KeySync：全新口型同步技术，打破口型同步的限制

口型同步，通常是指将现有视频中的口型动作与新的输入音频对齐的任务，通常被视为音频驱动的面部动画的一个简化变体。然而，除了面临生成对话人物（例如，时间一致性）时常见的问题外，口型同步还面临着一些显著的新挑战，如输入视频中的表情泄漏和面部遮挡，这些问题可能会严重影响自动配音等现实应用，但在现有的研究中往往被忽视。

为了应对这些问题，伦敦帝国学院提出了一个二阶段框架KeySync，它在解决时间一致性问题的同时，还通过精心设计的遮罩策略解决了表情泄漏和面部遮挡问题。KeySync 能够生成与驱动音频高度对齐的高分辨率口型同步视频，同时最大限度地减少输入视频中的表情泄漏，并能够无缝处理面部遮挡问题。（链接在文章底部）

01 技术原理

KeySync 框架概述：KeySync 包含两个阶段，这两个阶段都通过潜变量扩散模型生成视频，条件输入为视频和音频，二者的区别在于参考帧的选择，如图 (b) 所示。在关键帧生成阶段，模型接收一个身份帧 ，该帧会被重复并与加入噪声的视频输入进行拼接。在插值阶段，模型则以两个连续的关键帧 和 为条件，并引入可学习的中间嵌入向量 。两个阶段都融合了来自 HuBERT的音频嵌入 。图 (c) 展示了推理过程中应用的遮挡处理流程。

KeySync 的贡献在于：与现有方法不同，KeySync 能够生成与驱动音频高度对齐的高分辨率口型同步视频，同时最大限度地减少输入视频中的表情泄漏，并能够无缝处理面部遮挡问题。

02 演示效果与对比

在 HDTF、CelebV-HQ 和 CelebV-Text 三个主流音视频数据集上对模型进行训练，其中 HDTF 质量较高，而后两者包含许多低质量样本。为提升数据质量，构建了一个预处理和筛选流程，对 CelebV-HQ 和 CelebV-Text 进行清洗后与 HDTF 合并用于训练。

评估时，重点考察跨同步任务，即输入音频与生成视频来自不同来源，并从三个数据集中随机选取 100 个测试视频进行音频互换，同时报告相同视频上的重建结果，以保证与已有研究的一致性。

可以看到，KeySync 更准确地跟随与输入音频对应的口型动作。尽管 LatentSync 和 Diff2Lip 在一定程度上也与目标口型动作对齐，但它们未能正确生成某些发音，并且出现了视觉伪影，这限制了它们的实际可用性。此外，大多数方法产生的口型动作非常少，或者无法充分张开嘴巴。这可以归因于表情泄漏，即模型从原始视频和新音频中接收到相互冲突的信号，使得生成一致且自然的口型变得困难。

https://arxiv.org/pdf/2505.00497

欢迎交流～，带你学习AI，了解AI