论文发版：CVPR2023

应用：

Over the discrete motion space, a temporal autoregressive model is employed to sequentially synthesize facial motions from the input speech signal, which guarantees lip-sync as well as plausible facial expressions。语音信号->唇同步&面部表情
仓库地址：https://github.com/Doubiiu/CodeTalker

方法：

cross-modal decoder :embedding block +multi-layer transformer decoder+ pre-trained codebook +VQ-VAE decoder
训练过程两部分：1）Discrete Facial Motion Space
VQ-VAE ： encoder E+ decoder D+ context-rich codebook Z


输入：x = x - template；x:头模的顶点（vertices），shape[1,69,15069]
template:标准头模 ，shape[1,15069]
2）Speech-Driven Motion Synthesis
这部分包括：audio feature extractor(TCN)+transformer encoder+embedding block +multi-layer transformer decoder，其中
audio feature extractor(TCN)+transformer encoder，使用wav2vec 2.0作预训练模型，冻结第一步训练好的pre-trained codebook 和VQ-VAE decoder，训练embedding block +multi-layer transformer decoder。

评价指标：

1）Lip vertex error：计算每个帧的所有嘴唇顶点的最大L2误差，并取所有帧的平均值。
2）Upper-face dynamics deviation：measure the variation of facial dynamics for a motion sequence in comparison with that of the ground truth

驱动效果：

不同的人，说同一段话，嘴形驱动效果稍微有些差异。

使用chinese-wav2vec2-base替代wav2vec2-base-960h，同一段音频，嘴形驱动效果差不多。