【科技】将声音片段变成能口型一致的视频，仅需1小时

本篇文章860字，读完约2分钟

【每日科技网】

近日，据媒体报道，美国研究人员开发了一种机器学习算法，可以将声音片段变成能口型一致的视频文案。

研究人员展示的这段视频显示了美国前总统巴拉克·奥巴马(barack obama)谈论恐怖主义等多家话题的场景，但这实际上却是采用现有的视频演讲人工生成的片段。

该系统对神经互联网进行训练，使之学会观看人类讲话的视频，然后将音频文件转化成真实的口型。之后再将其嫁接到视频中的人脸上。为了实现这一目标，他们将该校图形实验室之前的研究成果，与最新的口型合成技术结合起来。

该技术还可以实现小幅时移，从而让神经互联网预测说话者接下来所要表达的文案。该团队之所以选择奥巴马，是因为这套系统需要14小时的视频进行学习，而作为全世界上镜率最高的人之一，奥巴马显然是最佳人选。

skype或messenger这样的视频聊天工具未来可以让任何人收集视频，然后对电脑进行训练。华盛顿大学的伊拉·开梅尔马切-什利泽曼(ira kemelmacher-shlizerman)说。

由于通过网络传输音频所需的带宽远低于视频，所以这套新系统或许可以终结故障频频的视频聊天。

当你采用skype或google hangouts聊天时，会发现连接不太顺畅，分辨率也很低，这令人很不高兴，但音频往往很好。该论文的联合作者、艾伦学院教授史蒂夫·赛茨(steve seitz)说，所以，如果可以采用音频生成更优质的视频，那就太好了。

之前的音频转视频技术要点是录制多家人反复说同一句话的视频，然后尝试捕捉声音与不同口型之间的关联性。但这一过程价钱高昂，而且非常费时。

通过将这一过程调转过来将视频提供给互联网，而不仅仅是音频该团队可能开发各种算法来评估一段视频的真伪。然而，这种神经互联网目前只能一次学习一个体。

你不能随便找个体就把它的声音转化成奥巴马的视频。赛茨说，我们对此非常谨慎，不希望从某个体嘴里说出其他人的话。我们只是把某人说过的话变成此人的视频。

来自华盛顿大学的研究人员相信，该系统可以最终用于改进视频通话，甚至明确某段视频的真伪。