MuseTalk

MuseTalk：使用潜在空间修复实现实时高质量唇形同步

Yue Zhang ^*、 Minhao Liu^*、 Zhaokang Chen、 Bin Wu^†、 Yingjie He、 Chao Zhan、 Wenjiang Zhou （^*贡献相同，^†通讯作者，benbinwu@tencent.com）

腾讯音乐娱乐集团 Lyra 实验室

github huggingface space 项目（即将推出） 技术报告（即将推出）

我们推出了 MuseTalk，这是一个实时高质量的唇形同步模型（在 NVIDIA Tesla V100 上可达 30fps+）。MuseTalk 可以应用于输入视频，例如由 MuseV 生成的视频，作为一个完整的虚拟人解决方案。

:new: 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，可以根据姿势等控制信号生成虚拟人。结合 MuseV 和 MuseTalk，我们希望社区能够加入我们，朝着能够端到端生成具有全身运动和交互能力的虚拟人的愿景迈进。

招聘

加入腾讯音乐娱乐集团 Lyra 实验室！

我们目前正在招聘 AIGC 研究人员，包括实习生、应届毕业生和资深人才（实习、校招、社招）。

详情请查看以下两个链接或联系 zkangchen@tencent.com

AI 研究员（https://join.tencentmusic.com/social/post-details/?id=13488, https://join.tencentmusic.com/social/post-details/?id=13502）

概述

MuseTalk 是一个实时高质量的音频驱动唇形同步模型，在 ft-mse-vae 的潜在空间中训练，它具有以下特点：

根据输入音频修改未见过的人脸，人脸区域大小为 256 x 256。
支持多种语言的音频，如中文、英文和日语。
在 NVIDIA Tesla V100 上支持实时推理，可达 30fps+。
支持修改人脸区域的中心点，这显著影响生成结果。
提供在 HDTF 数据集上训练的检查点。
训练代码（即将推出）。

新闻

[2024/04/02] 发布 MuseTalk 项目和预训练模型。
[2024/04/16] 在 HuggingFace Spaces 上发布 Gradio 演示（感谢 HF 团队的社区资助）
[2024/04/17] :mega: 我们发布了一个使用 MuseTalk 进行实时推理的流程。

模型

模型结构 MuseTalk 在潜在空间中训练，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。

请注意，尽管我们使用了与 Stable Diffusion 非常相似的架构，但 MuseTalk 与之不同，它不是扩散模型。相反，MuseTalk 通过单步在潜在空间进行修复操作。

案例展示

MuseV + MuseTalk 让人物照片栩栩如生！

图片	MuseV	+MuseTalk

最后两行的人物"孙新颖"是一位超模网红。您可以在抖音上关注她。

视频配音

MuseTalk	原始视频
	链接

对于视频配音，我们应用了一个自主开发的工具，可以识别说话的人。

一些有趣的视频！

图片	MuseV + MuseTalk

待办事项：

入门指南

我们为新用户提供了一个详细的教程，介绍MuseTalk的安装和基本使用方法：

第三方集成

感谢第三方集成，这使得安装和使用对每个人来说都更加方便。我们也希望您注意，我们没有验证、维护或更新第三方集成。具体结果请参考本项目。

ComfyUI

安装

要准备Python环境并安装额外的包，如opencv、diffusers、mmcv等，请按以下步骤操作：

构建环境

我们建议Python版本>=3.10，CUDA版本=11.7。然后按如下方式构建环境：

pip install -r requirements.txt

mmlab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并

export FFMPEG_PATH=/path/to/ffmpeg

例如：

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

下载权重

您可以按以下方式手动下载权重：

下载我们训练的权重。
下载其他组件的权重：

最后，这些权重应该在models中按以下方式组织：

./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

快速开始

推理

这里，我们提供了推理脚本。

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。

建议输入25fps的视频，这与训练模型时使用的fps相同。如果您的视频帧率远低于25fps，建议应用帧插值或直接使用ffmpeg将视频转换为25fps。

使用bbox_shift获得可调整的结果

:mag_right: 我们发现蒙版上界对嘴部开合度有重要影响。因此，为了控制蒙版区域，我们建议使用bbox_shift参数。正值（向下半部移动）会增加嘴部开合度，而负值（向上半部移动）会减少嘴部开合度。

您可以先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，对于Xinying Sun，运行默认配置后，显示可调整的值范围是[-9, 9]。然后，为了减少嘴部开合度，我们将值设为-7。

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

:pushpin: 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，建议您首先参考这里应用MuseV生成视频（文本到视频、图像到视频或姿势到视频）。建议进行帧插值以提高帧率。然后，您可以参考这里使用MuseTalk生成唇形同步视频。

:new: 实时推理

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

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。

在realtime.yaml中将preparation设置为True，为新的avatar准备材料。（如果bbox_shift发生变化，您也需要重新准备材料。）
之后，avatar将使用从audio_clips中选择的音频片段生成视频。
```
Inferring using: data/audio/yongen.wav
```
当MuseTalk正在推理时，子线程可以同时将结果流式传输给用户。在NVIDIA Tesla V100上，生成过程可以达到30fps以上。
如果您想使用相同的avatar生成更多视频，请将preparation设置为False并运行此脚本。

实时推理注意事项

如果您想使用相同的avatar/视频生成多个视频，您也可以使用此脚本来显著加快生成过程。
在先前的脚本中，生成时间也受到I/O（如保存图像）的限制。如果您只想测试生成速度而不保存图像，可以运行

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

致谢

我们感谢开源组件如whisper、dwpose、face-alignment、face-parsing、S3FD。
MuseTalk参考了diffusers和isaacOnline/whisper的许多内容。
MuseTalk基于HDTF数据集构建。

感谢开源！

局限性

分辨率：尽管MuseTalk使用256 x 256的面部区域大小，比其他开源方法更好，但尚未达到理论分辨率上限。我们将继续解决这个问题。如果您需要更高的分辨率，可以结合使用超分辨率模型，如GFPGAN。
身份保持：原始面部的一些细节未能很好地保留，如胡须、嘴唇形状和颜色。
抖动：由于当前管道采用单帧生成，存在一些抖动。

引用

@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

代码：MuseTalk的代码根据MIT许可发布。对学术和商业用途均无限制。
模型：训练好的模型可用于任何目的，包括商业用途。
其他开源模型：使用的其他开源模型必须遵守其许可，如whisper、ft-mse-vae、dwpose、S3FD等。
测试数据从互联网收集，仅供非商业研究目的使用。
AIGC：本项目致力于积极影响AI驱动的视频生成领域。用户可以自由使用此工具创建视频，但应遵守当地法律并负责任地使用。开发者不对用户可能的滥用承担任何责任。