FoleyCrafter
提升电影和游戏沉浸感的创新视频转音频框架
FoleyCrafter 是一个视频转音频生成框架，能生成与视频语义相关且同步的逼真音效，增强电影和游戏的沉浸式视听体验。该工具利用 Auffusion 和自适应模块实现时间对齐和视觉提示识别。FoleyCrafter 提供简便的环境配置和模型检查点下载，并可通过 Gradio 界面演示操作，适用于不同项目。
<a target="_blank" href="https://huggingface.co/spaces/ymzhang319/FoleyCrafter">
<img src="https://yellow-cdn.veclightyear.com/35dd4d3f/cc896190-e0db-4775-bc1e-eb8efda42f6a.svg" alt="Open in HugginFace"/>
</a>
FoleyCrafter
音效是电影和游戏中的无名英雄，增强了现实感、冲击力和情感深度，带来沉浸式的视听体验。FoleyCrafter 是一个视频转音频生成框架，可以生成与视频语义相关且同步的逼真实时音效。
你的点赞是我们的动力！<img alt="" width="30" src="https://yellow-cdn.veclightyear.com/35dd4d3f/b08739e3-dba3-492b-a784-49358e40cb4a.png"> 我们会加足马力！<img alt="" width="30" src="https://yellow-cdn.veclightyear.com/35dd4d3f/9a70a7c9-c425-4720-91ce-701228c2301f.png">
张一鸣, 顾宜成, 曾炎红†, 邢振宁, 王源成, 吴志正, 陈凯†
(†通讯作者)
新特性
- 更强大的一款 :stuck_out_tongue_closed_eyes:。
- 发布训练代码。
-
2024/07/01发布 FoleyCrafter 的模型和代码。
设置
准备环境
使用以下命令安装依赖项：
# 安装 conda 环境 conda env create -f requirements/environment.yaml conda activate foleycrafter # 安装 GIT LFS 以下载检查点 conda install git-lfs git lfs install
下载检查点
运行 inference.py 将自动下载检查点。
也可以使用以下命令手动下载。
<li> 下载文本到音频基模型。我们使用 Auffusion</li><li> 下载 FoleyCrafter</li>git clone https://huggingface.co/auffusion/auffusion-full-no-adapter checkpoints/auffusion
git clone https://huggingface.co/ymzhang319/FoleyCrafter checkpoints/
将检查点放置如下：
└── checkpoints
├── semantic
│ ├── semantic_adapter.bin
├── vocoder
│ ├── vocoder.pt
│ ├── config.json
├── temporal_adapter.ckpt
│ │
└── timestamp_detector.pth.tar
Gradio 演示
可以通过运行以下命令启动 FoleyCrafter 的 Gradio 界面：
python app.py --share
推理
视频到音频生成
python inference.py --save_dir=output/sora/
结果：
<table class='center'> <tr> <td><p style="text-align: center">输入视频</p></td> <td><p style="text-align: center">生成音频</p></td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td> </td> <td> https://github-production-user-asset-6210df.s3.amazonaws.com/134203169/342309836-77391524-9b31-4602-ad42-0876e0c16794.mp4?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAVCODYLSA53PQK4ZA%2F20240624%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-Date=20240624T122317Z&X-Amz-Expires=300&X-Amz-Signature=3020c12591592a106efcb1aaa22237093737afaa55ede3880d3cbf9cd80b7482&X-Amz-SignedHeaders=host&actor_id=134203169&key_id=0&repo_id=812946188 </td> <tr> </table>- 时间对齐与视觉提示
python inference.py \ --temporal_align \ --input=input/avsync \ --save_dir=output/avsync/
结果：
<table class='center'> <tr> <td><p style="text-align: center">Ground Truth</p></td> <td><p style="text-align: center">Generated Audio</p></td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td> </td> <td> </td> <tr> </table>基于文本的视频到音频生成
- 使用提示
# case1 python inference.py \ --input=input/PromptControl/case1/ \ --seed=10201304011203481429 \ --save_dir=output/PromptControl/case1/ python inference.py \ --input=input/PromptControl/case1/ \ --seed=10201304011203481429 \ --prompt='noisy, people talking' \ --save_dir=output/PromptControl/case1_prompt/ # case2 python inference.py \ --input=input/PromptControl/case2/ \ --seed=10021049243103289113 \ --save_dir=output/PromptControl/case2/ python inference.py \ --input=input/PromptControl/case2/ \ --seed=10021049243103289113 \ --prompt='seagulls' \ --save_dir=output/PromptControl/case2_prompt/
结果：
