176 lines
5.8 KiB
Markdown
176 lines
5.8 KiB
Markdown
A streaming digital human based on the Ernerf model， realize audio video synchronous dialogue. It can basically achieve commercial effects.
|
||
基于ernerf模型的流式数字人，实现音视频同步对话。基本可以达到商用效果
|
||
|
||
[![Watch the video]](/assets/demo.mp4)
|
||
|
||
## Features
|
||
1. 支持声音克隆
|
||
2. 支持大模型对话
|
||
3. 支持多种音频特征驱动：wav2vec、hubert
|
||
4. 支持全身视频拼接
|
||
5. 支持rtmp和webrtc
|
||
|
||
## 1. Installation
|
||
|
||
Tested on Ubuntu 20.04, Python3.10, Pytorch 1.12 and CUDA 11.3
|
||
|
||
### 1.1 Install dependency
|
||
|
||
```bash
|
||
conda create -n nerfstream python=3.10
|
||
conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch
|
||
conda activate nerfstream
|
||
pip install -r requirements.txt
|
||
pip install "git+https://github.com/facebookresearch/pytorch3d.git"
|
||
pip install tensorflow-gpu==2.8.0
|
||
```
|
||
linux cuda环境搭建可以参考这篇文章 https://zhuanlan.zhihu.com/p/674972886
|
||
|
||
### 1.2 安装rtmpstream库
|
||
参照 https://github.com/lipku/python_rtmpstream
|
||
|
||
|
||
## 2. Run
|
||
|
||
### 2.1 运行rtmpserver (srs)
|
||
```
|
||
docker run --rm -it -p 1935:1935 -p 1985:1985 -p 8080:8080 registry.cn-hangzhou.aliyuncs.com/ossrs/srs:5
|
||
```
|
||
|
||
### 2.2 启动数字人：
|
||
|
||
```python
|
||
python app.py
|
||
```
|
||
|
||
如果访问不了huggingface，在运行前
|
||
```
|
||
export HF_ENDPOINT=https://hf-mirror.com
|
||
```
|
||
|
||
运行成功后，用vlc访问rtmp://serverip/live/livestream
|
||
|
||
用浏览器打开http://serverip:8010/echo.html, 在文本框输入任意文字，提交。数字人播报该段文字
|
||
|
||
## 3. More Usage
|
||
### 3.1 使用LLM模型进行数字人对话
|
||
|
||
目前借鉴数字人对话系统[LinlyTalker](https://github.com/Kedreamix/Linly-Talker)的方式，LLM模型支持Chatgpt,Qwen和GeminiPro。需要在app.py中填入自己的api_key。
|
||
|
||
用浏览器打开http://serverip:8010/chat.html
|
||
|
||
### 3.2 声音克隆
|
||
可以任意选用下面两种服务，推荐用gpt-sovits
|
||
#### 3.2.1 gpt-sovits
|
||
服务部署参照[gpt-sovits](/tts/README.md)
|
||
运行
|
||
```
|
||
python app.py --tts gpt-sovits --TTS_SERVER http://127.0.0.1:5000 --CHARACTER test --EMOTION default
|
||
```
|
||
#### 3.2.2 xtts
|
||
运行xtts服务，参照 https://github.com/coqui-ai/xtts-streaming-server
|
||
```
|
||
docker run --gpus=all -e COQUI_TOS_AGREED=1 --rm -p 9000:80 ghcr.io/coqui-ai/xtts-streaming-server:latest
|
||
```
|
||
然后运行，其中ref.wav为需要克隆的声音文件
|
||
```
|
||
python app.py --tts xtts --REF_FILE data/ref.wav --TTS_SERVER http://localhost:9000
|
||
```
|
||
|
||
### 3.3 音频特征用hubert
|
||
如果训练模型时用的hubert提取音频特征，用如下命令启动数字人
|
||
```
|
||
python app.py --asr_model facebook/hubert-large-ls960-ft
|
||
```
|
||
|
||
### 3.4 设置背景图片
|
||
```
|
