CN118338098B - 多模态视频生成方法、系统、存储介质及电子设备 - Google Patents
多模态视频生成方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN118338098B CN118338098B CN202410749689.1A CN202410749689A CN118338098B CN 118338098 B CN118338098 B CN 118338098B CN 202410749689 A CN202410749689 A CN 202410749689A CN 118338098 B CN118338098 B CN 118338098B
- Authority
- CN
- China
- Prior art keywords
- text
- information
- vector
- prediction
- feature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000011176 pooling Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000719239 Oligoplites altus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/85—Assembly of content; Generation of multimedia applications
- H04N21/854—Content authoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供一种多模态视频生成方法、系统、存储介质及电子设备，包括：获取目标视频的描述文本信息的文本特征和语音特征；获取目标视频的时长信息和分辨率信息；基于文本特征和时长信息生成文本池化特征；基于语音特征和时长信息生成语音预测特征；将文本池化特征作为Q向量，将语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将交叉注意力机制处理的输出作为Q向量，将语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征；基于交叉注意力特征和分辨率信息生成目标视频。本发明的多模态视频生成方法、系统、存储介质及电子设备能够基于多模态信息实现视频的生成，从而满足个性化的需求。
Description
技术领域
本发明属于深度学习的技术领域，特别是涉及一种多模态视频生成方法、系统、存储介质及电子设备。
背景技术
现有技术中，机器学习技术已经被广泛地用于多种视觉任务。例如，基于文本来生成图像和/或视频的技术方案。然而，现有的视频生成过程难以控制视频中的具体内容，导致生成的视频并不符合预期。
另外，现有的视频生成技术所获得的视频通常较为随机，无法满足实际应用中的个性化需求。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种多模态视频生成方法、系统、存储介质及电子设备，能够基于多模态信息实现视频的生成，从而满足个性化的需求。
第一方面，本发明提供一种多模态视频生成方法，所述方法包括以下步骤：获取目标视频的描述文本信息；获取所述描述文本信息的文本特征；获取所述描述文本信息的语音特征；获取所述目标视频的时长信息和分辨率信息；基于所述文本特征和所述时长信息生成文本预测特征，并对所述文本预测特征进行平均池化以获取文本池化特征；基于所述语音特征和所述时长信息生成语音预测特征；将所述文本池化特征作为Q向量，将所述语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将所述交叉注意力机制处理的输出作为Q向量，将所述语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征；基于所述交叉注意力特征和所述分辨率信息生成所述目标视频。
在第一方面的一种实现方式中，将所述描述文本信息输入CLIP模型的文本编码器，获取所述描述文本信息的文本特征。
在第一方面的一种实现方式中，将所述描述文本信息输入VITS模型的编码模块，获取所述描述文本信息的语音特征。
在第一方面的一种实现方式中，将所述文本特征和所述时长信息输入transformer模型的解码器，生成所述文本预测特征。
在第一方面的一种实现方式中，将所述语音特征和所述时长信息输入transformer模型的解码器，生成所述语音预测特征。
在第一方面的一种实现方式中，所述预设次数为32次。
在第一方面的一种实现方式中，基于所述交叉注意力特征和所述分辨率信息生成所述目标视频包括以下步骤：
将所述交叉注意力特征和所述分辨率信息输入transformer模型的解码器，获取解码矩阵；
基于所述分辨率信息对所述解码矩阵进行整形，获取所述目标视频。
第二方面，本发明提供一种多模态视频生成系统，所述系统包括第一获取模块、第二获取模块、第三获取模块、第四获取模块、第一预测模块、第二预测模块、交叉注意力模块和生成模块；
所述第一获取模块用于获取目标视频的描述文本信息；
所述第二获取模块用于获取所述描述文本信息的文本特征；
所述第三获取模块用于获取所述描述文本信息的语音特征；
所述第四获取模块用于获取所述目标视频的时长信息和分辨率信息；
所述第一预测模块用于基于所述文本特征和所述时长信息生成文本预测特征，并对所述文本预测特征进行平均池化以获取文本池化特征；
所述第二预测模块用于基于所述语音特征和所述时长信息生成语音预测特征；
所述交叉注意力模块用于将所述文本池化特征作为Q向量，将所述语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将所述交叉注意力机制处理的输出作为Q向量，将所述语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征；
