MuseTalk - 数字人唇部同步

---

一、关于 MuseTalk

MuseTalk：具有 潜在空间修复 的 实时高质量唇部同步
作者：Yue Zhang , Minhao Liu, Zhaokang Chen, Bin Wu†, Yingjie He, Chao Zhan, Wenjiang Zhou (*Equal Contribution, †Corresponding Author, benbinwu@tencent.com)

由 腾讯音乐娱乐Lyra Lab 发布。

• github : https://github.com/TMElyralab/MuseTalk
• huggingface : https://huggingface.co/TMElyralab/MuseTalk
• space : https://huggingface.co/spaces/TMElyralab/MuseTalk

---

ai浮世绘 : 4090 MuseTalk实测 | 来看看开源方案距离实时唇纹合成还有多远
https://www.bilibili.com/video/BV13T42117uM/

---

我们介绍MuseTalk，一种实时的高质量对口型模型（NVIDIA特斯拉V100上的30fps+）。MuseTalk可以应用于输入视频，例如，由MuseV生成的，作为一个完整的虚拟人解决方案。

🆕更新：我们很高兴地宣布MusePose 已经发布。MusePose是一个图像到视频生成框架，用于控制信号下的虚拟人，如姿势。与MuseV和MuseTalk一起，我们希望社区能够加入我们，朝着能够生成具有全身运动和交互能力的end2end虚拟人的愿景前进。

---

概览

MuseTalk是一个实时高质量的音频驱动唇同步模型，在ft-mse-vae的潜在空间中训练

1. 根据输入音频修改看不见的脸，脸区域的大小为256 x 256。
2. 支持各种语言的音频，如中文、英文和日文。
3. 在NVIDIA特斯拉V100上支持30fps+的实时推理。
4. 支持修改人脸区域的中心点，这对生成结果有很大影响。
5. 在HDTF数据集上训练的检查点可用。
6. 训练代码（即将推出）。

---

新闻

• [04/02/2024]发布MuseTalk项目和预训练模型。
• [04/16/2024]在HuggingFace Spaces上发布Gradiodemo（感谢HF团队的社区资助）
• [04/17/2024]📣我们发布了一个利用MuseTalk进行实时推理的管道。

---

模型

MuseTalk在潜在空间中进行训练，图像由冻结的VAE编码。音频是由一个冻结的 whisper-tiny 模型编码的。

生成网络的架构借鉴了 stable-diffusion-v1-4，其中音频嵌入通过交叉关注融合到图像嵌入中。

请注意，尽管我们使用与 Stable Diffusion, 非常相似的架构，但MuseTalk的不同之处在于它不是扩散模型。相反，MuseTalk通过一步在潜在空间中修复来运行。

---

案例

详见：https://github.com/TMElyralab/MuseTalk?tab=readme-ov-file#cases

---

待办事项：

• 训练过的模型和推理代码。
• Huggingface Gradio演示.
• 实时推理代码。
• 技术报告。
• 训练代码。
• 更好的模型（可能需要更长的时间）。

---

第三方集成

感谢第三方集成，让大家安装使用更加方便，我们也希望大家注意，我们没有验证、维护、更新第三方，具体结果请参考本项目。

---

ComfyUI : https://github.com/chaojie/ComfyUI-MuseTalk

---

二、安装

要准备Python环境并安装其他软件包，如opencv、扩散器、mmcv等，请按照以下步骤操作：

---

构建环境

我们推荐python版本>=3.10和cuda版本=11.7。然后构建环境如下：

pip install -r requirements.txt

---

mmlab 软件包

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" 

---

下载 ffmpeg-static

下载 ffmpeg-static 和

export FFMPEG_PATH=/path/to/ffmpeg

例如：

export FFMPEG_PATH=/musetalk/ffmpeg-4.4-amd64-static

---

下载权重

您可以手动下载权重，如下所示：

1. 下载我们训练的重量。
2. 下载其他组件的权重：
   • sd-vae-ft-mse
   • whisper
   • dwpose
   • face-parse-bisent
   • resnet18

---

最后，这些权重应按以下models组织：

./models/
├── musetalk
│   └── musetalk.json
│   └── pytorch_model.bin
├── dwpose
│   └── dw-ll_ucoco_384.pth
├── face-parse-bisent
│   ├── 79999_iter.pth
│   └── resnet18-5c106cde.pth
├── sd-vae-ft-mse
│   ├── config.json
│   └── diffusion_pytorch_model.bin
└── whisper
    └── tiny.pt

