最近，迪士尼研究院聯(lián)合東安格利亞大學(xué)、加利福尼亞理工大學(xué)和卡內(nèi)基梅隆大學(xué)的研究人員，發(fā)布了一篇題為“A Deep Learning Approach for Generalized Speech Animation”的論文，闡述了通過(guò)深度學(xué)習(xí)來(lái)實(shí)現(xiàn)程序語(yǔ)音動(dòng)畫(huà)的方法。該方法采樣完人們的錄音后，即可自動(dòng)生成與語(yǔ)音相匹配的口型動(dòng)畫(huà)。

據(jù)了解，這是一個(gè)借助深度學(xué)習(xí)方法進(jìn)行訓(xùn)練的系統(tǒng)，它能夠分析來(lái)自任何揚(yáng)聲器的音頻，學(xué)習(xí)從語(yǔ)音標(biāo)簽輸入序列到口部運(yùn)動(dòng)的任意非線性映射，然后系統(tǒng)會(huì)自動(dòng)生成相應(yīng)的口形以及符合語(yǔ)音的面部模型。

如果應(yīng)用到虛擬現(xiàn)實(shí)中，可以讓虛擬的人物形象在說(shuō)話的時(shí)候保持和現(xiàn)實(shí)中用戶相同的口型變化，讓VR社交應(yīng)用的VR形象更加逼真。而且對(duì)于虛擬化身語(yǔ)音動(dòng)畫(huà)來(lái)說(shuō)，雖然口型追蹤是比較準(zhǔn)確的方法，但是在這種口型追蹤硬件普及之前，迪士尼研究院的程序語(yǔ)音動(dòng)畫(huà)是一個(gè)行之有效的好方式。

另外，在一些VR社交應(yīng)用中也有通過(guò)系統(tǒng)實(shí)現(xiàn)語(yǔ)音動(dòng)畫(huà)的方式，主要也是基于音頻來(lái)制作虛擬形象的口型動(dòng)畫(huà)，而基于深度學(xué)習(xí)的系統(tǒng)可以提供更高的準(zhǔn)確性以及細(xì)節(jié)度。