人类进化心理学的研究结果表明人从语音序列与面部动画的双模态输入中所获得的信息比其中任何一个单一模态输入所获得的信息都多,而且对信息的理解更加有效。语音动画是指合成出与语音序列一致或同步的人脸动画的一种技术,该技术在人机交互、电影、游戏等领域具有广泛的应用价值,是虚拟人物的人脸表情和动画生成的核心技术基础之一。本文主要研究语音动画中面部特征与语音特征参数之间映射关系模型的建立,并设计和实现一个语音驱动人脸视频合成系统。首先,本文提出了基于深度双向长短时记忆网络(Bi-directional Long Short Term Memory,Bi-LSTM)的人脸特征与语音特征参数之间的映射模型。该模型采用同步的音视频双模态信息进行训练,得到语音信号的梅尔频率倒谱系数(Mel Frequency Cepstral Coefficient,MFCC)与人脸约束局部模型(Constrained Local Model,CLM)下人脸特征点的映射关系。其次,提出了语音驱动的人脸动画生成算法。该算法通过训练好的映射模型,得到驱动语音的人脸特征点参数的预测输出,在此基础上结合仿射变换和视频编码技术实现了人脸动画视频的生成。实验使用约1000分钟奥巴马时任美国总统期间的每周电台演讲视频作为训练语料,映射模型实验结果表明,本文提出的基于Bi-LSTM映射模型明显优于单向的长短时记忆网络(Long short-term memory,LSTM),而且在进行参数调优后取得了 89.5%预测准确率。语音驱动的人脸动画生成结果表明,合成的视频具有自然、流畅的效果,视频帧率达到100fps。在输入相同的驱动语音时,合成视频的客观评价指标误差平方和(the Sum of Squares due to Error,SSE)的平均值为9.19,对合成视频的主观评价指标视频流畅度和逼真度,在满分10分的情况下,分别得分7.84和8.98分。最后,根据前述的映射模型和人脸动画合成方法,本文设计和实现了一个基于B/S(Browser/Server,浏览器/服务器模式)架构的语音驱动的人脸视频合成系统,系统拥有良好的可操作性,可以应用于任何人声的驱动语音合成出自然、同步的人脸视频。