JP2017167779A - 画像処理装置、表示装置、アニメーション生成方法、アニメーション表示方法及びプログラム - Google Patents

画像処理装置、表示装置、アニメーション生成方法、アニメーション表示方法及びプログラム Download PDF

Info

Publication number
JP2017167779A
JP2017167779A JP2016051932A JP2016051932A JP2017167779A JP 2017167779 A JP2017167779 A JP 2017167779A JP 2016051932 A JP2016051932 A JP 2016051932A JP 2016051932 A JP2016051932 A JP 2016051932A JP 2017167779 A JP2017167779 A JP 2017167779A
Authority
JP
Japan
Prior art keywords
facial expression
animation
voice
facial
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2016051932A
Other languages
English (en)
Other versions
JP6711044B2 (ja
Inventor
翔一 岡庭
Shoichi Okaniwa
翔一 岡庭
弘明 根岸
Hiroaki Negishi
弘明 根岸
成克 森谷
Shigekatsu Moriya
成克 森谷
祐和 神田
Sukekazu Kanda
祐和 神田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Casio Computer Co Ltd
Original Assignee
Casio Computer Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Casio Computer Co Ltd filed Critical Casio Computer Co Ltd
Priority to JP2016051932A priority Critical patent/JP6711044B2/ja
Priority to US15/388,053 priority patent/US10304439B2/en
Priority to CN201710059946.9A priority patent/CN107204027B/zh
Publication of JP2017167779A publication Critical patent/JP2017167779A/ja
Application granted granted Critical
Publication of JP6711044B2 publication Critical patent/JP6711044B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/268—Morphological analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—Three-dimensional [3D] animation
    • G06T13/40—Three-dimensional [3D] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/42—Data-driven translation
    • G06F40/47—Machine-assisted translation, e.g. using translation memory
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Processing Or Creating Images (AREA)

Abstract

【課題】顔画像に基づいて生成されるアニメーションの表現力を向上させる。【解決手段】表示装置10の制御部11は、音声データAをテキスト変換したテキストデータBに基づいて、当該テキストデータBに対応する音声の出力とともに表示される顔画像に音声に対応する表情を付加し、表情が付加された顔画像に含まれる口を音声に応じて動かすアニメーションを生成する。【選択図】図2

