【大模型系列篇】数字人音唇同步模型——腾讯开源MuseTalk

之前有一期我们体验了阿里开源的半身数字人项目EchoMimicV2，感兴趣的小伙伴可跳转至《AI半身数字人开箱体验——开源项目EchoMimicV2》，今天带大家来体验腾讯开源的数字人音唇同步模型MuseTalk。

MuseTalk 是一个实时高品质音频驱动的唇形同步模型，是在 ft-mse-vae 的潜在空间中进行训练，该模型：

能够根据输入的音频修改未知的面部动作，面部区域大小为 256 x 256。
支持中文、英文和日文等多种语言的音频。
在 NVIDIA Tesla V100 上支持超过 30fps 的实时推理。
支持修改面部区域中心点，这对生成结果有显著影响。
在 HDTF 数据集上训练的模型checkpoint。

MuseTalk 是在潜在空间中进行训练，其中图像由冻结的 VAE 编码，音频由冻结的 whisper-tiny 模型编码。生成网络的架构借鉴了 stable-diffusion-v1-4 的 UNet，其中音频嵌入通过交叉注意力与图像嵌入融合。

注：尽管MuseTalk使用的架构与 Stable Diffusion 非常相似，但 MuseTalk 的独特之处在于它不是一个扩散模型。相反，MuseTalk 是通过在潜在空间中单步修复来操作。

安装部署

https://github.com/TMElyralab/MuseTalk

1. 构建基础环境

Python version=3.10
Cuda version=12.4

2. 安装依赖

pip install -r requirements.txt

mmlab packages

pip install --no-cache-dir -U openmim 
mim install mmengine 
mim install "mmcv>=2.0.1" 
mim install "mmdet>=3.1.0" 
mim install "mmpose>=1.1.0"

3. 安装ffmpeg-static

wget https://www.johnvansickle.com/ffmpeg/old-releases/ffmpeg-4.4-amd64-static.tar.xz
tar -xf ffmpeg-4.4-amd64-static.tar.xz
export FFMPEG_PATH=/path/to/ffmpeg-4.4-amd64-static

4. 安装MuseTalk权重

wget https://hf-mirror.com/TMElyralab/MuseTalk/resolve/main/musetalk/musetalk.json
wget https://hf-mirror.com/TMElyralab/MuseTalk/resolve/main/musetalk/pytorch_model.bin

5. 安装其他组件权重

# sd-vae-ft-mse
git clone https://hf-mirror.com/stabilityai/sd-vae-ft-mse
# whisper
wget https://openaipublic.azureedge.net/main/whisper/models/65147644a518d12f04e32d6f3b26facc3f8dd46e5390956a9424a650c0ce22b9/tiny.pt
# dwpose
git clone https://hf-mirror.com/yzd-v/DWPose
# face-parse-bisent
git clone https://hf-mirror.com/ManyOtherFunctions/face-parse-bisent
# resnet18
wget https://download.pytorch.org/models/resnet18-5c106cde.pth

模型权重路径结构

`快速入门`

推理

python -m scripts.inference --inference_config configs/inference/test.yaml

configs/inference/test.yaml是推理配置文件的路径，包含视频路径（video_path）和音频路径（audio_path）。视频路径可以是视频文件、图像文件或者图像目录。

建议输入帧率为25帧每秒的视频，这与训练模型时使用的帧率相同。如果你的视频帧率远低于25帧每秒，建议进行帧插值处理，或者直接使用ffmpeg将视频转换为25帧每秒。

使用bbox_shift来获得可调节的结果

我们发现遮罩的上边界对嘴巴张开程度有重要影响。因此，为了控制遮罩区域，建议使用bbox_shift参数。正值（朝下半部分移动）会增加嘴巴张开程度，而负值（朝上半部分移动）会减小嘴巴张开程度。

你可以先使用默认配置运行以获取可调节值的范围，然后在此范围内重新运行脚本。

例如，以孙新颖的情况为例，运行默认配置后，显示可调节值范围是[-9, 9]。然后，若要减小嘴巴张开程度，可将该值设为-7。

python -m scripts.inference --inference_config configs/inference/test.yaml --bbox_shift -7

更多技术细节可在bbox_shift部分找到。

结合 MuseV和 MuseTalk

作为虚拟人物生成的完整解决方案，建议你首先参考相关内容使用“MuseV”来生成视频（文本转视频、图像转视频或姿态转视频）。建议进行帧插值以提高帧率。然后，你可以参考相关内容使用“MuseTalk”来生成唇形同步视频。

实时推理

在此，我们提供推理脚本。该脚本会预先进行必要的预处理，如人脸检测、人脸解析以及变分自编码器（VAE）编码等操作。在推理过程中，仅涉及生成对抗网络（UNet）和变分自编码器解码器，这使得“MuseTalk”具备实时性。

python -m scripts.realtime_inference --inference_config configs/inference/realtime.yaml --batch_size 4

configs/inference/realtime.yaml是实时推理配置文件的路径，包含准备工作（preparation）、视频路径（video_path）、bbox_shift和音频片段（audio_clips）等内容。

❗️此处代码get_image_blending有些问题，我们回退这个函数。

https://github.com/TMElyralab/MuseTalk/issues/220

在realtime.yaml中将preparation设为True，以便为新的虚拟形象准备素材。（如果bbox_shift发生了变化，也需要重新准备素材。）

之后，该虚拟形象将使用从音频片段中选取的一个音频片段来生成视频。

例如使用data/audio/yongen.wav进行推理。

在“MuseTalk”进行推理时，子线程可以同时将结果推送给用户。在英伟达特斯拉V100显卡上，生成过程能够达到30帧每秒及以上的帧率。

如果想使用同一个虚拟形象生成更多视频，可将preparation设为False并运行此脚本。

❗️实时推理注意事项

如果想用同一个虚拟形象/视频生成多个视频，也可以使用此脚本来大幅加快生成过程。

在前面的脚本中，生成时间也受输入/输出（例如保存图像）的限制。如果你只是想测试生成速度而不保存图像，可以运行以下命令：

python -m scripts.realtime_inference --inference_config configs/inference/realtime.yaml --skip_save_images

启动app

#!/bin/bash

echo "entrypoint.sh"
whoami
which python
source /opt/conda/etc/profile.d/conda.sh
conda activate musev
which python
python app.py

sh entrypoint.sh

效果展示

现在就让我们来体验音唇同步的魅力。

任务1：我们将之前用EchoMimicV2生成的14s视频，融合两段不同的音频。

原视频：奋斗的路漫长，爱情是甜蜜的糖，两者交织的光，把生命都照亮。

音频1：地球已经存在45亿年，人类文明的存在对于地球来说只是眨眼间的时间。人类用了几万年的时间征服地球，毁灭只用了短短的几秒钟。核辐射污染了整个地球，使地球所有生命都即将殆尽。那些幸存的人类，也许在外太空找了几十年，也没有找到适合人类居住的行星。

音频2：我见过你最爱我的样子，所以当你开始敷衍我的时候，其实我心里早就明白，只是还放不下那段曾经。享受了工作带来的薪酬和成长，就要接纳工作带来的委屈和辛苦。每一刻疲惫的瞬间，我想的都是好好挣钱好好生活。

任务2：我们将MuseTalk自带的人物视频，融合EchoMimicV2官方介绍的音频（视频中提取）。

下面我们来看看MuseTalk给大家带来的效果：