---

三、快速入门

---

推理

在这里，我们提供了推理脚本。

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

configs/inect/test. yaml 是推理配置文件的路径，包括 video_path 和 audio_path。video_path 应该是视频文件、图像文件或图像目录。

建议您输入25fps的视频，与训练模型时使用的fps相同。如果您的视频远低于25fps，建议您应用插帧或直接使用 ffmpeg 将视频转换为25fps。

---

使用 bbox_shift 以获得可调整的结果

🔎我们发现掩膜的上界对张口有重要影响。因此，为了控制掩膜区域，我们建议使用bbox_shift参数。正值（向下半部分移动）增加张口，而负值（向上半部分移动）减少张口。

您可以首先使用默认配置运行以获取可调整的值范围，然后在此范围内重新运行脚本。

例如，在Xinying Sun的情况下，运行默认配置后，它显示可调值愤怒是[-9,9]。然后，为了减少嘴张开，我们将值设置为-7。

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

📌更多技术细节可以在bbox_shift中找到。

---

结合 MuseV 和 MuseTalk

作为虚拟人生成的完整解决方案，建议您首先应用MuseV通过引用此生成视频（文本到视频、图像到视频或姿势到视频）。帧插值建议增加帧率。然后，您可以使用MuseTalk通过引用此生成唇同步视频。

---

🆕实时推理

在这里，我们提供了推理脚本。该脚本首先应用必要的预处理，如人脸检测、人脸解析和VAE预先编码。在推理过程中，只涉及UNet和VAE解码器，这使得MuseTalk是实时的。

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，包括preparation、video_path、bbox_shift和audio_clips。

1. 在realtime.yaml中将preparation设置为True以准备新avatar的材料。（如果bbox_shift发生了变化，您还需要重新准备材料。）
2. 之后，avatar 将使用从 audio_clips 中选择的音频剪辑 来生成视频。

Inferring using: data/audio/yongen.wav

3. 当MuseTalk进行推理时，子线程可以同时将结果流式传输给用户。生成过程可以在NVIDIA特斯拉V100上实现30fps+。
4. 将preparation设置为False 并运行此脚本，如果您想使用相同的头像生成更多视频。

---

实时推理注意事项

1. 如果您想使用同一个头像/视频生成多个视频，您也可以使用此脚本显着加快生成过程。
2. 在之前的脚本中，生成时间也受到I/O的限制（例如保存图像）。如果你只是想在不保存图像的情况下测试生成速度，你可以运行

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

---

四、其它

致谢

1. 我们感谢开源组件，如 whisper, dwpose, face-alignment, face-parsing, S3FD。
2. MuseTalk提到了很多 diffusers 和 isaacOnline/whisper.。
3. MuseTalk建立在HDTF数据集上。

感谢开源！

---

限制

• 分辨率：尽管MuseTalk使用256 x 256的人脸区域大小，这使得它比其他开源方法更好，但它还没有达到理论分辨率界限。我们将继续处理这个问题。
  如果您需要更高的分辨率，您可以将GFPGAN等超分辨率模型与MuseTalk结合使用。
• 身份保存：原始脸部的一些细节没有保存好，如小胡子、唇形和颜色。
• 抖动：由于当前流水线采用单帧生成，因此存在一些抖动。

---

引文

@article{musetalk,
  title={MuseTalk: Real-Time High Quality Lip Synchorization with Latent Space Inpainting},
  author={Zhang, Yue and Liu, Minhao and Chen, Zhaokang and Wu, Bin and He, Yingjie and Zhan, Chao and Zhou, Wenjiang},
  journal={arxiv},
  year={2024}
}

---

免责声明/许可证

1. code：MuseTalk的代码是在MIT许可证下发布的。学术和商业用途没有限制。
2. model：经过训练的模型可用于任何目的，甚至商业用途。
3. other opensource model：使用的其他开源模型必须符合其许可，如whisper、ft-mse-vae、dwpose、S3FD等。
4. 测试数据收集自互联网，仅用于非商业研究目的。
5. AIGC：这个项目致力于对人工智能驱动的视频生成领域产生积极影响。用户被授予使用这个工具创建视频的自由，但他们应该遵守当地法律并负责任地使用它。开发人员不承担用户潜在滥用的任何责任。

---

2024-08-03（六）