Description

本発明は、画像処理装置、表示装置、アニメーション生成方法、アニメーション表示方法及びプログラムに関する。
従来、コンテンツの輪郭の形状に形成されたスクリーンにコンテンツを投影することにより、閲覧者に対して印象を高めることができる映像出力装置が知られている(特許文献1参照)。例えば、人の形状のスクリーンに人が商品等を説明する動画コンテンツを投影することで、あたかもそこに人が立っているかのような存在感のある投影像が得られる。
また、近年、1枚の顔画像と音声データに基づいて、音声に合わせて顔画像の口を動かすリップシンクアニメーションを生成する技術が利用されている。リップシンクアニメーションでは、例えば、発音される音の母音に応じて口の形状を変化させている。
特開2011−150221号公報
ところで、特許文献1に記載のように、人の形状のスクリーンを用いる場合、1枚の顔画像からリップシンクアニメーションを生成し、これをコンテンツとして表示することが好ましい。人物を撮影した動画像をコンテンツとして用いた場合、撮影時に人が動いてしまうと人物像がスクリーンに収まらなくなり煩雑な調整が必要となるからである。
しかしながら、リップシンクアニメーションは、音に応じて口を動かすだけであるので、表現力に乏しいという問題があった。
本発明は、顔画像に基づいて生成されるアニメーションの表現力を向上させることである。
上記課題を解決するため、本発明に係る画像処理装置は、
音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段と、
前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段と、
を備える。
本発明によれば、顔画像に基づいて生成されるアニメーションの表現力を向上させることができる。
画像処理装置の機能的構成を示すブロック図である。 図1の制御部により実行されるアニメーション生成処理を示すフローチャートである。
以下、図面を参照して本発明の実施形態について説明する。以下の実施形態では、本発明に係る画像処理装置及び表示装置を表示装置10に適用した場合を例にとり説明する。なお、本発明は、図示例に限定されるものではない。
[表示装置10の構成]
図1は、本実施形態に係る表示装置10の機能的構成を示すブロック図である。
表示装置10は、制御部11と、操作部12と、表示部13と、音声出力部14と、通信部15と、メモリ16と、記憶部17と、を備え、各部はバス18を介して接続されている。表示装置10は、映像加工が可能な画像処理装置を含んで構成される。
制御部11は、記憶部17に記憶されている各種のプログラムを実行して所定の演算や各部の制御を行うCPU(Central Processing Unit)により構成される。制御部11は、記憶部17に記憶されているプログラムPとの協働により、図2に示すアニメーション生成処理を実行し、生成されたアニメーションの映像データH1又はH2に基づいて、表示部13にアニメーションを表示させる。制御部11は、表情付加手段、生成手段、翻訳手段として機能する。
操作部12は、カーソルキー、文字入力キー、テンキー及び各種機能キー等を備えたキーボードと、マウス等のポインティングデバイスを備えて構成され、キーボードに対するキー操作やマウス操作により入力された指示信号を制御部11に出力する。
表示部13は、LCD(Liquid Crystal Display)等のモニタにより構成され、制御部11から入力される表示信号の指示に従って、各種画面を表示する。
音声出力部14は、スピーカ、D/A変換回路等を備え、制御部11からの制御に従って音声を出力する。
通信部15は、モデム、ルータ、ネットワークカード等により構成され、通信ネットワークに接続された外部機器との通信を行う。
メモリ16は、DRAM(Dynamic Random Access Memory)等の半導体メモリ等により構成され、表示装置10の各部によって処理されるデータ等を一時的に記憶する。
記憶部17は、HDD(Hard Disk Drive)や不揮発性の半導体メモリ等により構成される。記憶部17には、プログラムPを始めとする、制御部11が各種処理を実行するための各種プログラム、これらのプログラムの実行に必要なデータ等が記憶されている。
例えば、記憶部17には、アニメーションを生成する元となる音声データA及び顔画像データFが記憶されている。
音声データAは、人が発した音声を録音して得られたデータであり、リップシンクさせたいキャラクター(人物も含む)の音声として用いられる。音声データAとしては、音声以外の音(ノイズ、BGM等)が含まれていないものとする。また、本実施形態において、音声データAには、その音声の言語の情報を含むヘッダ情報が付加されている。
顔画像データFは、リップシンクさせたいキャラクターの顔を含む画像のデータであり、例えば、2次元の静止画データ、又は、3次元のポリゴンデータである。
また、記憶部17には、アニメーション生成処理において生成される映像データH1、H2が記憶される。映像データH1、H2は、動画(アニメーション)を構成する一連のフレーム画像と、各フレーム画像に対応する音声データにより構成されている。
