前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >音视频开发之旅(72)- AI数字人-照片说话之SadTalker

音视频开发之旅(72)- AI数字人-照片说话之SadTalker

原创
作者头像
音视频开发之旅
发布2024-03-02 11:47:28
2400
发布2024-03-02 11:47:28
举报

目录

1.效果展示

2.SadTalker原理学习

3.SadTalker代码流程分析

4.性能优化

5.参考资料

AI数字人目前做的最好的无疑是heygen,但是费用也是很贵,也有一些其他的商业应用,比如:微软小冰、腾讯智影、万兴播爆和硅基智能等。

而开源的方案也是层出不穷,比如:wav2lip、sadtalker、genfaceplusplus和videoRetalker,就在这两天 阿里的EMO也发布了一些效果视频也是相当不错,尚未开源。

今天我们来学习分析下Sadtalker。这里涉及到很多技术点:文字转语音、图像识别、音频驱动口型和肢体联动以及视频合成等

一、效果展示

https://www.bilibili.com/video/BV1Hx421273t/?spm_id_from=333.999.0.0

生成步骤:

使用Stablediffusion文生图生成虚拟人物照片

准备文本内容,把内容使用文字转语音

使用音频驱动照片嘴唇和表型等变化生成视频

二、SadTalker原理学习

在制作会说话的头像(Talking Head Generation)时,会面临一些挑战,比如头部运动不自然、面部表情扭曲,甚至人物的身份似乎发生了变化。这些问题通常是由于直接从二维图像中学习头部和面部的运动,而这些二维图像中的运动信息是复杂相互关联的。同样,即使使用三维信息,也可能会遇到表情僵硬和视频不连贯的问题。

为了解决这些问题,西安交通大学的研究人员提出了SadTalker模型。这种方法首先生成了一个三维的脸部模型(3DMM),这个模型包括头部的姿势和表情等系数。然后,利用三维面部渲染器来生成视频。为了让生成的面部运动更加真实,研究者探索了音频和不同类型的面部运动系数之间的联系。他们设计了ExpNet网络,通过观察三维渲染的人脸来学习如何产生准确的面部表情。同时,为了生成多样化的头部动画,还设计了PoseVAE网络来生成不同风格的头部动画。最后,将生成的3DMM系数映射到面部渲染器的三维关键点空间,以生成最终的视频。

图片

图片来自:https://arxiv.org/pdf/2211.12194.pdf

2.1 表情系数 ExpNet

图片

图片来自:https://arxiv.org/pdf/2211.12194.pdf

对于一段音频,首先生成t帧表情系数,其中每个帧的音频特征就是0.2s的梅尔频谱。训练时,利用一个基于ResNet的音频编码器映射到一个隐空间,然后线性层作为一个映射网络解码表情系数。为了保证个人特征,通过第一帧的表情系数建立表情和特定人的身份进行关联;为了减少在说话时其他面部成分的表情的权重,利用预训练的Wav2lip生成的嘴唇运动系数作为target

2.2 头部姿势 PoseVAE

图片

图片来自:https://arxiv.org/pdf/2211.12194.pdf

PoseVAE没有直接生成姿势,而是学习与第一帧姿势 ρ0之间的残差,这使本方法能够在测试阶段中基于第一帧条件下的生成更长、稳定和连续的头部运动

2.3 3D-aware面部渲染

图片

图片来自:https://arxiv.org/pdf/2211.12194.pdf

face-vid2vid需要真实视频作为驱动信号,而研究者提出的面部渲染器利用3DMM参数进行驱动,通过mappingNet来学习3DMM运动系数(头部姿势和表情)和3D关键点之间的关系