所述生成模块用于基于所述交叉注意力特征和所述分辨率信息生成所述目标视频。
第三方面，本发明提供一种电子设备，所述电子设备包括：处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的多模态视频生成方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被电子设备执行时实现上述的多模态视频生成方法。
如上所述，本发明所述的多模态视频生成方法、系统、存储介质及电子设备，具有以下有益效果。
（1）能够基于文本、语音等多模态信息实现视频的生成，极大地提升了生成视频的准确性。
（2）能够对生成视频在时长和分辨率上进行设置，从而满足个性化的需求。
（3）智能化程度高，极具实用性。
附图说明
图1显示为本发明的电子设备于一实施例中的场景示意图。
图2显示为本发明的多模态视频生成方法于一实施例中的流程图。
图3显示为本发明的多模态视频生成方法于一实施例中的架构示意图。
图4显示为本发明的多模态视频生成系统于一实施例中的结构示意图。
图5显示为本发明的电子设备于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明以下实施例提供了多模态视频生成方法，其可应用于如图1所示的电子设备。本发明中所述电子设备可以包括具备无线充电功能的手机11、平板电脑12、笔记本电脑13、可穿戴设备、车载设备、增强现实(Augmented Reality，AR)/虚拟现实(VirtualReality，VR)设备、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等，本发明实施例对电子设备的具体类型不作任何限制。
例如，所述电子设备可以是具备无线充电功能的 WLAN 中的站点(STAION，ST)，可以是具备无线充电功能的蜂窝电话、无绳电话、会话启动协议(SessionInitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具备无线充电功能的手持设备、计算设备或其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G 网络中的移动终端、未来演进的公共陆地移动网络(PublicLand Mobile Network，PLMN)中的移动终端或者未来演进的非地面网络（Non-terrestrial Network，NTN）中的移动终端等。
例如，所述电子设备可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobilecommunication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)、BT，GNSS，WLAN，NFC，FM，和/或 IR 技术等。所述 GNSS可以包括全球卫星定位系统 (Global Positioning System，GPS)，全球导航卫星系统(Global Navigation Satellite System，GLONASS)，北斗卫星导航系统(BeiDounavigation Satellite System，BDS)，准天顶卫星系统(Quasi-Zenith SatelliteSystem，QZSS)和/或星基增强系统(Satellite Based Augmentation Systems，SBAS)。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细描述。
如图2和图3所示，于一实施例中，本发明的多模态视频生成方法包括步骤S1-步骤S8。
步骤S1、获取目标视频的描述文本信息。
具体地，需要生成视频时，首先通过文字的方式提供所需生成的目标视频的描述文本信息。如：一位时髦的女士穿行在上海的街头，街道充满了温暖的霓虹灯光和动感的城市标志。她穿着一件黑色皮夹克，一条长红裙和黑色靴子，手拿一个黑色手提包。她戴着太阳镜和红色口红。她走路既自信又随意。街道潮湿且能反射，创造出彩色灯光的镜面效果。许多行人来来往往。根据所述描述文本信息，能够反映所述目标视频的基本场景。
步骤S2、获取所述描述文本信息的文本特征。
具体地，将所述描述文本信息输入CLIP模型的文本编码器，获取所述描述文本信息的文本特征text embedding。其中，CLIP（Contrastive Language-Image Pre-training）是一种基于对比文本-图像对的预训练模型。CLIP模型包括两个模型：文本编码器TextEncoder和图像编码器Image Encoder，其中文本编码器Text Encoder用来提取文本的特征，可以采用NLP中常用的text transformer模型；而图像编码器Image Encoder用来提取图像的特征，可以采用常用CNN模型或者vision transformer。
于一实施例中，所述文本特征text embedding的向量元素数量为512。
步骤S3、获取所述描述文本信息的语音特征。
具体地，将所述描述文本信息输入VITS模型的编码模块，获取所述描述文本信息的语音特征。其中，VITS（Conditional Variational Autoencoder with AdversarialLearning for End-to-End Text-to-Speech）模型是一种结合变分推理（variationalinference）、标准化流（normalizing flows）和对抗训练的高表现力语音合成模型。VITS通过隐变量而非频谱串联起来语音合成中的声学模型和声码器，在隐变量上进行随机建模并利用随机时长预测器，提高了合成语音的多样性，输入同样的文本，能够合成不同声调和韵律的语音。