また、記憶部17には、表情パラメータIが記憶されている。表情パラメータIは、表情(例えば、笑顔、怒った顔、泣いた顔、・・・)毎の目、口、眉毛等における特徴点の位置を示すパラメータである。所望の表情に対応する表情パラメータIに基づいて顔画像上の目、口、眉毛等の形状を調整することで、所望の表情を付加した顔画像を生成することができる。
また、記憶部17には、単語と、その単語からイメージされる表情の情報とを対応付けて記憶する単語・表情対応テーブルT1が記憶されている。
[表示装置10の動作]
次に、表示装置10の動作について説明する。
図2は、表示装置10において実行されるアニメーション生成処理を示すフローチャートである。アニメーション生成処理は、操作部12によりアニメーションの生成に使用する音声データA、顔画像データF及び生成するアニメーションの言語が指定され、アニメーションの生成が指示された際に、制御部11と記憶部17に記憶されているプログラムPとの協働により実行される。なお、言語としては、予め定められた複数の言語の中から指定が可能である。指定された音声データA、顔画像データF及び言語は、設定情報としてメモリ16に記憶される。
まず、制御部11は、操作部12により指定された音声データAを記憶部17から読み出し、音声データAをテキスト変換してテキストデータBを生成する(ステップS1)。
テキスト変換には、既存の音声認識技術を用いる。例えば、制御部11は、「ご来店ありがとうございます。」という音声データAを、「ごらいてんありがとうございます。」というテキストデータBに変換する。制御部11は、生成したテキストデータBをメモリ16に記憶させる。
次いで、制御部11は、テキストデータBから単語を検出し、単語データ群Cを生成する(ステップS2)。
単語の検出には、例えば、形態素解析等の既存の単語検出技術を用いる。例えば、制御部11は、「ごらいてんありがとうございます。」というテキストデータBから、「ご来店」、「ありがとう」、「ございます」の3つの単語を検出する。制御部11は、生成した単語データ群Cをメモリ16に記憶させる。
次いで、制御部11は、単語データ群Cに含まれる単語毎に、その単語に対応する表情の情報を取得し、各単語に対応する表情を示す単語表情データ群Dを生成する(ステップS3)。
例えば、制御部11は、単語データ群Cに含まれる単語データを最初の単語から順番に読み込み、単語毎に、記憶部17に記憶されている単語・表情対応テーブルT1においてその単語に対応付けて記憶されている表情の情報を取得して、単語表情データ群Dを生成する。例えば、「ご来店」に対応する表情として「文脈次第」、「ありがとう」に対応する表情として「笑顔」、「ございます」に対応する表情として「文脈次第」が取得される。ここで、「文脈次第」とは、文脈に合わせた表情であることを示す。制御部11は、生成した単語表情データ群Dをメモリ16に記憶させる。
次いで、制御部11は、単語表情データ群Dに基づいて、テキストデータBに含まれる各文(句読点で区切られる)に応じた表情を決定し、各文に対応する表情を示す文表情データ群Eを生成する(ステップS4)。
例えば、制御部11は、単語表情データ群Dを参照し、同一文内の単語に対応する表情のうち最も多い表情をその文の表情として決定する。例えば、上述の「ご来店ありがとうございます。」の場合、各単語に対応する表情は、「ご来店」→「文脈次第」、「ありがとう」→「笑顔」、「ございます」→「文脈次第」である。「文脈次第」は文脈に合わせた表情であることから無視し、「笑顔」をこの文の表情として決定する。制御部11は、生成した文表情データ群Eをメモリ16に記憶させる。
次いで、制御部11は、音データAと同じ言語でアニメーションを生成するか否かを判断する(ステップS5)。例えば、制御部11は、メモリ16に記憶されている設定情報に基づいて、音データAと同じ言語でアニメーションを生成するか否かを判断する。
音声データAと同じ言語でアニメーションを生成すると判断した場合(ステップS5;同じ言語)、制御部11は、音声データA、文表情データ群E、及び指定された顔画像データFに基づいて表情が付加されたリップシンクアニメーションを生成し、そのデータである映像データH1を記憶部17に記憶させ(ステップS6)、アニメーション生成処理を終了する。
ステップS6において、制御部11は、まず、音声データAと顔画像データFに基づいてアニメーションを構成する各フレームの口の形状データを生成する。
例えば、制御部11は、まず、顔画像データFにおける口の特徴点を取得する。例えば、画像認識により顔画像データFから口の輪郭を抽出し、輪郭上の特徴点の座標を取得する。次いで、制御部11は、音声データAの冒頭から順次フレーム1枚に相当する時間の音声データAtを取得する。ここで、生成するアニメーションのフレームレートをPf(フレーム/秒)、音声データAの再生時間をT(秒)とすると、1/Pf(秒/フレーム)ずつ音声データAtを取得する。次いで、制御部11は、各音声データAtを解析して母音を取得し、母音に応じた口の形状を、その音声データAtに対応するフレームの口の形状として決定する。そして、決定した口の形状となるように、顔画像データFの口の各特徴点の位置を変化させ、その変化させた各特徴点の座標を、その音声データAtに対応するフレームの口の形状データとしてフレーム番号に対応付けてメモリ16に記憶する。
