语音驱动图片说话SadTalker

崎山小鹿 · 发表于 2024-2-8 15:37:14

先看效果：

SadTalker：使用一张图片和一段语音来生成口型和头、面部视频.
西安交通大学开源了人工智能SadTalker模型，通过从音频中学习生成3D运动系数，使用全新的3D面部渲染器来生成头部运动，可以实现图片+音频就能生成高质量的视频。
论文地址：Learning Realistic 3D Motion Coefficients
整体来说 Talking head 就是用语音驱动每一帧图片的表情（眼睛、嘴巴等）和头部（head motion）运动，并重建人脸以生成视频。表情运动是局部的，头部运动是全局的，且表情跟声音的关系比较强，头部姿态跟声音的关系比较弱，将这两个系数解耦开可以减少人脸扭曲。

sadtalker的原理基于深度学习技术,主要包括两个关键步骤:情感分类和文本生成。

一、下载工程文件
git clone https://github.com/Winfredy/SadTalker.git

clone

文件如下：

文件

二、安装Python
发现只支持python 3.10.6，>>>点击下载<<<
安装完成将Python添加到PATH

三、安装ffmpeg
下载 ffmpeg
解压到本地并记下bin的路径，将路径添加到PATH
也可以使用 scoop 安装 ffmpeg：
scoop install ffmpeg。

四、启动
运行webui.bat

第一次运行会下载gfpgan 模型，同时会自动安装requirements.txt里的组件，需要一点时间。

上传一张人物照片，上传一段wav格式的语音。

sadtalker

在右侧设置：
crop：短的，裁剪的，大头贴模式
resize：调整大小
full：原图

Still Mode:静止模式，较少的手部动作
GFPGAN as Face enhancer:人脸增强，GFPGAN是一个免费使用的开源软件，可以提高照片的分辨率和修复一些损坏。

点击“Generate”就开始生成了。

生成

用了我10G内存和4G显存

●gradio的版本不对也会影响启动，建议安装3.27.0版本: pip install gradio==3.27.0