于一实施例中，所述语音特征和所述文本特征的向量长度相同，均为512。
步骤S4、获取所述目标视频的时长信息和分辨率信息。
具体地，针对所述目标视频，用户可以自定义时长和分辨率。于一实施例中，所述时长为20s，分辨率为1080x1080，那么所述目标视频所需的向量为20 * 30 * 3 = 1800个。其中30表示每秒的帧数，3表示帧的RGB三通道。
步骤S5、基于所述文本特征和所述时长信息生成文本预测特征，并对所述文本预测特征进行平均池化以获取文本池化特征。
具体地，将所述文本特征和所述时长信息输入transformer模型的解码器，生成所述文本预测特征。其中，transformer模型是一个利用注意力机制来提高模型训练速度的模型，包括编码器和解码器。
在本发明中，将所述文本特征text embedding输入到transformer模型的解码器，所述解码器自回归输出1800个文本预测特征，将其组合成为一个形状为（512，1800）的矩阵。再将所述文本预测特征进行平均池化，得到形状为（1，1800）的矩阵，即文本池化特征。
步骤S6、基于所述语音特征和所述时长信息生成语音预测特征。
具体地，将所述语音特征和所述时长信息输入transformer模型的解码器，生成所述语音预测特征。其中，transformer解码器接收所述语音特征speech embedding作为输入，根据所述时长信息自回归输出1800个语音预测特征，将其组合成为一个形状为（512，1800）的矩阵。
步骤S7、将所述文本池化特征作为Q向量，将所述语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将所述交叉注意力机制处理的输出作为Q向量，将所述语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征。
具体地，本发明采用预测次数迭代的交叉注意力机制操作处理，其中上一个交叉注意力机制处理的输出作为下一个交叉注意力机制处理的Q向量，K向量和V向量均采用所述语音预测特征。于一实施例中，所述预设次数为32次，最后得到的交叉注意力特征是一个形状为（1，1800）的矩阵。
步骤S8、基于所述交叉注意力特征和所述分辨率信息生成所述目标视频。
具体地，将所述交叉注意力特征和所述分辨率信息输入transformer模型的解码器，解码器根据设定的分辨率如1080 * 1080，自回归输出共1080 * 1080 = 1166400次，那么就得到1166400个长度为1800的解码矩阵向量。将这个解码矩阵向量整形成（1080，1080，600，3）的矩阵，即为生成的目标视频，其中1080为分辨率，600为视频总帧数，3为帧的通道数。
本发明实施例所述的多模态视频生成方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
本发明实施例还提供一种多模态视频生成系统，所述多模态视频生成系统可以实现本发明所述的多模态视频生成方法，但本发明所述的多模态视频生成系统的实现装置包括但不限于本实施例列举的多模态视频生成系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
如图4所示，于一实施例中，本发明的多模态视频生成系统包括第一获取模块41、第二获取模块42、第三获取模块43、第四获取模块44、第一预测模块45、第二预测模块46、交叉注意力模块47和生成模块48。
所述第一获取模块41用于获取目标视频的描述文本信息。
所述第二获取模块42与所述第一获取模块41相连，用于获取所述描述文本信息的文本特征。
所述第三获取模块43与所述第一获取模块41相连，用于获取所述描述文本信息的语音特征。
所述第四获取模块44用于获取所述目标视频的时长信息和分辨率信息。
所述第一预测模块45与所述第二获取模块42和所述第四获取模块44相连，用于基于所述文本特征和所述时长信息生成文本预测特征，并对所述文本预测特征进行平均池化以获取文本池化特征。
所述第二预测模块46与所述第三获取模块43和所述第四获取模块44相连，用于基于所述语音特征和所述时长信息生成语音预测特征。
所述交叉注意力模块47与所述第一预测模块45和所述第二预测模块46相连，用于将所述文本池化特征作为Q向量，将所述语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将所述交叉注意力机制处理的输出作为Q向量，将所述语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征。
所述生成模块48与所述交叉注意力模块47相连，用于基于所述交叉注意力特征和所述分辨率信息生成所述目标视频。
其中，第一获取模块41、第二获取模块42、第三获取模块43、第四获取模块44、第一预测模块45、第二预测模块46、交叉注意力模块47和生成模块48的结构和原理与上述多模态视频生成方法中的步骤一一对应，故在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本发明实施例的目的。例如，在本发明各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性（non-transitory）介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带（magnetictape），软盘（floppy disk），光盘（optical disc）及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如数字视频光盘（digital video disc，DVD））、或者半导体介质（例如固态硬盘（solid state disk，SSD））等。
本发明实施例还提供了一种电子设备。所述电子设备包括处理器和存储器。
所述存储器用于存储计算机程序。