次いで、制御部11は、顔画像データF及び文表情データ群Eに基づいて、各フレームの音声に対応する表情を付加した顔画像データを生成する。
まず、制御部11は、各フレームの顔画像に付加する表情を決定する。例えば、制御部11は、各フレームの音声データAtに対応する文を特定し、特定した文に対応する表情を文表情データ群Eに基づいて特定し、特定した表情を各フレームの顔画像に付加する表情として決定する。次いで、制御部11は、各フレームに対して決定された表情と記憶部17に記憶されている表情パラメータIに基づいて顔画像データFに表情を付加して各フレームの顔画像データを生成し、メモリ16に記憶させる。そして、制御部11は、各フレームの顔画像データの口を各フレームの口の形状データに基づいて変形することにより各フレームの静止画を生成し、生成した各フレームの静止画を結合してアニメーションを生成し、生成したアニメーションに音声データAを結合して映像データH1を生成し、映像データH1を記憶部17に記憶させる。
一方、ステップS5において、音データAと異なる言語でアニメーションを生成すると判断した場合(ステップS5;異なる言語)、制御部11は、テキストデータBに含まれる文毎のテキストデータを翻訳エンジンにより指定された言語に翻訳し、文毎の翻訳データ(テキストデータ)からなる翻訳文データ群Gを生成する(ステップS7)。制御部11は、生成した翻訳文データ群Gをメモリ16に記憶させる。
そして、制御部11は、翻訳文データ群G、文表情データ群E、及び指定された顔画像データFに基づいて表情が付加されたリップシンクアニメーションを生成し、そのデータである映像データH2を記憶部17に記憶させ(ステップS8)、アニメーション生成処理を終了する。
ステップS8において、制御部11は、まず、指定された言語のアニメーションを構成する各フレームの口の形状データを生成し、各フレームの口の各特徴点の座標を口の形状データとしてフレーム番号に対応付けてメモリ16に記憶する。
例えば、制御部11は、翻訳後のテキストデータである翻訳文データ群Gに基づいて、指定された言語の音声データ(音声データJと呼ぶ)を生成し、音声データJと顔画像データFに基づいて、ステップS6で説明したものと同様の手法(音声データAを音声データJに置き合えるところのみが異なる)によりアニメーションを構成する各フレームの口の形状データを生成する。なお、各フレームの音声データを音声データJtとする。
次いで、制御部11は、各フレームの音声に対応する表情を付加した顔画像データを生成する。
まず、制御部11は、各フレームの顔画像に付加する表情を決定する。例えば、制御部11は、各フレームの音声データJtに対応する文(翻訳後のテキスト文)を特定し、特定した文の翻訳前の文に対応する表情を文表情データ群Eに基づいて特定し、特定した表情を各フレームの顔画像に付加する表情として決定する。次いで、制御部11は、各フレームに対して決定された表情と記憶部17に記憶されている表情パラメータIに基づいて顔画像データFに表情を付加して各フレームの顔画像データを生成し、メモリ16に記憶させる。そして、制御部11は、各フレームの顔画像データの口を各フレームの口の形状データに基づいて変形することにより各フレームの静止画を生成し、生成した各フレームの静止画を結合してアニメーションを生成し、生成したアニメーションに音声データJを結合して映像データH2を生成し、映像データH2を記憶部17に記憶させる。
制御部11は、上記アニメーション生成処理の実行後、生成された映像データH1又はH2に基づいて、表示部13にアニメーションを表示させるとともに、音声出力部14により各フレームに対応する音声を出力させる。
以上説明したように、表示装置10によれば、制御部11は、音声データAをテキスト変換したテキストデータBに基づいて、当該テキストデータBに対応する音声の出力とともに表示される顔画像に音声に対応する表情を付加し、表情が付加された顔画像に含まれる口を音声に応じて動かすアニメーションを生成する。
例えば、制御部11は、テキストデータBから単語を検出し、単語・表情対応テーブルT1を参照してテキストデータBに含まれる各文を構成する単語に予め対応付けられている表情の情報を取得し、取得した情報に基づいて、テキストデータBに含まれる各文に応じた表情を決定する。そして、決定した表情をその文に対応する音声の出力とともに表示される顔画像に付加し、表情が付加された顔画像に含まれる口を音声に応じて動かすアニメーションを生成する。
従って、音声に応じて表情を変え、音声に応じて口を動かすアニメーションを1枚の顔画像から自動的に生成するので、顔画像に基づいて生成されるリップシンクアニメーションの表現力を向上させることができる。また、例えば、音声を耳で聞きながらどのタイミングでどの表情を付加するのかをユーザが判断して手動で調整する等の煩雑な作業を行うことなく、容易に音声に応じた表情が付加されたリップシンクアニメーションを生成することが可能となる。
また、制御部11は、テキストデータBに含まれる各文を他の言語のテキストデータに翻訳し、翻訳前のテキストデータBに含まれる各文に対して決定された表情を翻訳後の対応する各文に対応する音声の出力とともに表示される顔画像に付加し、表情が付加された顔画像に含まれる口を翻訳後のテキストデータに対応する音声に応じて動かすアニメーションを生成する。
