中科大&京东最新成果：让AI像真人一样演讲，手势打得惟妙惟肖

丰色 发自 凹非寺
量子位 | 公众号 QbitAI

人类在说话时会自然而然地产生肢体动作，以此来增强演讲效果。

现在，来自中科大和京东的研究人员，给AI也配备了这样的功能——

随便丢给它一段任意类型的演讲音频，它就能比划出相应的手势：

配合得非常自然有没有？

对于同一个音频，它还能生成多种不一样的姿势：

由于每个人的习惯并不相同等原因，演讲和肢体动作之间并没有一套固定的对应关系，这也导致完成语音生成姿势这一任务有点困难。

△ 极具代表性的意大利人讲话手势

大多数现有方法都是以某些风格为条件，以一种确定性的方式将语音映射为相应肢体动作，结果嘛，也就不是特别理想。

受语言学研究的启发，本文作者将语音动作的分解为两个互补的部分：姿势模式（pose modes）和节奏动力（rhythmic dynamics），提出了一种新颖的“speech2gesture”模型——FreeMo。

FreeMo采用“双流”架构，一个分支用于主要的姿势生成，另一个分支用于“打节奏”，也就是给主要姿势施加小幅度的节奏动作（rhythmic motion），让最终姿势更丰富和自然。

前面说过，演讲者的姿势主要是习惯性的，没有常规语义，因此，作者也就没有对姿势生成的形式进行特别约束，而是引入条件采样在潜空间学习各种姿势。

为了便于处理，输入的音频会被分成很短的片段，并提取出语音特征参数MFCC和演讲文本。

主要姿势通过对演讲文本进行关键字匹配生成。

语音特征参数MFCC则用于节奏动作的生成。

节奏动作生成器采用卷积网络构成，具体过程如图所示：

M_A和M_B是训练集中随机抽取的两个动作序列。

红色框表示动作序列平均姿势的偏移量。通过交换俩个序列的偏移量，模型就可以在不影响主要姿势的情况下进行“节奏”控制。

FreeMo的训练和测试视频包括专门的Speech2Gesture数据集，里面有很多电视台主持人的节目。

不过这些视频受环境干扰严重（比如观众的喝彩声），以及主持人可能行动有限，因此作者还引入了一些TED演讲视频和Youtube视频用作训练和测试。

对比的SOTA模型包括：

• 采用RNN的Audio to Body Dynamics (Audio2Body)

• 采用卷积网络的Speech2Gesture (S2G)

• Speech Drives Template (Tmpt，配备了一组姿势模板)

• Mix StAGE（可以为每一个演讲者生成一套风格）

• Trimodal-Context (TriCon，同样为RNN，输入包括音频、文本和speaker)

衡量指标一共有三个：

（1）语音和动作之间的同步性；
（2）动作的多样性；
（3）与演讲者的真实动作相比得出的质量水平。

结果是FreeMo在这三个指标上都超越5个SOTA模型获得了最好的成绩。

△ 同步性得分，越低越好

△ 多样性和质量水平得分

ps. 由于5个SOTA模型在本质上都是学习的确定性映射，因此不具备多样性。

一些更直观的质量对比：

最左上角为真实演讲者的动作，可以看到FreeMo的表现最好（Audio2Body也还不错）。

一作为Xu Jing，来自中科大。

通讯作者为京东AI平台与研究部AI研究院副院长，京东集团技术副总裁，IEEE Fellow梅涛。

剩余3位作者分别位来自京东AI的研究员Zhang Wei、白亚龙以及中科大的孙启彬教授。

论文地址：
https://arxiv.org/abs/2203.02291

代码已开源：
https://github.com/TheTempAccount/Co-Speech-Motion-Generation

本文来自微信公众号 “量子位”（ID：QbitAI），36氪经授权发布。