所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述电子设备执行上述的多模态视频生成方法。
优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
如图5所示，本发明的电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元51，存储器52，连接不同系统组件（包括存储器52和处理单元51）的总线53。
总线53表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线，微通道体系结构（MAC）总线，增强型ISA总线、视频电子标准协会（VESA）局域总线以及外围组件互连（PCI）总线。
电子设备典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器52可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）521和/或高速缓存存储器522。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统523可以用于读写不可移动的、非易失性磁介质（图5未显示，通常称为“硬盘驱动器”）。尽管图5中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM ，DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线53相连。存储器52可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块5241的程序/实用工具524，可以存储在例如存储器52中，这样的程序模块5241包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块5241通常执行本发明所描述的实施例中的功能和/或方法。
电子设备也可以与一个或多个外部设备（例如键盘、指向设备、显示器等）通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口54进行。并且，电子设备还可以通过网络适配器55与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图5所示，网络适配器55通过总线53与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种多模态视频生成方法，其特征在于，所述方法包括以下步骤：
获取目标视频的描述文本信息；
获取所述描述文本信息的文本特征；
获取所述描述文本信息的语音特征；
获取所述目标视频的时长信息和分辨率信息；
基于所述文本特征和所述时长信息生成文本预测特征，并对所述文本预测特征进行平均池化以获取文本池化特征；
基于所述语音特征和所述时长信息生成语音预测特征；
将所述文本池化特征作为Q向量，将所述语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将所述交叉注意力机制处理的输出作为Q向量，将所述语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征；
基于所述交叉注意力特征和所述分辨率信息生成所述目标视频。
2.根据权利要求1所述的多模态视频生成方法，其特征在于：将所述描述文本信息输入CLIP模型的文本编码器，获取所述描述文本信息的文本特征。
3.根据权利要求1所述的多模态视频生成方法，其特征在于：将所述描述文本信息输入VITS模型的编码模块，获取所述描述文本信息的语音特征。
4.根据权利要求1所述的多模态视频生成方法，其特征在于：将所述文本特征和所述时长信息输入transformer模型的解码器，生成所述文本预测特征。
5.根据权利要求1所述的多模态视频生成方法，其特征在于：将所述语音特征和所述时长信息输入transformer模型的解码器，生成所述语音预测特征。
6.根据权利要求1所述的多模态视频生成方法，其特征在于：所述预设次数为32次。
7.根据权利要求1所述的多模态视频生成方法，其特征在于：基于所述交叉注意力特征和所述分辨率信息生成所述目标视频包括以下步骤：
将所述交叉注意力特征和所述分辨率信息输入transformer模型的解码器，获取解码矩阵；
基于所述分辨率信息对所述解码矩阵进行整形，获取所述目标视频。
8.一种多模态视频生成系统，其特征在于，所述系统包括第一获取模块、第二获取模块、第三获取模块、第四获取模块、第一预测模块、第二预测模块、交叉注意力模块和生成模块；
所述第一获取模块用于获取目标视频的描述文本信息；
所述第二获取模块用于获取所述描述文本信息的文本特征；
所述第三获取模块用于获取所述描述文本信息的语音特征；
所述第四获取模块用于获取所述目标视频的时长信息和分辨率信息；
所述第一预测模块用于基于所述文本特征和所述时长信息生成文本预测特征，并对所述文本预测特征进行平均池化以获取文本池化特征；
所述第二预测模块用于基于所述语音特征和所述时长信息生成语音预测特征；
所述交叉注意力模块用于将所述文本池化特征作为Q向量，将所述语音预测特征作为K向量和V向量，进行交叉注意力机制处理；将所述交叉注意力机制处理的输出作为Q向量，将所述语音预测特征作为K向量和V向量，重复进行预设次数的交叉注意力机制处理，获取交叉注意力特征；
所述生成模块用于基于所述交叉注意力特征和所述分辨率信息生成所述目标视频。