||
python app.py --bg_img bg.jpg
|
||
```
|
||
|
||
### 3.5 全身视频拼接
|
||
#### 3.5.1 切割训练用的视频
|
||
```
|
||
ffmpeg -i fullbody.mp4 -vf crop="400:400:100:5" train.mp4
|
||
```
|
||
用train.mp4训练模型
|
||
#### 3.5.2 提取全身图片
|
||
```
|
||
ffmpeg -i fullbody.mp4 -vf fps=25 -qmin 1 -q:v 1 -start_number 0 data/fullbody/img/%d.jpg
|
||
```
|
||
#### 3.5.2 启动数字人
|
||
```
|
||
python app.py --fullbody --fullbody_img data/fullbody/img --fullbody_offset_x 100 --fullbody_offset_y 5 --fullbody_width 580 --fullbody_height 1080 --W 400 --H 400
|
||
```
|
||
- --fullbody_width、--fullbody_height 全身视频的宽、高
|
||
- --W、--H 训练视频的宽、高
|
||
- ernerf训练第三步torso如果训练的不好，在拼接处会有接缝。可以在上面的命令加上--torso_imgs data/xxx/torso_imgs，torso不用模型推理，直接用训练数据集里的torso图片。这种方式可能头颈处会有些人工痕迹。
|
||
|
||
### 3.6 webrtc
|
||
#### 3.6.1 p2p模式
|
||
此种模式不需要srs
|
||
```
|
||
python app.py --transport webrtc
|
||
```
|
||
用浏览器打开http://serverip:8010/webrtc.html
|
||
|
||
#### 3.6.2 通过srs一对多
|
||
启动srs
|
||
```
|
||
export CANDIDATE='<服务器外网ip>'
|
||
docker run --rm --env CANDIDATE=$CANDIDATE \
|
||
-p 1935:1935 -p 8080:8080 -p 1985:1985 -p 8000:8000/udp \
|
||
registry.cn-hangzhou.aliyuncs.com/ossrs/srs:5 \
|
||
objs/srs -c conf/rtc.conf
|
||
```
|
||
然后运行
|
||
```
|
||
python app.py --transport rtcpush --push_url 'http://localhost:1985/rtc/v1/whip/?app=live&stream=livestream'
|
||
```
|
||
用浏览器打开http://serverip:8010/rtcpush.html
|
||
|
||
## 4. Docker Run
|
||
不需要第1步的安装，直接运行。
|
||
```
|
||
docker run --gpus all -it --network=host --rm registry.cn-hangzhou.aliyuncs.com/lipku/nerfstream:v1.3
|
||
```
|
||
docker版本已经不是最新代码，可以作为一个空环境，把最新代码拷进去运行。
|
||
|
||
## 5. Data flow
|
||
|
||
|
||
## 6. 数字人模型文件
|
||
可以替换成自己训练的模型(https://github.com/Fictionarry/ER-NeRF)
|
||
```python
|
||
.
|
||
├── data
|
||
│ ├── data_kf.json
|
||
│ ├── au.csv
|
||
│ ├── pretrained
|
||
│ └── └── ngp_kf.pth
|
||
|
||
```
|
||
|
||
## 7. 性能分析
|
||
1. 帧率
|
||
在Tesla T4显卡上测试整体fps为18左右，如果去掉音视频编码推流，帧率在20左右。用4090显卡可以达到40多帧/秒。
|
||
优化：新开一个线程运行音视频编码推流
|
||
2. 延时
|
||
整体延时3s左右
|
||
（1）tts延时1.7s左右，目前用的edgetts，需要将每句话转完后一次性输入，可以优化tts改成流式输入
|
||
（2）wav2vec延时0.4s，需要缓存18帧音频做计算
|
||
（3）srs转发延时，设置srs服务器减少缓冲延时。具体配置可看 https://ossrs.net/lts/zh-cn/docs/v5/doc/low-latency, 配置了一个低延时版本
|
||
```python
|
||
docker run --rm -it -p 1935:1935 -p 1985:1985 -p 8080:8080 registry.cn-hangzhou.aliyuncs.com/lipku/srs:v1.1
|
||
```
|
||
|
||
## 8. TODO
|
||
- [x] 添加chatgpt实现数字人对话
|
||
- [x] 声音克隆
|
||
- [ ] 数字人静音时用一段视频代替
|
||
|
||
如果本项目对你有帮助，帮忙点个star。也欢迎感兴趣的朋友一起来完善该项目。
|
||
Email: lipku@foxmail.com
|
||
微信公众号：数字人技术
|
||
|