従って、もとの言語とは異なる言語(例えば、外国語)の音声に応じて表情を変え、その音声に応じて口を動かすアニメーションを1枚の顔画像から自動的に生成することができるので、音声の言語を理解できなくても、容易に音声に応じた表情が付加されたリップアニメーションを生成することが可能となる。
なお、上記実施形態における記述内容は、本発明に係る表示装置10の好適な一例であり、これに限定されるものではない。
例えば、上記実施形態では、音声データAの言語の例を日本語として説明したが、日本語に限定されるものではなく、外国語であってもよい。
また、上記実施形態においては、音声データAと顔画像データFに基づいて映像データを生成する場合を例にとり説明したが、音声を読み上げるためのテキストデータと顔画像データに基づいて映像データを生成する場合にも本発明を適用することができる。
また、上記実施形態においては、各処理を実行するためのプログラムを格納したコンピュータ読み取り可能な媒体としてHDDや不揮発性の半導体メモリを使用した例を開示したが、この例に限定されない。その他のコンピュータ読み取り可能な媒体として、CD−ROM等の可搬型記録媒体を適用することも可能である。また、プログラムのデータを通信回線を介して提供する媒体として、キャリアウェーブ(搬送波)を適用することとしてもよい。
その他、表示装置10の細部構成及び細部動作に関しても、発明の趣旨を逸脱することのない範囲で適宜変更可能である。
本発明の実施形態を説明したが、本発明の範囲は、上述の実施形態に限定するものではなく、特許請求の範囲に記載された発明の範囲とその均等の範囲を含む。
以下に、この出願の願書に最初に添付した特許請求の範囲に記載した発明を付記する。付記に記載した請求項の項番は、この出願の願書に最初に添付した特許請求の範囲の通りである。
〔付記〕
<請求項1>
音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段と、
前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段と、
を備える画像処理装置。
<請求項2>
前記表情付加手段は、テキストデータに対応する音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する請求項1に記載の画像処理装置。
<請求項3>
前記表情付加手段は、前記テキストデータに含まれる各文に応じた表情を決定し、決定した表情をその文に対応する音声の出力とともに表示される顔画像に付加する請求項2に記載の画像処理装置。
<請求項4>
前記表情付加手段は、前記テキストデータに含まれる各文を構成する単語に予め対応付けられている表情の情報を取得し、取得した情報に基づいて、前記テキストデータに含まれる各文に応じた表情を決定する請求項3に記載の画像処理装置。
<請求項5>
前記テキストデータに含まれる各文を前記テキストデータの言語とは異なる他の言語のテキストデータに翻訳する翻訳手段を備え、
前記表情付加手段は、翻訳前の前記テキストデータに含まれる各文に対して決定された表情を翻訳後の対応する各文に対応する音声の出力とともに表示される顔画像に付加し、
前記生成手段は、前記表情が付加された顔画像に含まれる口を前記翻訳後の前記テキストデータに対応する音声に応じて動かすアニメーションを生成する請求項3又は4に記載の画像処理装置。
<請求項6>
請求項1〜5の何れか一項に記載の画像処理装置と、
前記画像処理装置により生成されたアニメーションを表示する表示手段と、
を備える表示装置。
<請求項7>
音声とともに出力される顔画像に前記音声に対応する表情を付加する工程と、
前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する工程と、
を含むアニメーション生成方法。
<請求項8>
音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する工程と、
前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する工程と、
前記生成されたアニメーションを表示する工程と、
を含むアニメーション表示方法。
<請求項9>
コンピュータを、
音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段、
前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段、
として機能させるためのプログラム。
<請求項10>
コンピュータを、
音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段、
前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段、
前記生成手段により生成されたアニメーションを表示する表示手段、
として機能させるためのプログラム。
10 表示装置
11 制御部
12 操作部
13 表示部
14 音声出力部
15 通信部
16 メモリ
17 記憶部
A 音声データ
B テキストデータ
C 単語データ群
D 単語表情データ群
E 文表情データ群
F 顔画像データ
G 翻訳文データ群
H1 映像データ
H2 映像データ
I 表情パラメータ
P プログラム
T1 単語・表情対応テーブル

