项目作者也表示在基于 2013 的手写笔迹合成的论文下，新增了一个推理模型进行优化。（Demo 如下图所示）
不同字体的手写笔迹合成。
项目地址：https://github.com/sjvasquez/handwriting-synthesis
网页版 Demo：https://seanvasquez.com/handwriting-generation/
上图这个权游里瑟曦的经典台词就是使用该项目创建的。
效果展示
让我们先来看一看这个项目的实际效果如何。
示例一为使用固定风格与偏置生成的样本（Smash Mouth – All Star 歌词）：
示例二为使用变化的风格与固定偏置生成的样本，每一句诗词使用不同的风格生成（Vanessa Carlton – A Thousand Miles 歌词）：
示例三为使用变化偏置与固定风格生成的样本，每一句诗词的偏置要比上一句小，最后一句无偏置（Leonard Cohen – Hallelujah 歌词）：
使用方法
该项目的创建时间虽然有点早，不过从上一节的效果展示上来看依然很酷炫。值得一提的是该实现已经非常接近原论文，只有一些非常细微的偏差，生成的样本的质量也非常接近论文中的效果。
接下来让我们来看看如何使用：
lines = [
"Now this is a story all about how",
"My life got flipped turned upside down",
"And I'd like to take a minute, just sit right there",
"I'll tell you how I became the prince of a town called Bel-Air",
]
biases = [.75 for i in lines]
styles = [9 for i in lines]
stroke_colors = ['red', 'green', 'black', 'blue']
stroke_widths = [1, 2, 1, 2]
hand = Hand()
hand.write(
filename='img/usage_demo.svg',
lines=lines,
biases=biases,
styles=styles,
stroke_colors=stroke_colors,
stroke_widths=stroke_widths
)
效果展示图。
简单来说有些细节需要注意，如上述代码所示，目前 Hand 类必须从 demo.py. 中导入。同时，其中也包含预训练模型，当然你也完全可以训练你自己的模型。
项目作者表示，该项目发起之初主要是为了研究论文而做的参考实验。但最终复现效果质量非常不错，因此该项目是可以更为广泛的进行使用。
比如可以将其进行打包，让整个项目项目看起来更像是一个可用的软件类项目，而不仅像研究类代码。同时，作者也提出可增添更多复杂的绘图、动画或是此方向的任意内容，而不仅仅限制至于当下的手写笔迹转换。感兴趣的读者可以参考项目原链接进行浏览。
