Hallo: 基于音频驱动的层级式肖像图像动画视觉合成

徐明旺^1* 李辉^1* 苏庆坤^1* 商汉林¹ 张立伟¹ 刘策³

王井东² 姚尧⁴ 朱思雨¹

¹复旦大学 ²百度公司 ³苏黎世联邦理工学院 ⁴南京大学

📸 展示

https://github.com/fudan-generative-vision/hallo/assets/17402682/9d1a0de4-3470-4d38-9e4f-412f517f834c

🎬 致敬经典电影

穿普拉达的女王	绿皮书	无间道

心灵捕手	爱情呼叫转移	肖申克的救赎

探索更多示例。

📰 新闻

2024/06/28: 🎉🎉🎉 我们很高兴地宣布发布我们的模型训练代码。试试您自己的训练数据吧。这里是教程。
2024/06/21: 🚀🚀🚀 在🤗Huggingface space上克隆了一个Gradio演示。
2024/06/20: 🌟🌟🌟 收到了来自社区的众多贡献，包括Windows版本、ComfyUI、WebUI和Docker模板。
2024/06/15: ✨✨✨ 在🤗Huggingface上发布了一些用于推理测试的图像和音频。
2024/06/15: 🎉🎉🎉 在🫡GitHub上发布了第一个版本。

🤝 社区资源

探索由我们的社区开发的资源，以增强您使用Hallo的体验：

TTS x Hallo 说话肖像生成器 - 查看由@Sylvain Filoni制作的这个精彩的Gradio演示！使用这个工具，您可以方便地为Hallo准备肖像图像和音频。
Huggingface上的演示 - 查看由@multimodalart制作的这个易于使用的Gradio演示。
hallo-webui - 探索由@daswer123创建的WebUI。
hallo-for-windows - 使用@sdbds提供的指南在Windows上使用Hallo。
ComfyUI-Hallo - 使用@AIFSH的ComfyUI工具集成Hallo。
hallo-docker - 由@ashleykleynhans制作的Hallo Docker镜像。
RunPod模板 - 由@ashleykleynhans将Hallo部署到RunPod。

感谢他们所有人。

加入我们的社区，探索这些令人惊叹的资源，充分利用Hallo。尽情享受并提升您的创意项目！

🔧️ 框架

抽象图框架图

⚙️ 安装

系统要求：Ubuntu 20.04/Ubuntu 22.04，Cuda 12.1
已测试的GPU：A100

创建conda环境：

  conda create -n hallo python=3.10
  conda activate hallo

使用pip安装包：

  pip install -r requirements.txt
  pip install .

此外，还需要安装ffmpeg：

  apt-get install ffmpeg

🗝️️ 使用方法

推理的入口点是scripts/inference.py。在测试您的案例之前，需要完成两项准备工作：

下载所有必需的预训练模型。
准备源图像和驱动音频对。
运行推理。

📥 下载预训练模型

您可以从我们的HuggingFace仓库轻松获取推理所需的所有预训练模型。

通过以下命令将预训练模型克隆到${PROJECT_ROOT}/pretrained_models目录：

git lfs install
git clone https://huggingface.co/fudan-generative-ai/hallo pretrained_models

或者您可以从它们的源仓库分别下载：

hallo：我们的检查点包括去噪UNet、人脸定位器、图像和音频投影。
audio_separator：Kim_Vocal_2 MDX-Net人声分离模型。（感谢KimberleyJensen）
insightface：2D和3D人脸分析放置在pretrained_models/face_analysis/models/中。（感谢deepinsight）
face landmarker：来自mediapipe的人脸检测和网格模型，放置在pretrained_models/face_analysis/models中。
motion module：来自AnimateDiff的运动模块。（感谢guoyww）
sd-vae-ft-mse：权重旨在与diffusers库一起使用。（感谢stablilityai）
StableDiffusion V1.5：从Stable-Diffusion-v1-2初始化和微调。（感谢runwayml）
wav2vec：来自Facebook的wav音频到向量模型。