Claims (10)

  1. 音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段と、
    前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段と、
    を備える画像処理装置。
  2. 前記表情付加手段は、テキストデータに対応する音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する請求項1に記載の画像処理装置。
  3. 前記表情付加手段は、前記テキストデータに含まれる各文に応じた表情を決定し、決定した表情をその文に対応する音声の出力とともに表示される顔画像に付加する請求項2に記載の画像処理装置。
  4. 前記表情付加手段は、前記テキストデータに含まれる各文を構成する単語に予め対応付けられている表情の情報を取得し、取得した情報に基づいて、前記テキストデータに含まれる各文に応じた表情を決定する請求項3に記載の画像処理装置。
  5. 前記テキストデータに含まれる各文を前記テキストデータの言語とは異なる他の言語のテキストデータに翻訳する翻訳手段を備え、
    前記表情付加手段は、翻訳前の前記テキストデータに含まれる各文に対して決定された表情を翻訳後の対応する各文に対応する音声の出力とともに表示される顔画像に付加し、
    前記生成手段は、前記表情が付加された顔画像に含まれる口を前記翻訳後の前記テキストデータに対応する音声に応じて動かすアニメーションを生成する請求項3又は4に記載の画像処理装置。
  6. 請求項1〜5の何れか一項に記載の画像処理装置と、
    前記画像処理装置により生成されたアニメーションを表示する表示手段と、
    を備える表示装置。
  7. 音声とともに出力される顔画像に前記音声に対応する表情を付加する工程と、
    前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する工程と、
    を含むアニメーション生成方法。
  8. 音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する工程と、
    前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する工程と、
    前記生成されたアニメーションを表示する工程と、
    を含むアニメーション表示方法。
  9. コンピュータを、
    音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段、
    前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段、
    として機能させるためのプログラム。
  10. コンピュータを、
    音声の出力とともに表示される顔画像に前記音声に対応する表情を付加する表情付加手段、
    前記表情が付加された顔画像に含まれる口を前記音声に応じて動かすアニメーションを生成する生成手段、
    前記生成手段により生成されたアニメーションを表示する表示手段、
    として機能させるためのプログラム。
JP2016051932A 2016-03-16 2016-03-16 画像処理装置、表示装置、アニメーション生成方法及びプログラム Active JP6711044B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2016051932A JP6711044B2 (ja) 2016-03-16 2016-03-16 画像処理装置、表示装置、アニメーション生成方法及びプログラム
US15/388,053 US10304439B2 (en) 2016-03-16 2016-12-22 Image processing device, animation display method and computer readable medium
CN201710059946.9A CN107204027B (zh) 2016-03-16 2017-01-24 图像处理装置、显示装置、动画生成方法以及动画显示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016051932A JP6711044B2 (ja) 2016-03-16 2016-03-16 画像処理装置、表示装置、アニメーション生成方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2017167779A true JP2017167779A (ja) 2017-09-21
JP6711044B2 JP6711044B2 (ja) 2020-06-17

