该系统对神经网络进行训练，使之学会观看人类讲话的视频，然后将音频文件转化成真实的口型。之后再将其嫁接到视频中的人脸上。为了实现这一目标，他们将该校图形实验室之前的研究成果，与最新的口型合成技术结合起来。

该技术还可以实现小幅时移，从而让神经网络预测说话者接下来所要表达的内容。该团队之所以选择奥巴马，是因为这套系统需要14小时的视频进行学习，而作为全世界上镜率最高的人之一，奥巴马显然是最佳人选。

“Skype或Messenger这样的视频聊天工具未来可以让任何人收集视频，然后对电脑进行训练。”华盛顿大学的伊拉·开梅尔马切-什利泽曼（Ira Kemelmacher-Shlizerman）说。

由于通过互联网传输音频所需的带宽远低于视频，所以这套新系统或许可以终结故障频频的视频聊天。

“当你使用Skype或Google Hangouts聊天时，会发现连接不太顺畅，分辨率也很低，这令人很不高兴，但音频往往很好。”该论文的联合作者、艾伦学院教授史蒂夫·赛茨（Steve Seitz）说，“所以，如果可以使用音频生成更高质量的视频，那就太好了。”

之前的音频转视频技术重点是录制多个人反复说同一句话的视频，然后尝试捕捉声音与不同口型之间的相关性。但这一过程成本高昂，而且非常耗时。

通过将这一过程调转过来——将视频提供给网络，而不仅仅是音频——该团队可能开发各种算法来判断一段视频的真伪。然而，这种神经网络目前只能一次学习一个人。

“你不能随便找个人就把它的声音转化成奥巴马的视频。”赛茨说，“我们对此非常谨慎，不希望从某个人嘴里说出其他人的话。我们只是把某人说过的话变成此人的视频。”

未来，该算法或许只需要使用1个小时的视频就能识别某人的声音和说话模式，而不必非要14小时的资料。

稿源：新浪科技