PersonaTalk - 字节跳动推出的实现高保真和个性化视觉配音框架

PersonaTalk是什么

PersonaTalk是字节跳动推出的基于注意力机制的两阶段框架，用在实现高保真度和个性化的视觉配音。PersonaTalk能在合成与目标音频精准唇形同步的视频的同时，保留说话者的独特说话风格和面部细节。第一阶段涉及风格感知的音频编码和唇形同步几何生成，第二阶段用双注意力面部渲染器渲染目标几何图形的纹理。PersonaTalk在视觉质量、唇形同步精度和个性保留方面展现出比现有技术更优的性能（包括Wav2Lip、VideoReTalking、DINet和IP_LAP），作为一个通用框架，能达到与特定人方法相媲美的效果。

PersonaTalk的主要功能

• 唇形同步：确保视频中人物的嘴型动作与输入音频精确匹配。
• 个性保留：在视频合成过程中，保留说话者的独特风格和面部特征。
• 风格感知：基于分析说话者的3D面部几何信息，学习说话者说话风格，融入到音频特征中。
• 双注意力面部渲染：用Lip-Attention和Face-Attention两个并行的注意力机制，分别处理唇部和其他面部区域的纹理渲染，生成具有丰富细节的面部图像。

PersonaTalk的技术原理

• 几何构建：
  • 风格感知音频编码：用HuBERT等预训练模型将音频信号转换为丰富的上下文语音表示，基于交叉注意力层将说话风格注入音频特征中。
  • 唇形同步几何生成：用风格化的音频特征驱动说话者的模板几何形状，基于多个交叉注意力和自注意力层生成与音频同步的唇形几何形状。
• 面部渲染：
  • 几何与纹理编码：将参考视频的几何形状和纹理编码到潜在空间中，便于后续的处理。
  • 双注意力纹理采样：基于两个并行的交叉注意力层（Lip-Attention和Face-Attention），分别从不同的参考帧中采样唇部和面部的纹理。
  • 参考帧选择策略：为唇部和面部纹理选择不同的参考帧，增强纹理采样的多样性和全局一致性。
  • 纹理解码：将采样的纹理从潜在空间解码回像素空间，保护面部几何结构，生成最终的面部图像。

PersonaTalk的项目地址

• 项目官网：grisoon.github.io/PersonaTalk
• arXiv技术论文：https://arxiv.org/pdf/2409.05379

PersonaTalk的应用场景

• 电影和视频制作：在电影后期制作中，PersonaTalk为角色配音，特别是当原始录音不满意或需要更改语言时，生成与角色嘴型同步的配音视频。
• 视频游戏：在游戏开发中，用在生成非玩家角色（NPC）的逼真对话，提供更加沉浸式的游戏体验。
• 虚拟助手和数字人：为虚拟助手或数字人提供更加自然和逼真的语音及面部表情同步，提升用户交互体验。
• 语言学习应用：在语言学习软件中，P生成教师或虚拟角色的唇形同步视频，帮助学习者更好地学习和模仿发音。
• 新闻和媒体广播：用在将新闻主播的讲话翻译成不同语言，保持原有的面部表情和嘴型，提高多语言广播的自然度和准确性。