好消息！ 好消息～ 欢迎科研团队供稿

免费分享学术 项目成果

近年来，语音头像生成（THG）取得了显著的唇同步和视觉质量，通过扩散模型实现了令人印象深刻的效果；然而，现有方法在生成情感丰富的头像时，同时保持说话者的身份时仍存在困难。当前情感语音头像生成中的三个关键局限性：音频固有情感线索的利用不足、情感表征中的身份泄漏以及情感相关性的孤立学习。

为了解决这些挑战，复旦携手腾讯优图实验室提出了一种新颖的框架，称为DICE-Talk，基于身份和情感的解耦，并使具有相似特征的情感进行协作。DICE-Talk作为首个基于扩散模型的情感语音头像生成方法，能够生成多种情感，同时很好地保持身份特征，从而极大地促进了数字人类在实际应用中的发展。（链接在文章底部）

01 技术原理

DICE-Talk框架：方法包括三个关键组件：解耦情感嵌入模块、增强相关性的情感条件模块和情感判别目标。这些架构元素协同工作，解耦身份表征与情感线索，同时保留面部发音细节，从而生成具有情感细腻表达的逼真动画头像。

首先，开发了一个解耦情感嵌入模块，通过跨模态注意力共同建模音频和视觉的情感线索，将情感表示为无关身份的高斯分布。其次，引入了一个增强相关性的情感条件模块，具有可学习的情感库，通过向量量化和基于注意力的特征聚合，显式捕捉情感之间的关系。第三，设计了一个情感判别目标，在扩散过程中通过潜在空间分类来强制保持情感一致性。

DICE-Talk在情感表达和视频流畅度方面显著优于其他方法，同时在唇同步准确性和视频质量上接近最先进的Sonic，整体表现优异。

02 演示效果与对比

DICE-Talk方法与几项先前的工作进行比较，包括SadTalker、AniPortrait 、V-Express、Hallo、Hallo2、EchoMinic、Sonic、EAMM、StyleTalk 和 EAT 。其中，EAMM、StyleTalk 和 EAT 也专注于情感建模。

分析了不同情感控制方法对情感条件效果的影响，实验结果表明，情感库学习和情感判别目标显著提升了情感表达和身份保留能力。通过结合音频和视频特征，增强了情感先验的聚类强度，表明视觉信息在情感提取中至关重要，音频特征则起到辅助作用。

采用解耦情感嵌入模块，可以防止模型从情感参考视频错误地转移身份信息。使用t-SNE投影，发现情感先验能够形成连续的分布，并且通过线性插值，生成的视频中的面部表情和细节能平滑过渡，进一步验证了模型在情感控制和身份保留方面的有效性。

https://github.com/toto222/DICE-Talk
https://arxiv.org/pdf/2504.18087

欢迎交流～，带你学习AI，了解AI