speech-driven-animation

speech-driven-animation

语音驱动的端到端面部动画合成模型

Speech-Driven Animation是一个开源项目,实现语音驱动的端到端面部合成模型。该项目根据输入图像和音频生成面部动画视频,支持GRID、TIMIT和CREMA等预训练模型。通过API可输入自定义音频和图像,输出同步动画视频。项目还提供音频和视频编码器,可用于特征提取和分类任务。

Speech-Driven Animation视频动画人脸合成语音驱动深度学习Github开源项目

语音驱动动画

该库实现了本论文中描述的端到端面部合成模型。

该库由Konstantinos Vougioukas、Honglie Chen和Pingchuan Ma维护。

语音驱动动画

下载模型

模型原本托管在git LFS上。然而需求量太大,导致我达到了免费gitLFS存储的配额。我已将模型移至Google Drive。可以在这里找到模型。 将模型文件放在*sda/data/*目录下。

安装

要安装该库,请执行:

$ pip install .

运行示例

要创建动画,你需要实例化VideoAnimator类。然后提供一张图片和音频剪辑(或文件路径),就会生成一段视频。

选择模型

该模型已在GRID、TCD-TIMIT、CREMA-D和LRW数据集上训练。默认模型是GRID。要加载其他预训练模型,只需使用以下参数实例化VideoAnimator:

import sda
va = sda.VideoAnimator(gpu=0, model_path="crema")  # 实例化动画器

目前上传的模型有:

  • GRID
  • TIMIT
  • CREMA
  • LRW

使用图像和音频路径的示例

import sda
va = sda.VideoAnimator(gpu=0)  # 实例化动画器
vid, aud = va("example/image.bmp", "example/audio.wav")

使用NumPy数组的示例

import sda
import scipy.io.wavfile as wav
from PIL import Image

va = sda.VideoAnimator(gpu=0) # 实例化动画器
fs, audio_clip = wav.read("example/audio.wav")
still_frame = Image.open("example/image.bmp")
vid, aud = va(frame, audio_clip, fs=fs)

保存带音频的视频

va.save_video(vid, aud, "generated.mp4")

使用编码

提供了音频和视频的编码器,以便可以用于生成分类任务的特征。

音频编码器

提供了音频编码器(由音频帧编码器和RNN组成),以及包含音频帧编码器所需的特征长度(以秒为单位)和音频帧之间重叠等信息的字典。

import sda
encoder, info = sda.get_audio_feature_extractor(gpu=0)

引用

如果您在研究中发现此代码有用,请考虑引用以下论文:

@inproceedings{vougioukas2019end, title={End-to-End Speech-Driven Realistic Facial Animation with Temporal GANs.}, author={Vougioukas, Konstantinos and Petridis, Stavros and Pantic, Maja}, booktitle={CVPR Workshops}, pages={37--40}, year={2019} }

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI助手AI工具AI写作工具AI辅助写作蛙蛙写作学术助手办公助手营销助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

聊天机器人AI助手热门AI工具AI对话
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

下拉加载更多