Family

ID=59847052

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016051932A Active JP6711044B2 (ja) 2016-03-16 2016-03-16 画像処理装置、表示装置、アニメーション生成方法及びプログラム

Country Status (3)

Country Link
US (1) US10304439B2 (ja)
JP (1) JP6711044B2 (ja)
CN (1) CN107204027B (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021033961A (ja) * 2019-08-29 2021-03-01 株式会社鈴康 動画生成プログラム、動画生成装置及び動画生成方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108174123A (zh) * 2017-12-27 2018-06-15 北京搜狐新媒体信息技术有限公司 数据处理方法、装置及系统
US10657972B2 (en) * 2018-02-02 2020-05-19 Max T. Hall Method of translating and synthesizing a foreign language
CN108648251B (zh) * 2018-05-15 2022-05-24 奥比中光科技集团股份有限公司 3d表情制作方法及系统
CN108830917B (zh) * 2018-05-29 2023-04-18 努比亚技术有限公司 一种信息生成方法、终端及计算机可读存储介质
US10891969B2 (en) * 2018-10-19 2021-01-12 Microsoft Technology Licensing, Llc Transforming audio content into images
CN111933136B (zh) * 2020-08-18 2024-05-10 南京奥拓电子科技有限公司 一种辅助语音识别控制方法和装置
CN113570686A (zh) * 2021-02-07 2021-10-29 腾讯科技(深圳)有限公司 虚拟视频直播处理方法及装置、存储介质、电子设备
US12602849B2 (en) 2022-12-30 2026-04-14 Samsung Electronics Co., Ltd. Image generation using one-dimensional inputs
US12597175B2 (en) 2023-07-10 2026-04-07 Samsung Electronics Co., Ltd. Avatar creation from natural language description

