dreamtalk

dreamtalk

音频驱动的表情丰富说话头像生成系统

DreamTalk是一个创新的音频驱动说话头像生成系统,采用扩散概率模型技术。该系统能生成高质量、表情丰富的说话头像视频,适应多种说话风格。DreamTalk在处理歌曲、多语言语音、噪声音频和非常规肖像等多样化输入时表现优异。通过结合扩散概率模型,DreamTalk实现了准确的唇形同步和生动的面部表情,为不同说话风格提供了灵活支持。

DreamTalk生成说话人头像扩散模型音频驱动AI表情生成Github开源项目
<h2 align="center">DreamTalk: 当富有表现力的说话头生成<br>遇上扩散概率模型</h2> <p align="center"> <a href='https://dreamtalk-project.github.io/'><img src='https://img.shields.io/badge/项目-主页-绿色'></a> <a href='https://arxiv.org/abs/2312.09767'><img src='https://img.shields.io/badge/论文-Arxiv-红色'></a> <a href='https://youtu.be/VF4vlE6ZqWQ'><img src='https://yellow-cdn.veclightyear.com/835a84d5/a2375589-09ae-4c96-8a89-47651f634a3d.svg'></a> </p>

预览

DreamTalk是一个基于扩散模型的音频驱动富有表现力的说话头生成框架,可以在各种说话风格中生成高质量的说话头视频。DreamTalk在各种输入下表现出强大的性能,包括歌曲、多语言演讲、噪声音频和域外肖像。

新闻

  • [2023.12] 发布推理代码和预训练检查点。

安装

conda create -n dreamtalk python=3.7.0
conda activate dreamtalk
pip install -r requirements.txt
conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge
conda update ffmpeg

pip install urllib3==1.26.6
pip install transformers==4.28.1
pip install dlib

下载检查点

考虑到社会影响,我们已停止公开下载检查点。如果您想获取检查点,请发送邮件至mayf18@mails.tsinghua.edu.cn申请。请注意,发送此邮件即表示您同意仅将提供的方法用于学术研究目的。

将下载的检查点放入checkpoints文件夹。

推理

运行脚本:

python inference_for_demo_video.py \
--wav_path data/audio/acknowledgement_english.m4a \
--style_clip_path data/style_clip/3DMM/M030_front_neutral_level1_001.mat \
--pose_path data/pose/RichardShelby_front_neutral_level1_001.mat \
--image_path data/src_img/uncropped/male_face.png \
--cfg_scale 1.0 \
--max_gen_len 30 \
--output_name acknowledgement_english@M030_front_neutral_level1_001@male_face

wav_path指定输入音频。输入音频文件扩展名如wav、mp3、m4a和mp4(带声音的视频)都应该兼容。

style_clip_path指定参考说话风格,pose_path指定头部姿势。它们是从参考视频中提取的3DMM参数序列。您可以按照PIRenderer从自己的视频中提取3DMM参数。注意,视频帧率应为25 FPS。此外,用于头部姿势参考的视频应首先使用FOMM视频预处理中的脚本裁剪为256×256。

image_path指定输入肖像。其分辨率应大于256×256。正面肖像,面部直接朝前且不倾斜到一侧,通常能达到令人满意的效果。输入肖像将被裁剪为256×256。如果您的肖像已经裁剪为256×256,且您想禁用裁剪,请使用选项--disable_img_crop,如下所示:

python inference_for_demo_video.py \
--wav_path data/audio/acknowledgement_chinese.m4a \
--style_clip_path data/style_clip/3DMM/M030_front_surprised_level3_001.mat \
--pose_path data/pose/RichardShelby_front_neutral_level1_001.mat \
--image_path data/src_img/cropped/zp1.png \
--disable_img_crop \
--cfg_scale 1.0 \
--max_gen_len 30 \
--output_name acknowledgement_chinese@M030_front_surprised_level3_001@zp1

cfg_scale控制无分类器引导的尺度。它可以调整说话风格的强度。

max_gen_len是最大视频生成时长,以秒为单位。如果输入音频超过此长度,将被截断。

生成的视频将命名为$(output_name).mp4并放在output_video文件夹中。中间结果,包括裁剪后的肖像,将在tmp/$(output_name)文件夹中。

data文件夹中提供了示例输入。由于版权问题,我们无法在此文件夹中包含我们使用的歌曲。

如果您想在CPU上运行此程序,请在命令行参数中添加--device=cpu。(感谢lukevs添加CPU支持。)

提高分辨率的临时解决方案

该方法的主要目标是在各种说话风格中实现准确的唇形同步并产生生动的表情。在初始设计过程中并未考虑分辨率。有两种临时解决方案可以提高分辨率。第一个选择是使用CodeFormer,可以实现1024×1024的分辨率;然而,它相对较慢,在A100 GPU上每秒只能处理一帧,并且存在时间一致性问题。第二个选择是使用MetaPortrait的时间超分辨率模型,可以达到512×512的分辨率,提供更快的性能(每秒10帧),并保持时间连贯性。然而,这些超分辨率模块可能会降低面部情感的强度。

经过超分辨率处理后的示例结果在output_video文件夹中。

致谢

我们衷心感谢前期工作对DreamTalk开发的宝贵贡献。这包括但不限于: PIRenderer ,AVCT ,StyleTalk ,Deep3DFaceRecon_pytorch ,Wav2vec2.0 ,diffusion-point-cloud ,FOMM视频预处理。我们致力于在这些基础工作的基础上进行改进,同时最大程度地尊重他们的原始贡献。

引用

如果您发现这个代码库对您的研究有用,请使用以下条目。

@article{ma2023dreamtalk, title={DreamTalk: When Expressive Talking Head Generation Meets Diffusion Probabilistic Models}, author={Ma, Yifeng and Zhang, Shiwei and Wang, Jiayu and Wang, Xiang and Zhang, Yingya and Deng, Zhidong}, journal={arXiv preprint arXiv:2312.09767}, year={2023} }

免责声明

本方法仅用于<strong>研究/非商业用途</strong>

编辑推荐精选

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辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
Trae

Trae

字节跳动发布的AI编程神器IDE

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。

AI工具TraeAI IDE协作生产力转型热门
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。

热门AI助手AI对话AI工具聊天机器人
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。

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

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作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。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

下拉加载更多