<table class='center'> <tr> <td><p style="text-align: center">Generated Audio</p></td> <td><p style="text-align: center">Generated Audio</p></td> <tr> <tr> <td><p style="text-align: center">Without Prompt</p></td> <td><p style="text-align: center">Prompt: <b>noisy, people talking</b></p></td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td><p style="text-align: center">Without Prompt</p></td> <td><p style="text-align: center">Prompt: <b>seagulls</b></p></td> <tr> <tr> <td> </td> <td> https://github-production-user-asset-6210df.s3.amazonaws.com/134203169/342311595-695668ed-46a1-47b2-b5fd-3aa4286d695e.mp4?X-Amz-Algorithm=AWS4-HMAC-SHA256&X-Amz-Credential=AKIAVCODYLSA53PQK4ZA%2F20240624%2Fus-east-1%2Fs3%2Faws4_request&X-Amz-Date=20240624T122500Z&X-Amz-Expires=300&X-Amz-Signature=bf7d69ab8c74154ee8ac5682f64ce29a310ea2d0365f620893a45899d62a3f80&X-Amz-SignedHeaders=host&actor_id=134203169&key_id=0&repo_id=812946188 </td> <tr> </table>- 使用负提示
# 案例3 python inference.py \ --input=input/PromptControl/case3/ \ --seed=10041042941301238011 \ --save_dir=output/PromptControl/case3/ python inference.py \ --input=input/PromptControl/case3/ \ --seed=10041042941301238011 \ --nprompt='river flows' \ --save_dir=output/PromptControl/case3_nprompt/ # 案例4 python inference.py \ --input=input/PromptControl/case4/ \ --seed=10014024412012338096 \ --save_dir=output/PromptControl/case4/ python inference.py \ --input=input/PromptControl/case4/ \ --seed=10014024412012338096 \ --nprompt='noisy, wind noise' \ --save_dir=output/PromptControl/case4_nprompt/
结果:
<table class='center'> <tr> <td><p style="text-align: center">生成的音频</p></td> <td><p style="text-align: center">生成的音频</p></td> <tr> <tr> <td><p style="text-align: center">无提示</p></td> <td><p style="text-align: center">负提示: <b>river flows</b></p></td> <tr> <tr> <td> </td> <td> </td> <tr> <tr> <td><p style="text-align: center">无提示</p></td> <td><p style="text-align: center">负提示: <b>noisy, wind noise</b></p></td> <tr> <tr> <td> </td> <td> </td> <tr> </table>命令行使用参数
options: -h, --help 显示此帮助信息并退出 --prompt PROMPT 音频生成的提示 --nprompt NPROMPT 音频生成的负提示 --seed SEED 随机种子 --temporal_align TEMPORAL_ALIGN 是否使用时间适配器 --temporal_scale TEMPORAL_SCALE 时间对齐比例 --semantic_scale SEMANTIC_SCALE 视觉内容比例 --input INPUT 输入视频文件夹路径 --ckpt CKPT 检查点文件夹路径 --save_dir SAVE_DIR 生成结果保存路径 --pretrain PRETRAIN 生成器检查点路径 --device DEVICE
BibTex
@misc{zhang2024pia,
title={FoleyCrafter: Bring Silent Videos to Life with Lifelike and Synchronized Sounds},
author={Yiming Zhang, Yicheng Gu, Yanhong Zeng, Zhening Xing, Yuancheng Wang, Zhizheng Wu, Kai Chen},
year={2024},
eprint={2407.01494},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
联系我们
Yiming Zhang: zhangyiming@pjlab.org.cn
YiCheng Gu: yichenggu@link.cuhk.edu.cn
Yanhong Zeng: zengyanhong@pjlab.org.cn
许可证
请查看 LICENSE 了解 FoleyCrafter 的详细信息。 如果你将其用于商业目的，请查看 Auffusion 的许可证。
致谢
该代码基于 Auffusion、 CondFoleyGen和 SpecVQGAN 构建。
我们推荐一个用于音频、音乐和语音生成的工具包 Amphion :gift_heart:.
编辑推荐精选
Vora
免费创建高清无水印Sora视频
Vora是一个免费创建高清无水印Sora视频的AI工具
Refly.AI
最适合小白的AI自动化工作流平台
无需编码，轻松生成可复用、可变现的AI自动化工作流
酷表ChatExcel
大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。
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。
AIWritePaper论文写作
AI论文写作指导平台
AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量 论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。
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。
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
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
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
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
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号