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
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。
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。
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。
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
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。
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。
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
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
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。
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。
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