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0543329B1 (en) * 1991-11-18 2002-02-06 Kabushiki Kaisha Toshiba Speech dialogue system for facilitating human-computer interaction
US6161083A (en) * 1996-05-02 2000-12-12 Sony Corporation Example-based translation method and system which calculates word similarity degrees, a priori probability, and transformation probability to determine the best example for translation
US6279017B1 (en) * 1996-08-07 2001-08-21 Randall C. Walker Method and apparatus for displaying text based upon attributes found within the text
US6250928B1 (en) * 1998-06-22 2001-06-26 Massachusetts Institute Of Technology Talking facial display method and apparatus
JP2003085582A (ja) 2001-09-11 2003-03-20 Minolta Co Ltd 通信システム、アニメーション生成装置、およびアニメーションの生成方法
JP2003248837A (ja) * 2001-11-12 2003-09-05 Mega Chips Corp 画像作成装置、画像作成システム、音声生成装置、音声生成システム、画像作成用サーバ、プログラム、および記録媒体
JP2006127371A (ja) 2004-11-01 2006-05-18 Matsushita Electric Ind Co Ltd アニメーション選択装置及び方法
US20090132371A1 (en) * 2007-11-20 2009-05-21 Big Stage Entertainment, Inc. Systems and methods for interactive advertising using personalized head models
US8224652B2 (en) * 2008-09-26 2012-07-17 Microsoft Corporation Speech and text driven HMM-based body animation synthesis
CN102054287B (zh) * 2009-11-09 2015-05-06 腾讯科技(深圳)有限公司 面部动画视频生成的方法及装置
JP2011150221A (ja) 2010-01-25 2011-08-04 Seiko Epson Corp 映像出力装置搭載機器、映像出力装置の投影方法
US9293152B2 (en) * 2012-01-25 2016-03-22 International Business Machines Corporation Abrasion test methods and devices
US20160110922A1 (en) * 2014-10-16 2016-04-21 Tal Michael HARING Method and system for enhancing communication by using augmented reality

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021033961A (ja) * 2019-08-29 2021-03-01 株式会社鈴康 動画生成プログラム、動画生成装置及び動画生成方法
WO2021039561A1 (ja) * 2019-08-29 2021-03-04 株式会社鈴康 動画生成方法、動画生成装置及び記憶媒体

Also Published As

Publication number Publication date
US20170270701A1 (en) 2017-09-21
JP6711044B2 (ja) 2020-06-17
CN107204027B (zh) 2021-03-12
CN107204027A (zh) 2017-09-26
US10304439B2 (en) 2019-05-28

Similar Documents

Publication Publication Date Title
JP6711044B2 (ja) 画像処理装置、表示装置、アニメーション生成方法及びプログラム
US7844467B1 (en) System and method of providing conversational visual prosody for talking heads
US8131551B1 (en) System and method of providing conversational visual prosody for talking heads
US20030149569A1 (en) Character animation
CN113077537A (zh) 一种视频生成方法、存储介质及设备
KR20210119441A (ko) 텍스트 및 오디오 기반 실시간 얼굴 재연
JP5353835B2 (ja) 情報処理プログラムおよび情報処理装置
KR20170034409A (ko) 안면 구조에 기초한 음성 합성 방법 및 장치
KR20140146965A (ko) 디스플레이 장치, 서버를 포함하는 변환 시스템 및 디스플레이 장치의 제어 방법
EP4404574A1 (en) Video processing method and apparatus, and medium and program product
US20200193961A1 (en) System for synchronizing speech and motion of character
WO2024174414A1 (zh) 视频合成方法、装置、存储介质和电子设备
US10923106B2 (en) Method for audio synthesis adapted to video characteristics
CN113870828A (zh) 音频合成方法、装置、电子设备和可读存储介质
JPWO2018079294A1 (ja) 情報処理装置及び情報処理方法
JP6528484B2 (ja) 画像処理装置、アニメーション生成方法及びプログラム
WO2018198447A1 (ja) 情報処理装置および情報処理方法
JP2024030802A (ja) モデル学習装置、モデル学習方法、及びモデル学習プログラム。
US12327491B2 (en) Information processing device and information processing method
JP7756754B1 (ja) 判定装置、判定方法及びコンピュータープログラム
US20250173935A1 (en) Device for synchronization of features of digital objects with audio contents
CN117041645A (zh) 基于数字人的视频播放方法、装置、电子设备及存储介质
CN121865054A (zh) 数字人视频生成方法、装置、设备、介质及产品
CN121037650A (zh) 一种多媒体数据生成方法、系统、电子设备及存储介质
CN121078292A (zh) 视频生成方法、装置、电子设备、智能体及介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190301

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200312

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200324

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200402

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200428

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200511

R150 Certificate of patent or registration of utility model

Ref document number: 6711044

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150