢的翻譯模型。

一個 convolutional audio encoder對2D譜圖進行采樣并將其轉換為1D信號。然后，平移模型G預測相應的2D姿勢序列堆棧。對真實數(shù)據(jù)姿勢的L1回歸提供了一個訓練信號，而一個對抗性辨別器D則確保預測的動作既具有時間一致性，又符合說話者的風格。

我們使用UNet架構進行轉換，因為它的bottleneck為網(wǎng)絡提供了過去和未來的時間上下文，而skip connections允許高頻時間信息通過，從而能夠預測快速移動。

定量和定性結果

圖4：我們訓練過的模型是特定于人的。對于每個說話者的音頻輸入(行)，我們應用所有其他單獨訓練的說話者模型(列)。顏色飽和度對應于待測集上的L1損耗值(越低越好)。對于每一行，對角線上的項都是顏色最淺的，因為模型使用訓練對象的輸入語音效果最好。

表1：在測試集上使用L1損失的語音到手勢轉換任務的定量結果(越低越好)

圖5：語音到手勢轉換的定性結果。我們展示了Dr. Kubinec(講師)和Conan O’Brien(節(jié)目主持人)的輸入音頻頻譜圖和預測手勢。