想象一下你正在看一部恐怖電影：女主角在一個黑暗的地下室里，高度警惕。背景中播放著懸疑的音樂，而一些看不見的，邪惡的生物在陰影中爬行……然后——砰！打到了一個物體。

如果沒有強烈但恰到好處的音效，這樣的場景很難有那么吸引人和恐怖。通常，這些音效是由工作室里的Foley藝術家錄制的，他們使用大量可供選擇的物體來產(chǎn)生聲音。錄制玻璃破碎的聲音可能涉及實際反復打碎玻璃，例如，直到聲音與視頻剪輯非常匹配。

據(jù)悉，研究人員已經(jīng)開發(fā)了一款自動化程序，可以分析視頻幀中的運動，并創(chuàng)建自己的人工聲音效果來匹配場景。在一項調(diào)查中，大多數(shù)被調(diào)查者表示他們相信這些假音效是真的。該模型名為AutoFoley，具體介紹發(fā)表在了6月25日出版的IEEE Transactions on Multimedia上面。

“自20世紀30年代以來，在后期制作中使用Foley藝術添加音效一直是電影和電視配樂的一個復雜部分，”參與創(chuàng)作AutoFoley的德克薩斯大學教授Jeff Prevost解釋道。“如果沒有一個真實的Foley配樂的控制層，，電影看起來既空洞又遙遠。然而，F(xiàn)oley聲音合成的過程也由此為電影的創(chuàng)作增加了大量的時間和成本。”

Prevost和他的博士生Sanchita Ghose被自動Foley系統(tǒng)的想法所吸引，開始創(chuàng)建了一個多層機器學習程序。他們創(chuàng)建了兩種不同的模型，可以在第一步中使用，包括識別視頻中的動作并確定合適的聲音。

第一個機器學習模型從快速移動動作片段的幀中提取圖像特征（如顏色和運動），以確定合適的聲音效果。

第二個模型來分析對象在不同幀中的時間關系。通過使用關系推理來比較不同時間段的不同幀，第二個模型可以預測視頻中發(fā)生的動作。

在最后一步，合成聲音以匹配其中一個模型預測的活動或運動。Prevost和Ghose使用AutoFoley為1000個短片創(chuàng)建聲音，這些短片捕捉了許多常見的動作，比如下雨、騎馬和滴答作響的時鐘。

分析顯示，毫不奇怪的是，AutoFoley最擅長于在不需要與視頻完全一致的情況下（例如，傾盆大雨、噼啪作響的大火）發(fā)出聲音。但是，當視覺場景包含隨時間變化的隨機動作（例如打字、雷雨）時，程序可能與視頻不同步。

接下來，Prevost和Ghose調(diào)查了57名當?shù)卮髮W生，他們認為哪些電影片段包括了原聲配樂。在評估第一個模型產(chǎn)生的聲音時，73%的受訪學生選擇了合成的AutoFoley剪輯作為原始片段，而不是真正的原始聲音片段。在評估第二個模型時，仍有66%的受訪者選擇了AutoFoley剪輯而不是原來的聲音剪輯。

“我們的方法的一個局限性是需要分類的主題出現(xiàn)在整個視頻幀序列中，”Prevost說，同時還指出AutoFoley目前依賴的Foley類別的數(shù)據(jù)集非常有限。不過，AutoFoley的專利仍處于早期階段，但Prevost說這些限制將在未來的研究中得到解決。