本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

曾造出無數“小視頻”、惡搞過多位明星的知名換臉神器Deepfakes，這下被降維打擊了。

這個新AI不再是篡改視頻了，而是直接把一張靜態的照片變成視頻。

像這樣，一張施瓦辛格：

開始說話了：

饒舌歌手Tupac Shakur：

也能張嘴了：

只要有一張靜態的人臉照片，甭管是誰，在這個新AI的驅動下，任意配上一段語音，就能張嘴說出來。

當然，除了說話之外，唱歌也毫無問題，比如讓生活在一百多年前的“俄羅斯妖僧”拉斯普京唱碧昂絲的Halo。

雖然聲音和性別不太匹配，但是畫面和歌曲組合起來有種莫名的鬼畜感呢。

你也別以為這個AI只能給照片對口型，它還可以讓這個說話的人擁有喜怒哀樂各種情緒。

開心的：

難過的：

炸毛的：

這眉眼，這目光，這臉部肌肉，得拯救多少“面癱”演員啊！

這項研究來自帝國理工學院和三星，研究者們還準備了一套包含24個真假難辨的視頻的圖靈測試，我們簡單測了一下，只能猜對一半左右。

也就是說，這些AI生成的“真假美猴王”，足以蒙騙人類了。

相比此前的斯坦福輸入任意文本改變視頻人物口型的研究，以及三星的說話換臉，實現難度可以說高了很多。

不少網友聞之色變：

現在是拉斯普京唱Halo，以后會不會整出川普向墨西哥選戰啊，感覺怕怕的。

連科技媒體The Verge都評價說：

這樣的研究總讓人們擔憂，怕它會被用在謠言和政治宣傳上，實在是讓美國立法者們傷腦筋。當然，你也可以說這種在政治領域的威脅沒那么嚴重，但deepfakes已經確確實實傷害了一些人，尤其是女性，在未經同意的情況下被用來制造了又難堪又羞辱的色情視頻。

也有人覺得，等技術普及之后會給做壞事的人掩蓋的理由：

等這技術成熟了，川普真的干壞事的小視頻出來，他就可以輕描淡寫的說這是假視頻。

呵呵，真棒，以后壞人們被捏到把柄的時候，就都能說“沒有的事啦，是假視頻。”

多鑒別器結構

如何用一張照片做出連貫視頻？研究人員認為，這需要時序生成對抗網絡（Temporal GAN）來幫忙。

邏輯上不難理解，如果想讓生成的假視頻逼真，畫面上至少得有兩點因素必須滿足：

一是人臉圖像必須高質量，二是需要配合談話內容，協調嘴唇、眉毛等面部五官的位置。也不用動用復雜的面部捕捉技術，現在，只用機器學習的方法，就能自動合成人臉。

這中間的秘訣，就在于時序生成對抗網絡，也就是Temporal GAN，此前在2018年提出過這個研究。

這是一個端對端的語音驅動的面部動畫合成模型，通過靜止圖像和一個語音生成人臉視頻。

在Temporal GAN中有兩個鑒別器，一個為幀鑒別器，確保生成的圖像清晰詳細，另一個是序列鑒別器，負責響應聽到的聲音并產生對應的面部運動，但效果并不那么優異。

△ Temporal GAN模型示意圖

論文End-to-End Speech-Driven Facial Animation with Temporal GANs 地址：

https://arxiv.org/abs/1805.09313

在這項工作，研究人員借用這種時序生成對抗網絡，使用兩個時間鑒別器，對生成的視頻進行視聽對應，來生成逼真的面部動作。

同時還鼓勵模型進一步自發產生新的面部表情，比如眨眼等動作。

所以，最新版基于語音的人臉合成模型來了。模型由時間生成器和3個鑒別器構成，結構如下：

這是一個井然有序的分工結構，生成器負責接收單個圖像和音頻信號作為輸入，并將其分割為0.2秒的重疊幀，每個音頻幀必須以視頻幀為中心。

這個生成器由內容編碼器（Content Encoder)，一個鑒別編碼器（Identity Encoder）、一個幀解碼器（Frame Decoder）和聲音解碼器（Noise Generator）組成，不同模塊組合成一個可嵌入模塊，通過解碼網絡轉換成幀。

這個系統使用了多個鑒別器來捕捉自然視頻的不同方面，各部分各司其職。

幀鑒別器（Frame Discriminator）是一個6層的卷積神經網絡，來決定一幀為真還是假，同時實現對說話人面部的高質量視頻重建。

序列鑒別器（Sequence Discriminator）確保各個幀能形成一個連貫的視頻，顯示自然運動。

同步鑒別器（Synchronization Discriminator）加強了對視聽同步的要求，決定畫面和音頻應該如何同步。它使用了兩種編碼器獲取音頻和視頻的嵌入信息，并基于歐式距離給出判斷。

同步鑒別器的結構如下：

就是這樣，無需造價高昂的面部捕捉技術，只需這樣一個網絡，就能將一張照片+一段音頻組合成流暢連貫的視頻了。

30多篇CVPR的作者

這項研究共有三位作者，分別為Konstantinos Vougioukas、Stavros Petridis和Maja Pantic，均來自倫敦帝國學院iBUG小組，主攻智能行為理解，其中二作和三作也是英國三星AI中心的員工。

一作Konstantinos Vougioukas2011年在佩特雷大學獲得電氣與計算機工程專業的本科學位后，奔赴愛丁堡大學攻讀人工智能方向的碩士學位。

現在，Konstantinos Vougioukas在倫敦帝國學院的Maja Pantic教授（本文三作）的指導下攻讀博士，主要研究方向為人類行為合成和面部行為合成。

Maja Pantic教授是iBUG小組的負責人，也是劍橋三星AI中心的研究主任，她在面部表情分析、人體姿態分析、情緒和社會信號是挺分析等方面發表過超過250篇論文，引用次數超過25000次。

從2005年開始，Maja Pantic帶學生發了30多篇CVPR（包含workshop）論文。

Maja Pantic教授主頁：

https://ibug.doc.ic.ac.uk/people/mpantic

傳送門

論文Realistic Speech-Driven Facial Animation with GANs地址：

https://arxiv.org/abs/1906.06337

項目主頁：

https://sites.google.com/view/facial-animation

GitHub：

https://github.com/DinoMan/speech-driven-animation