本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
同样的脸，放上不同的声音，还可以做到如此同步。
当DeepFake口型造假，效果是这样。
有没有发现这几个人语音语调完全相同。
闭眼一听，完全猜不到到底是谁？吴恩达？马斯克？到底是谁在说话？
而和原有的视频对比，面部变化也不明显，效果非常自然。
△用YouTube知名数码博主Linus配口型
这是一个名为Wav2Lip的模型——用来生成准确的唇语同步视频的新方法，来自印度海德拉巴大学的新研究。
任何人物身份，甚至包括卡通人物，任何语音和语言，都可以将口型视频高精度同步到任何目标语音。
目前该项目已开源，可以去体验一下Demo版～只需上传20s的视频和音频文件就可以一键生成。
这项研究在Reddit上一经发布，21小时内就获得200+的热度。
对于这项研究的应用前景，作者说，可以应用在外文在线讲座、配音电影、新闻发布会，让人物和声音的融合更加自然，还省去大量的人力物力。
嗯，胥渡吧、淮秀帮这些配音团队或许可以用的上！
Wav2Lip模型
现有的研究，主要聚焦于在静态图像、或是对视频中的特定人物生成准确的唇语动作。
但问题在于，无法准确的对动态图像，比如正在说话的人物，唇部动作进行变形，从而导致内容与新音频无法做到完全同步。
就像是当你在看音画不同步的电影时，是不是很难受。
于是，研究人员找到了出现这一问题的关键原因，并通过一个「唇语同步辨别器」来解决。
具体而言，有两个关键原因，现有研究中所使用的损失函数，即L1重构损失和LipGAN中的判别器损失都不能减少错误的唇语同步生成。
于是，研究人员就直接通过一个预先训练好的判别器「well-trained lip-sync expert」，来检测唇语同步的错误，这一判别结果已经相当准确。
此外，研究人员还发现，在产生噪声的面孔上进一步微调，会阻碍判别器测量唇部同步的能力，从而也会影响生成的唇形。
最后，还采用视觉质量鉴别器来提高视觉质量和同步精度。
举个例子，黄色和绿色框的是本次提出的模型，红色框为现有的最佳方法，文字是他们正在说的语句。
可以看到模型产生的唇形比现有的唇形更加准确、自然。
模型训练结果
在模型训练阶段，作者提出了两个新指标， “Lip-Sync Error-Distance”（越低越好）和 “Lip-Sync Error-Confidence”（越高越好），这两个指标可以测量视频的中的唇语同步精度。
结果发现，使用Wav2Lip生成的视频几乎和真实的同步视频一样好。
需要注意的是，这个模型只在LRS2上的训练集上进行了训练，在对其他数据集的训练时需要对代码进行少量修改。
进一步的，还对现实的三种视频类型进行了评估。
结果均表明，Wav2Lip模型都能产生高质量、准确的唇语同步视频，不过，在对TTS生成的语音进行唇语同步时，还有改进的空间。
你觉得这项研究如何？
目前，项目已经开源，可以自行去体验一下Demo版哦～
再次提醒：只需上传20s的视频和音频文件，就可以一键生成哦！
论文地址：
https://arxiv.org/abs/2008.10010
Demo演示视频：
https://www.youtube.com/watch?v=SeFS-FhVv3g&feature=youtu.be
GitHub地址：
https://github.com/Rudrabha/Wav2Lip
Demo网址：
https://bhaasha.iiit.ac.in/lipsync/