9.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行权利要求1至7中任一项所述的多模态视频生成方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被电子设备执行时实现权利要求1至7中任一项所述的多模态视频生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410749689.1A CN118338098B (zh) | 2024-06-12 | 2024-06-12 | 多模态视频生成方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410749689.1A CN118338098B (zh) | 2024-06-12 | 2024-06-12 | 多模态视频生成方法、系统、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118338098A CN118338098A (zh) | 2024-07-12 |
| CN118338098B true CN118338098B (zh) | 2024-09-13 |
Family
ID=91782806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410749689.1A Active CN118338098B (zh) | 2024-06-12 | 2024-06-12 | 多模态视频生成方法、系统、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118338098B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114743539A (zh) * | 2022-05-12 | 2022-07-12 | 平安科技（深圳）有限公司 | 语音合成方法、装置、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113870395A (zh) * | 2021-09-29 | 2021-12-31 | 平安科技（深圳）有限公司 | 动画视频生成方法、装置、设备及存储介质 |
| WO2024073092A1 (en) * | 2022-09-29 | 2024-04-04 | Meta Platforms Technologies, Llc | Text to video generation |
-
2024
- 2024-06-12 CN CN202410749689.1A patent/CN118338098B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114743539A (zh) * | 2022-05-12 | 2022-07-12 | 平安科技（深圳）有限公司 | 语音合成方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118338098A (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116912353B (zh) | 多任务图像处理方法、系统、存储介质及电子设备 | |
| CN118135571B (zh) | 图像语义分割方法、系统、存储介质及电子设备 | |
| CN118338098B (zh) | 多模态视频生成方法、系统、存储介质及电子设备 | |
| CN117275461B (zh) | 多任务音频处理方法、系统、存储介质及电子设备 | |
| CN118314409B (zh) | 多模态图像分类方法、系统、存储介质及电子设备 | |
| CN114239792B (zh) | 利用量化模型进行图像处理的系统、装置及存储介质 | |
| CN118196695B (zh) | 视频语义分割方法、系统、存储介质及电子设备 | |
| CN118172259A (zh) | 低光图像增强方法、系统、存储介质及电子设备 | |
| CN118154883B (zh) | 目标语义分割方法、系统、存储介质及电子设备 | |
| CN117746866B (zh) | 多语种语音转换文本方法、系统、存储介质及电子设备 | |
| CN117351973A (zh) | 音色转换方法、系统、存储介质及电子设备 | |
| CN118366082A (zh) | 视听情感识别方法、系统、存储介质及电子设备 | |
| CN116701708B (zh) | 多模态增强的视频分类方法、系统、存储介质及电子设备 | |
| CN116630633B (zh) | 语义分割自动标注方法、系统、存储介质及电子设备 | |
| CN118506339A (zh) | 视频字幕识别方法、系统、存储介质及电子设备 | |
| CN118587526A (zh) | 基于文本分类器的图像分类方法、系统、存储介质及电子设备 | |
| CN117079643A (zh) | 语音识别方法、系统、存储介质及电子设备 | |
| CN117975941A (zh) | 多注意力多特征语音识别方法、系统、存储介质及电子设备 | |
| CN118072715A (zh) | 语音关键词检测方法、系统、存储介质及电子设备 | |
| CN118628610A (zh) | 图像筛选方法、系统、存储介质及电子设备 | |
| CN118195964A (zh) | 图像霉斑移除方法、系统、存储介质及电子设备 | |
| CN118314445A (zh) | 图像多任务处理方法、系统、存储介质及电子设备 | |
| CN118351544A (zh) | 印章识别方法、系统、存储介质及电子设备 | |
| CN118098265A (zh) | 一种视频处理方法、系统、介质及电子设备 | |
| CN118411511A (zh) | 实例分割方法、系统、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |