懂AI
hallo

hallo

分层音频驱动人像动画合成框架

Hallo是一个分层音频驱动的视觉合成框架，用于生成人像图像动画。该框架可根据输入音频创建高质量的说话头像视频，支持重现多种经典电影场景。Hallo采用分层设计，整合多个先进模型，实现精细的面部表情和唇形同步。项目提供完整的训练和推理代码，适用于多种应用场景。

Hallo视频合成AI动画人像动画语音驱动Github开源项目
访问官网GitHubHugging Face论文文档
<h1 align='center'>Hallo: 基于音频驱动的层级式肖像图像动画视觉合成</h1> <div align='center'> <a href='https://github.com/xumingw' target='_blank'>徐明旺</a><sup>1*</sup>&emsp; <a href='https://github.com/crystallee-ai' target='_blank'>李辉</a><sup>1*</sup>&emsp; <a href='https://github.com/subazinga' target='_blank'>苏庆坤</a><sup>1*</sup>&emsp; <a href='https://github.com/NinoNeumann' target='_blank'>商汉林</a><sup>1</sup>&emsp; <a href='https://github.com/AricGamma' target='_blank'>张立伟</a><sup>1</sup>&emsp; <a href='https://github.com/cnexah' target='_blank'>刘策</a><sup>3</sup>&emsp; </div> <div align='center'> <a href='https://jingdongwang2017.github.io/' target='_blank'>王井东</a><sup>2</sup>&emsp; <a href='https://yoyo000.github.io/' target='_blank'>姚尧</a><sup>4</sup>&emsp; <a href='https://sites.google.com/site/zhusiyucs/home' target='_blank'>朱思雨</a><sup>1</sup>&emsp; </div> <div align='center'> <sup>1</sup>复旦大学&emsp; <sup>2</sup>百度公司&emsp; <sup>3</sup>苏黎世联邦理工学院&emsp; <sup>4</sup>南京大学 </div> <br> <div align='center'> <a href='https://github.com/fudan-generative-vision/hallo'><img src='https://img.shields.io/github/stars/fudan-generative-vision/hallo?style=social'></a> <a href='https://fudan-generative-vision.github.io/hallo/#/'><img src='https://img.shields.io/badge/Project-HomePage-Green'></a> <a href='https://arxiv.org/pdf/2406.08801'><img src='https://img.shields.io/badge/Paper-Arxiv-red'></a> <a href='https://huggingface.co/fudan-generative-ai/hallo'><img src='https://img.shields.io/badge/%F0%9F%A4%97%20HuggingFace-Model-yellow'></a> <a href='https://huggingface.co/spaces/fffiloni/tts-hallo-talking-portrait'><img src='https://img.shields.io/badge/%F0%9F%A4%97%20HuggingFace-Demo-yellow'></a> <a href='https://www.modelscope.cn/models/fudan-generative-vision/Hallo/summary'><img src='https://img.shields.io/badge/Modelscope-Model-purple'></a> <a href='assets/wechat.jpeg'><img src='https://yellow-cdn.veclightyear.com/835a84d5/d37ccf42-ca99-43e5-a7a1-34fde2cdf776.svg'></a> </div> <br>

📸 展示

https://github.com/fudan-generative-vision/hallo/assets/17402682/9d1a0de4-3470-4d38-9e4f-412f517f834c

🎬 致敬经典电影

<table class="center"> <tr> <td style="text-align: center"><b>穿普拉达的女王</b></td> <td style="text-align: center"><b>绿皮书</b></td> <td style="text-align: center"><b>无间道</b></td> </tr> <tr> <td style="text-align: center"><a target="_blank" href="https://cdn.aondata.work/video/short_movie/Devil_Wears_Prada-480p.mp4"><img src="https://yellow-cdn.veclightyear.com/835a84d5/829680c9-1d81-429b-b2f0-0187e778f8a2.gif"></a></td> <td style="text-align: center"><a target="_blank" href="https://cdn.aondata.work/video/short_movie/Green_Book-480p.mp4"><img src="https://yellow-cdn.veclightyear.com/835a84d5/45d29388-2108-48e0-bce1-a99f277745da.gif"></a></td> <td style="text-align: center"><a target="_blank" href="https://cdn.aondata.work/video/short_movie/无间道-480p.mp4"><img src="https://yellow-cdn.veclightyear.com/835a84d5/a45e7a4d-2c83-4a66-98d1-d00b4143ae0b.gif"></a></td> </tr> <tr> <td style="text-align: center"><b>心灵捕手</b></td> <td style="text-align: center"><b>爱情呼叫转移</b></td> <td style="text-align: center"><b>肖申克的救赎</b></td> </tr> <tr> <td style="text-align: center"><a target="_blank" href="https://cdn.aondata.work/video/short_movie/Patch_Adams-480p.mp4"><img src="https://yellow-cdn.veclightyear.com/835a84d5/f22e7d9d-9665-4f2b-bc79-0ac2d8e089f8.gif"></a></td> <td style="text-align: center"><a target="_blank" href="https://cdn.aondata.work/video/short_movie/Tough_Love-480p.mp4"><img src="https://yellow-cdn.veclightyear.com/835a84d5/061977ef-6443-47a3-a360-57cbcd55bff7.gif"></a></td> <td style="text-align: center"><a target="_blank" href="https://cdn.aondata.work/video/short_movie/Shawshank-480p.mp4"><img src="https://yellow-cdn.veclightyear.com/835a84d5/b9884376-00f0-4116-a434-2b4629a2abc0.gif"></a></td> </tr> </table>

探索更多示例。

📰 新闻

  • 2024/06/28: 🎉🎉🎉 我们很高兴地宣布发布我们的模型训练代码。试试您自己的训练数据吧。这里是教程。
  • 2024/06/21: 🚀🚀🚀 在🤗Huggingface space上克隆了一个Gradio演示。
  • 2024/06/20: 🌟🌟🌟 收到了来自社区的众多贡献，包括Windows版本、ComfyUI、WebUI和Docker模板。
  • 2024/06/15: ✨✨✨ 在🤗Huggingface上发布了一些用于推理测试的图像和音频。
  • 2024/06/15: 🎉🎉🎉 在🫡GitHub上发布了第一个版本。

🤝 社区资源

探索由我们的社区开发的资源，以增强您使用Hallo的体验：

感谢他们所有人。

加入我们的社区，探索这些令人惊叹的资源，充分利用Hallo。尽情享受并提升您的创意项目！

🔧️ 框架

抽象图 框架图

⚙️ 安装

  • 系统要求：Ubuntu 20.04/Ubuntu 22.04，Cuda 12.1
  • 已测试的GPU：A100

创建conda环境：

  conda create -n hallo python=3.10
  conda activate hallo

使用pip安装包：

  pip install -r requirements.txt
  pip install .

此外，还需要安装ffmpeg：

  apt-get install ffmpeg

🗝️️ 使用方法

推理的入口点是scripts/inference.py。在测试您的案例之前，需要完成两项准备工作：

  1. 下载所有必需的预训练模型。
  2. 准备源图像和驱动音频对。
  3. 运行推理。

📥 下载预训练模型

您可以从我们的HuggingFace仓库轻松获取推理所需的所有预训练模型。

通过以下命令将预训练模型克隆到${PROJECT_ROOT}/pretrained_models目录：

git lfs install
git clone https://huggingface.co/fudan-generative-ai/hallo pretrained_models

或者您可以从它们的源仓库分别下载：

最终，这些预训练模型应组织如下：

./pretrained_models/
|-- audio_separator/
|   |-- download_checks.json
|   |-- mdx_model_data.json
|   |-- vr_model_data.json
|   `-- Kim_Vocal_2.onnx
|-- face_analysis/
|   `-- models/
|       |-- face_landmarker_v2_with_blendshapes.task  # 来自mediapipe的人脸标记模型
|       |-- 1k3d68.onnx
|       |-- 2d106det.onnx
|       |-- genderage.onnx
|       |-- glintr100.onnx
|       `-- scrfd_10g_bnkps.onnx
|-- motion_module/
|   `-- mm_sd_v15_v2.ckpt
|-- sd-vae-ft-mse/
|   |-- config.json
|   `-- diffusion_pytorch_model.safetensors
|-- stable-diffusion-v1-5/
|   `-- unet/
|       |-- config.json
|       `-- diffusion_pytorch_model.safetensors
`-- wav2vec/
    `-- wav2vec2-base-960h/
        |-- config.json
        |-- feature_extractor_config.json
        |-- model.safetensors
        |-- preprocessor_config.json
        |-- special_tokens_map.json
        |-- tokenizer_config.json
        `-- vocab.json

🛠️ 准备推理数据

Hallo对输入数据有一些简单的要求：

对于源图像：

  1. 应裁剪成正方形。
  2. 人脸应是主要焦点，占图像的50%-70%。
  3. 人脸应正面朝向，旋转角度小于30°（不要侧面轮廓）。

对于驱动音频：

  1. 必须是WAV格式。
  2. 必须是英语，因为我们的训练数据集仅包含这种语言。
  3. 确保人声清晰；背景音乐可以接受。

我们提供了一些样本供您参考。

🎮 运行推理

只需运行scripts/inference.py，并传入source_image和driving_audio作为输入：

python scripts/inference.py --source_image examples/reference_images/1.jpg --driving_audio examples/driving_audios/1.wav

默认情况下，动画结果将保存为${PROJECT_ROOT}/.cache/output.mp4。您可以传入--output来指定输出文件名。您可以在examples文件夹中找到更多推理示例。

更多选项：

usage: inference.py [-h] [-c CONFIG] [--source_image SOURCE_IMAGE] [--driving_audio DRIVING_AUDIO] [--output OUTPUT] [--pose_weight POSE_WEIGHT]
                    [--face_weight FACE_WEIGHT] [--lip_weight LIP_WEIGHT] [--face_expand_ratio FACE_EXPAND_RATIO]

选项:
  -h, --help            显示此帮助信息并退出
  -c CONFIG, --config CONFIG
  --source_image SOURCE_IMAGE
                        源图像
  --driving_audio DRIVING_AUDIO
                        驱动音频
  --output OUTPUT       输出视频文件名
  --pose_weight POSE_WEIGHT
                        姿态权重
  --face_weight FACE_WEIGHT
                        面部权重
  --lip_weight LIP_WEIGHT
                        唇部权重
  --face_expand_ratio FACE_EXPAND_RATIO
                        面部区域

训练

准备训练数据

训练数据使用一些类似于推理时使用的源图像的说话人脸视频，同样需要满足以下要求：

  1. 应裁剪成正方形。
  2. 人脸应是主要焦点，占图像的50%-70%。
  3. 人脸应正面朝向，旋转角度小于30°（不要侧面轮廓）。

将原始视频组织成以下目录结构：

dataset_name/
|-- videos/
|   |-- 0001.mp4
|   |-- 0002.mp4
|   |-- 0003.mp4
|   `-- 0004.mp4

您可以使用任何dataset_name，但确保videos目录命名如上所示。

接下来，使用以下命令处理视频：

python -m scripts.data_preprocess --input_dir dataset_name/videos --step 1
python -m scripts.data_preprocess --input_dir dataset_name/videos --step 2

**注意：**依次执行步骤1和2，因为它们执行不同的任务。步骤1将视频转换为帧，从每个视频中提取音频，并生成必要的掩码。步骤2使用InsightFace生成人脸嵌入，使用Wav2Vec生成音频嵌入，需要GPU。对于并行处理，使用-p和-r参数。-p参数指定要启动的实例总数，将数据分为p部分。-r参数指定当前进程应处理哪一部分。您需要手动启动多个实例，使用不同的-r值。

使用以下命令生成元数据JSON文件：

python scripts.extract_meta_info_stage1.py -r path/to/dataset -n dataset_name
python scripts.extract_meta_info_stage2.py -r path/to/dataset -n dataset_name

将path/to/dataset替换为videos的父目录路径，如上例中的dataset_name。这将在./data目录中生成dataset_name_stage1.json和dataset_name_stage2.json。

训练

在配置YAML文件configs/train/stage1.yaml和configs/train/stage2.yaml中更新数据元路径设置：

#stage1.yaml
data:
  meta_paths:
    - ./data/dataset_name_stage1.json

#stage2.yaml
data:
  meta_paths:
    - ./data/dataset_name_stage2.json

使用以下命令开始训练：

accelerate launch -m \
  --config_file accelerate_config.yaml \
  --machine_rank 0 \
  --main_process_ip 0.0.0.0 \
  --main_process_port 20055 \
  --num_machines 1 \
  --num_processes 8 \
  scripts.train_stage1 --config ./configs/train/stage1.yaml

Accelerate使用说明

accelerate launch 命令用于启动具有分布式设置的训练过程。

accelerate launch [参数] {训练脚本} --{训练脚本参数1} --{训练脚本参数2} ...

Accelerate 的参数：

  • -m, --module：将启动脚本解释为 Python 模块。
  • --config_file：Hugging Face Accelerate 的配置文件。
  • --machine_rank：在多节点设置中当前机器的排名。
  • --main_process_ip：主节点的 IP 地址。
  • --main_process_port：主节点的端口。
  • --num_machines：参与训练的节点总数。
  • --num_processes：训练的进程总数，与所有机器上的 GPU 总数匹配。

训练参数：

  • {training_script}：训练脚本，如 scripts.train_stage1 或 scripts.train_stage2。
  • --{训练脚本参数1}：特定于训练脚本的参数。我们的训练脚本接受一个参数 --config，用于指定训练配置文件。

对于多节点训练，你需要在每个节点上分别手动运行命令，使用不同的 machine_rank。

更多设置请参考 Accelerate 文档。

📅️ 路线图

状态里程碑预计时间
✅推理源代码在 GitHub 上与大家见面2024-06-15
✅预训练模型在 Huggingface 上发布2024-06-15
✅发布数据准备和训练脚本2024-06-28
🚀提升模型在中文普通话上的表现待定
<details> <summary>其他改进</summary>
  • 改进：测试并确保与 Windows 操作系统的兼容性。#39
  • 缺陷：输出视频可能会丢失几帧。#41
  • 缺陷：声音音量影响推理结果（音频归一化）。
  • 改进：推理代码逻辑优化。这个解决方案并未显示出明显的性能改进。正在尝试其他方法。
</details>

📝 引用

如果您发现我们的工作对您的研究有用，请考虑引用以下论文：

@misc{xu2024hallo,
  title={Hallo: Hierarchical Audio-Driven Visual Synthesis for Portrait Image Animation},
  author={Mingwang Xu and Hui Li and Qingkun Su and Hanlin Shang and Liwei Zhang and Ce Liu and Jingdong Wang and Yao Yao and Siyu zhu},
  year={2024},
  eprint={2406.08801},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

🌟 招聘机会

复旦大学生成视觉实验室目前有多个研究岗位空缺！包括：

  • 研究助理
  • 博士后研究员
  • 博士生
  • 硕士生

有兴趣的个人可以通过 siyuzhu@fudan.edu.cn 联系我们获取更多信息。

⚠️ 社会风险与缓解措施

由音频驱动的人像图像动画技术的发展带来了社会风险，如创建可能被滥用于深度伪造的逼真肖像的伦理影响。为缓解这些风险，建立伦理准则和负责任的使用实践至关重要。使用个人图像和声音也引发了隐私和同意问题。解决这些问题需要透明的数据使用政策、知情同意和保护隐私权。通过解决这些风险并实施缓解措施，该研究旨在确保该技术的负责任和道德发展。

🤗 致谢

我们要感谢 magic-animate、AnimateDiff、ultimatevocalremovergui、AniPortrait 和 Moore-AnimateAnyone 仓库的贡献者，感谢他们的开放研究和探索。

如果我们遗漏了任何开源项目或相关文章，我们希望立即补充对这项具体工作的致谢。

👏 社区贡献者

感谢所有帮助改进这个项目的贡献者！

<a href="https://github.com/fudan-generative-vision/hallo/graphs/contributors"> <img src="https://contrib.rocks/image?repo=fudan-generative-vision/hallo" /> </a>

编辑推荐精选

博思AIPPT

博思AIPPT

AI一键生成PPT，就用博思AIPPT！

博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
潮际好麦

潮际好麦

AI赋能电商视觉革命，一站式智能商拍平台

潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案，助力品牌曝光

稳定高效的流量提升解决方案，助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用，一键生成无水印视频

最新版Sora2模型免费使用，一键生成无水印视频

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
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。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多