利用語音直接畫出人臉,AI再添新能力

聽聲辨人，利用聲紋進行解鎖，這種技術已廣泛應用，人類的聲音含有該個體的一定特征，從而可以進行區(qū)分。那么僅通過聲音，能否畫出人像，并且盡可能地與講話者相似呢？

近日，卡內(nèi)基梅隆大學的Yandong Wen 等人，利用生成對抗網(wǎng)絡模型（generative adversarial networks, GANs）首次對這一問題作出研究，利用講話者的語音生成一些匹配原說話者面部特征的人臉，并用交叉模態(tài)匹配（cross-modal matching task）評估了模型表現(xiàn)，可謂是語音畫像領域的一大突破。

模型框架

一個人的聲音和骨骼結構、發(fā)聲部位的形狀等特征的確有關，但利用語音直接畫出人臉，如何做到？

該由聲音重建人臉的模型框架主要由四個卷積網(wǎng)絡：語音嵌入模型（voice embedding network）、生成器（Generator）、判別器（Discriminator）、分類器（classifier）組成。

語音嵌入模型（voice embedding network）將輸入的語音數(shù)據(jù)，梅爾倒頻譜（log mel-spectrograms）轉(zhuǎn)換為含有該聲音特征的向量 e。該模型含有 5 層一維卷積神經(jīng)網(wǎng)絡，每一層均是經(jīng)由卷積核為 3、步長為 2、padding 為 1 得到，并且都經(jīng)過歸一化層處理和 ReLU 單元激活，最后經(jīng)過平均池化得到一個 64 維的向量。此模型是通過一個語音識別任務預先訓練得到參數(shù)，并且參數(shù)在生成人臉的訓練過程中保持不變。生成器（Generator）輸入為語音嵌入模型產(chǎn)生的向量 e，輸出是人臉 RGB 圖像 f'，由 6 層二維反卷積網(wǎng)絡構成，激活函數(shù)采用 ReLU。

判別器（Discriminator）判斷輸入的圖像 f（或 f'）是生成器偽造的圖像還是真實的人臉，如果判斷為偽造圖會加大損失 Ld。由 6 層激活單元為 Leaky ReLU 的二維卷積網(wǎng)絡構成，最后經(jīng)過全連接層得到人臉圖像數(shù)據(jù)。

分類器（classifier）用來將人臉圖像與說話者匹配，如果匹配錯誤會加大損失 Lc。該模型由 6 層二維卷積網(wǎng)絡和一個全連接層組成。具體的結構如圖表，其中 Conv 3/2,1代表卷積核尺寸為 3，步長為 2，padding 填充為 1。

圖 | 從聲音重建人臉模型的具體結構。（來源：Yandong Wen, et al./CMU）模型通過最小化判別器與分類器的交叉熵損失 Ld 和 Lc 來訓練，以期得到圖像逼真且符合說話者特征的人臉。值得一提的是，此模型的測試集和訓練集以及驗證集相互獨立，即測試時的聲音是未聽過的，人臉也未知。

模型表現(xiàn)

不特意挑選那些人臉和真實講話者完美一致的結果，一般來講，該模型的確能輸出具有講話者特征的人臉，即使不完全一模一樣，從種族以及一些其他典型的面部特征來看，這個模型的確學習到了一些信息，輸出結果和原講話者非常像，并且語音時間越長，匹配的特征越多，兩者越類似。

圖 | 從不同時長的正常錄音生成人臉的結果圖，右側(cè)Ref為真實講話者的不同臉部照片，從上到下的 4 位 Speaker 分別是 Danica McKellar, Cindy Williams, Damian Lewis, and Eva Green. （來源：Yandong Wen, et al./CMU）當然，性別及年齡特征也可以很好地被學習到，左側(cè)輸出結果的年齡和性別與右側(cè)真實人臉的年齡性別保持一致。在整個測試集上，生成圖和真實講話者性別相同的概率可以達到 96.5%。

圖 | 從性別年齡的人臉重建，（a）是從老年聲音生成的人臉；（b）是男性聲音生成的人臉；（c）是女性聲音生成的人臉。其中左側(cè)為生成圖，右側(cè)為真實講話者。（來源：Yandong Wen, et al./CMU）如果用同一個人的不同語音片段，推測產(chǎn)生的人臉會保持相同特征嗎？模型結果告訴我們，是這樣。選用同一個講話者的 7 個不同語音片段，不特意挑選完美結果，模型所推測出的大概特征是十分一致的，這也側(cè)面說明，模型的確可以從一個人的語音抽取出一些特征，映射成其臉部的某些特征。

圖 | 利用一個人的 7 段不同語音重建人臉，左圖（a）是重建的 7 張人臉圖，右圖（b）是對應的真實人臉在不同情況的照片（來源：Yandong Wen, et al./CMU）進一步來講，如果從語音中學到的特征真的可以映射成面部的特征，那么生成人臉圖必定和真實講話者的臉部是對應匹配的。換句話說，聲音中的特征可以被生成人臉中蘊含的特征替代，那么由聲音重組人臉就變成了人臉識別問題，兩張臉（生成的和真實的）匹配，那么計劃可行，這個匹配率也就成了衡量模型表現(xiàn)的指標。在整個訓練集和測試集上，該模型的匹配率分別是 96.83% 和 76.07%；將訓練集和測試集按照性別分層，排除性別這一特征的助力，也就是直接比較同一性別上，生成的人臉和講話者是否相像，匹配率在訓練集和測試集上分別是 93.98%和 59.69%，這也證明了模型所學到的信息不僅僅是性別，還有其他更詳細的面部特征。該模型表現(xiàn)不僅優(yōu)于 DIMNets-G，同時，測試集表現(xiàn)不如訓練集，說明模型還有很大提升空間。

圖 | 不同模型在性別分層以及不分層的數(shù)據(jù)集上的表現(xiàn)。（來源：Yandong Wen, et al./CMU）

展望

該模型雖然表現(xiàn)尚佳，但仍有可提升的地方，比如頭發(fā)和圖像背景等與聲音無關的特征，可以進行數(shù)據(jù)清洗將其去除，而有一些明顯與發(fā)聲有關的面部特征也可以加以利用，從而模型會更加精確。

總的來說，由音生貌，語音畫像問題的一塊空白得到了填補。