最终，这些预训练模型应组织如下：

./pretrained_models/
|-- audio_separator/
|   |-- download_checks.json
|   |-- mdx_model_data.json
|   |-- vr_model_data.json
|   `-- Kim_Vocal_2.onnx
|-- face_analysis/
|   `-- models/
|       |-- face_landmarker_v2_with_blendshapes.task  # 来自mediapipe的人脸标记模型
|       |-- 1k3d68.onnx
|       |-- 2d106det.onnx
|       |-- genderage.onnx
|       |-- glintr100.onnx
|       `-- scrfd_10g_bnkps.onnx
|-- motion_module/
|   `-- mm_sd_v15_v2.ckpt
|-- sd-vae-ft-mse/
|   |-- config.json
|   `-- diffusion_pytorch_model.safetensors
|-- stable-diffusion-v1-5/
|   `-- unet/
|       |-- config.json
|       `-- diffusion_pytorch_model.safetensors
`-- wav2vec/
    `-- wav2vec2-base-960h/
        |-- config.json
        |-- feature_extractor_config.json
        |-- model.safetensors
        |-- preprocessor_config.json
        |-- special_tokens_map.json
        |-- tokenizer_config.json
        `-- vocab.json

🛠️ 准备推理数据

Hallo对输入数据有一些简单的要求：

对于源图像：

应裁剪成正方形。
人脸应是主要焦点，占图像的50%-70%。
人脸应正面朝向，旋转角度小于30°（不要侧面轮廓）。

对于驱动音频：

必须是WAV格式。
必须是英语，因为我们的训练数据集仅包含这种语言。
确保人声清晰；背景音乐可以接受。

我们提供了一些样本供您参考。

🎮 运行推理

只需运行scripts/inference.py，并传入source_image和driving_audio作为输入：

python scripts/inference.py --source_image examples/reference_images/1.jpg --driving_audio examples/driving_audios/1.wav

默认情况下，动画结果将保存为${PROJECT_ROOT}/.cache/output.mp4。您可以传入--output来指定输出文件名。您可以在examples文件夹中找到更多推理示例。

更多选项：

usage: inference.py [-h] [-c CONFIG] [--source_image SOURCE_IMAGE] [--driving_audio DRIVING_AUDIO] [--output OUTPUT] [--pose_weight POSE_WEIGHT]
                    [--face_weight FACE_WEIGHT] [--lip_weight LIP_WEIGHT] [--face_expand_ratio FACE_EXPAND_RATIO]

选项:
  -h, --help            显示此帮助信息并退出
  -c CONFIG, --config CONFIG
  --source_image SOURCE_IMAGE
                        源图像
  --driving_audio DRIVING_AUDIO
                        驱动音频
  --output OUTPUT       输出视频文件名
  --pose_weight POSE_WEIGHT
                        姿态权重
  --face_weight FACE_WEIGHT
                        面部权重
  --lip_weight LIP_WEIGHT
                        唇部权重
  --face_expand_ratio FACE_EXPAND_RATIO
                        面部区域

训练

准备训练数据

训练数据使用一些类似于推理时使用的源图像的说话人脸视频，同样需要满足以下要求：

应裁剪成正方形。
人脸应是主要焦点，占图像的50%-70%。
人脸应正面朝向，旋转角度小于30°（不要侧面轮廓）。

将原始视频组织成以下目录结构：

dataset_name/
|-- videos/
|   |-- 0001.mp4
|   |-- 0002.mp4
|   |-- 0003.mp4
|   `-- 0004.mp4

您可以使用任何dataset_name，但确保videos目录命名如上所示。

接下来，使用以下命令处理视频：

python -m scripts.data_preprocess --input_dir dataset_name/videos --step 1
python -m scripts.data_preprocess --input_dir dataset_name/videos --step 2

**注意：**依次执行步骤1和2，因为它们执行不同的任务。步骤1将视频转换为帧，从每个视频中提取音频，并生成必要的掩码。步骤2使用InsightFace生成人脸嵌入，使用Wav2Vec生成音频嵌入，需要GPU。对于并行处理，使用-p和-r参数。-p参数指定要启动的实例总数，将数据分为p部分。-r参数指定当前进程应处理哪一部分。您需要手动启动多个实例，使用不同的-r值。

