Oct, 2023

具备语音条件的潜空间扩散和人脸先验的逼真语音到人脸生成

TL;DR提出了一种利用Speech-Conditioned Latent Diffusion Model (SCLDM)的语音到人脸生成框架,通过对话音频和面部特征之间的对比预训练以及引入残差的方式,实现了更加逼真的人脸图像生成。在AVSpeech数据集和Voxceleb数据集上,该方法在所有度量指标上均取得了显著提升,尤其是在余弦距离度量指标上分别提升了32.17和32.72。