Speech2Face只需要6秒声音 AI就能推断说话者容貌

△CSAIL所在的MIT Building 32

只听声音，就能知道一个人长什么样?

是的。

大名鼎鼎的麻省理工CSAIL(人工智能实验室)，最近就发布了这样一个令人惊讶的研究。只需要听6秒的声音片段，AI就能推断出说话者的容貌。

怎么样?你行么?

MIT研究人员，设计和训练的神经网络Speech2Face，就能通过短短的语音片段，推测出说话者的年龄、性别、种族等等多重属性，然后重建说话人的面部。

下面就是AI听声识脸，给出的结果：

左边一列是真实的照片，右边一列是神经网络根据声音推断出来的长相。

讲真，这个效果让我们佩服。

这篇论文也入围了今年的学术顶级会议CVPR 2019。

当然这个研究也会引发一些隐私方面的担忧。不过研究团队在论文中特别声明，这个神经网络不追求完全精确还原单一个体的脸部图像。

不同的语言也有影响。论文中举了一个案例，同一男子分别说中文和英文，AI却分别还原出了不同的面孔样貌。当然，这也跟口音、发声习惯等相关。

另外，研究团队也表示，目前这套系统对还原白人和东亚人的面孔效果更好。可能由于印度和黑人的数据较少，还原效果还有待进一步提高。

原理

从声音推断一个人的长相不是一种玄学，平时我们在打电话时会根据对方的声音脑补出相貌特征。

这是因为，年龄、性别、嘴巴形状、面部骨骼结构，所有这些都会影响人发出的声音。此外，语言、口音、速度通常会体现出一个的民族、地域、文化特征。

AI正是根据语音和相貌的关联性做出推测。

为此，研究人员提取了几百万个YouTube视频，通过训练，让深度神经网络学习声音和面部的相关性，找到说话的人一些基本特征，比如年龄、性别、种族等，并还原出相貌。

而且在这个过程中，不需要人类标记视频，由模型自我监督学习。这就是文章中所说的Speech2Face模型。

将电话另一端通过卡通人物的方式显示在你的手机上，可能是Speech2Face未来的一种实际应用。

模型结构

Speech2Face模型是如何还原人脸的，请看下图：

给这个网络输入一个复杂的声谱图，它将会输出4096-D面部特征，然后使用预训练的面部解码器将其还原成面部的标准图像。

训练模块在图中用橙色部分标记。在训练过程中，Speech2Face模型不会直接用人脸图像与原始图像进行对比，而是与原始图像的4096-D面部特征对比，省略了恢复面部图像的步骤。

在训练完成后，模型在推理过程中才会使用面部解码器恢复人脸图像。

训练过程使用的是AVSpeech数据集，它包含几百万个YouTube视频，超过10万个人物的语音-面部数据。

在具体细节上，研究使用的中每个视频片段开头最多6秒钟的音频，并从中裁剪出人脸面部趋于，调整到224×224像素。

△从原始图像提取特征重建的人脸，以及从声音推测的人脸

之前，也有人研究过声音推测面部特征，但都是从人的声音预测一些属性，然后从数据库中获取最适合预测属性的图像，或者使用这些属性来生成图像。

然而，这种方法存在局限性，需要有标签来监督学习，系统的鲁棒性也较差。

由于人脸图像中面部表情、头部姿态、遮挡和光照条件的巨大变化，想要获得稳定的输出结果，Speech2Face人脸模型的设计和训练变得非常重要。

一般从输入语音回归到图像的简单方法不起作用，模型必须学会剔除数据中许多不相关的变化因素，并隐含地提取人脸有意义的内部表示。

为了解决这些困难，模型不是直接得到人脸图像，而是回归到人脸的低维中间表示。更具体地说，是利用人脸识别模型VGG-Face，并从倒数第二层的网络提取一个4096-D面部特征。

模型的pipeline由两个主要部分组成：

1、语音编码器

语音编码器模块是一个CNN，将输入的语音声谱图转换成伪人脸特征，并预测面部的低维特征，随后将其输入人脸解码器以重建人脸图像。

2、面部解码器

面部解码器的输入为低维面部特征，并以标准形式(正面和中性表情)产生面部图像。

在训练过程中，人脸解码器是固定的，只训练预测人脸特征的语音编码器。语音编码器是作者自己设计和训练的模型，而面部解码器使用的是前人提出的模型。

将实验结果更进一步，Speech2Face还能用于人脸检索。把基于语音的人脸预测结果与数据库中的人脸进行比较，系统将给出5个最符合的人脸照片。

不足之处

若根据语言来预测种族，那么一个人说不同的语言会导致不同的预测结果吗?

研究人员让一个亚洲男性分别说英语和汉语，结果分别得到了2张不同的面孔。

模型有时候也能正确预测结果，比如让一个亚洲小女孩说英文，虽然恢复出的图像和本人有很大差距，但仍可以看出黄种人的面部特征。

研究人员表示，这个小女孩并没有明显的口音特征，所以他们的模型还要进一步检查来确定对语言的依赖程度。

在其他一些情况下，模型也会“翻车”。比如：变声期之前的儿童，会导致模型误判性别发生错误;口音与种族特征不匹配;将老人识别为年轻人，或者是年轻人识别为老人。

作者团队

这个研究的作者，大部分来自MIT CSAIL。

一作Tae-Hyun Oh是在CSAIL工作的Postdoctoral Associate，这个韩国小哥博士毕业于韩国科学技术院(KAIST)，本科毕业于韩国光云大学(KWU)。他还曾经在微软亚洲研究院实习。

二作Tali Dekel现在是Google的一位研究员，之前也是CSAIL实验室的Postdoctoral Associate。她博士毕业于以色列的特拉维夫大学。

Tali Dekel还有一篇论文，也入选了今年的CVPR 2019，而且还拿到了Oral。在那篇论文里，她也是二作的身份。这篇论文昨天我们也报道了~

今年的CVPR将于6月16日在加州长滩召开。（文/边策 问耕）

关键词： Speech2Face 声音 容貌