使用以下命令生成元数据JSON文件：

python scripts.extract_meta_info_stage1.py -r path/to/dataset -n dataset_name
python scripts.extract_meta_info_stage2.py -r path/to/dataset -n dataset_name

将path/to/dataset替换为videos的父目录路径，如上例中的dataset_name。这将在./data目录中生成dataset_name_stage1.json和dataset_name_stage2.json。

训练

在配置YAML文件configs/train/stage1.yaml和configs/train/stage2.yaml中更新数据元路径设置：

#stage1.yaml
data:
  meta_paths:
    - ./data/dataset_name_stage1.json

#stage2.yaml
data:
  meta_paths:
    - ./data/dataset_name_stage2.json

使用以下命令开始训练：

accelerate launch -m \
  --config_file accelerate_config.yaml \
  --machine_rank 0 \
  --main_process_ip 0.0.0.0 \
  --main_process_port 20055 \
  --num_machines 1 \
  --num_processes 8 \
  scripts.train_stage1 --config ./configs/train/stage1.yaml

Accelerate使用说明

accelerate launch 命令用于启动具有分布式设置的训练过程。

accelerate launch [参数] {训练脚本} --{训练脚本参数1} --{训练脚本参数2} ...

Accelerate 的参数：

-m, --module：将启动脚本解释为 Python 模块。
--config_file：Hugging Face Accelerate 的配置文件。
--machine_rank：在多节点设置中当前机器的排名。
--main_process_ip：主节点的 IP 地址。
--main_process_port：主节点的端口。
--num_machines：参与训练的节点总数。
--num_processes：训练的进程总数，与所有机器上的 GPU 总数匹配。

训练参数：

{training_script}：训练脚本，如 scripts.train_stage1 或 scripts.train_stage2。
--{训练脚本参数1}：特定于训练脚本的参数。我们的训练脚本接受一个参数 --config，用于指定训练配置文件。

对于多节点训练，你需要在每个节点上分别手动运行命令，使用不同的 machine_rank。

更多设置请参考 Accelerate 文档。

📅️ 路线图

状态	里程碑	预计时间
✅	推理源代码在 GitHub 上与大家见面	2024-06-15
✅	预训练模型在 Huggingface 上发布	2024-06-15
✅	发布数据准备和训练脚本	2024-06-28
🚀	提升模型在中文普通话上的表现	待定

其他改进

改进：测试并确保与 Windows 操作系统的兼容性。#39
缺陷：输出视频可能会丢失几帧。#41
缺陷：声音音量影响推理结果（音频归一化）。
~~改进：推理代码逻辑优化~~。这个解决方案并未显示出明显的性能改进。正在尝试其他方法。

📝 引用

如果您发现我们的工作对您的研究有用，请考虑引用以下论文：

@misc{xu2024hallo,
  title={Hallo: Hierarchical Audio-Driven Visual Synthesis for Portrait Image Animation},
  author={Mingwang Xu and Hui Li and Qingkun Su and Hanlin Shang and Liwei Zhang and Ce Liu and Jingdong Wang and Yao Yao and Siyu zhu},
  year={2024},
  eprint={2406.08801},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

🌟 招聘机会

复旦大学生成视觉实验室目前有多个研究岗位空缺！包括：

研究助理
博士后研究员
博士生
硕士生

有兴趣的个人可以通过 siyuzhu@fudan.edu.cn 联系我们获取更多信息。

⚠️ 社会风险与缓解措施

由音频驱动的人像图像动画技术的发展带来了社会风险，如创建可能被滥用于深度伪造的逼真肖像的伦理影响。为缓解这些风险，建立伦理准则和负责任的使用实践至关重要。使用个人图像和声音也引发了隐私和同意问题。解决这些问题需要透明的数据使用政策、知情同意和保护隐私权。通过解决这些风险并实施缓解措施，该研究旨在确保该技术的负责任和道德发展。

🤗 致谢

我们要感谢 magic-animate、AnimateDiff、ultimatevocalremovergui、AniPortrait 和 Moore-AnimateAnyone 仓库的贡献者，感谢他们的开放研究和探索。

如果我们遗漏了任何开源项目或相关文章，我们希望立即补充对这项具体工作的致谢。

👏 社区贡献者

感谢所有帮助改进这个项目的贡献者！