三、SadTalker代码实现分析

3.1. 模型初始化

preprocess_model:用于将人脸从图像中裁剪出来,并提取人脸的关键点以及3DMM形态模型

audio_to_coeff:将音频转换为控制面部表情特别是唇部运动的系数

animate_from_coeff: 根据上面两个模型数据生成最终的面部动画

代码语言:javascript
复制
#将人脸从图像中裁剪出来,并提取人脸的关键点以及3DMM形态模型self.preprocess_model = CropAndExtract(path_of_lm_croper, path_of_net_recon_model, dir_of_BFM_fitting, self.device)#将音频转换为控制面部表情特别是唇部运动的系数self.audio_to_coeff = Audio2Coeff(audio2pose_checkpoint, audio2pose_yaml_path,                             audio2exp_checkpoint, audio2exp_yaml_path,                             wav2lip_checkpoint, self.device)#生成口型动画视频self.animate_from_coeff = AnimateFromCoeff(free_view_checkpoint, mapping_checkpoint,                             facerender_yaml_path, self.device)

复制

3.2. 处理流程

代码语言:javascript
复制
#3DMM Extractionfirst_coeff_path, crop_pic_path, crop_info =  self.preprocess_model.generate(pic_path, first_frame_dir, self.preprocess)
batch = get_data(first_coeff_path, audio_path, self.device, ref_eyeblink_coeff_path, still=still)coeff_path = self.audio_to_coeff.generate(batch, save_dir, pose_style, ref_pose_coeff_path)
data = get_facerender_data(coeff_path, crop_pic_path, first_coeff_path, audio_path,                                     batch_size, input_yaw_list, input_pitch_list, input_roll_list,                                    expression_scale=expression_scale, still_mode=still, preprocess=self.preprocess)                                    return_path = self.animate_from_coeff.generate(data, save_dir, pic_path, crop_info, \        enhancer=enhancer, background_enhancer=background_enhancer, preprocess=self.preprocess)

复制

3.2.1 preprocess_model.generate

主要用于从视频帧中裁剪出人脸,并提取面部关键点和3DMM(三维形态模型)参数

代码语言:javascript
复制
#内部通过dlib进行人脸检测 获取人脸68个关键点,并提取面部关键点和3DMM(三维形态模型)参数x_full_frames, crop, quad = self.croper.crop(x_full_frames_before, still=True, xsize=pic_size)clx, cly, crx, cry = croplx, ly, rx, ry = quadlx, ly, rx, ry = int(lx), int(ly), int(rx), int(ry)oy1, oy2, ox1, ox2 = cly+ly, cly+ry, clx+lx, clx+rxcrop_info = ((ox2 - ox1, oy2 - oy1), crop, quad)
#get the landmark according to the detected facelm = self.kp_extractor.extract_keypoint(frames_pil, landmarks_path)
# load 3dmm paramter generator from Deep3DFaceRecon_pytorchsavemat(coeff_path, {'coeff_3dmm': semantic_npy, 'full_3dmm': np.array(full_coeffs)[0]})

复制

3.2.2 audio_to_coeff.generate

用于根据音频进行 表情系数和 头部姿态参数 的预测

代码语言:javascript
复制
#sadtalker/src/test_audio2coeff.py
exp_pred = results_dict_exp['exp_coeff_pred']   results_dict_pose = self.audio2pose_model.test(batch) pose_pred = results_dict_pose['pose_pred'] 
coeffs_pred = torch.cat((exp_pred, pose_pred), dim=-1)            #bs T 70coeffs_pred_numpy = coeffs_pred[0].clone().detach().cpu().numpy() savemat(os.path.join(coeff_save_dir, '%s.mat'%(batch['pic_name'])),                      {'coeff_3dmm': coeffs_pred_numpy})

复制

3.2.3 animate_from_coeff.generate   驱动人脸渲染

根据3dmm人脸模型数据以及音频驱动口型数据和关键点信息等 生成视频帧

生成256x256的人头口型说话视频、对音频进行重采样到16000,然后合并音轨和视轨

把裁剪人脸的生成的对口型视频再贴回到全身图生成全身视频

对人脸和背景进行画质增强或超分

代码语言:javascript
复制
#sadtalker/src/facerender/animate.pydef generate(self, x, video_save_dir, pic_path, crop_info, enhancer=None, background_enhancer=None, preprocess='crop'):    #根据3dmm人脸模型数据以及音频驱动口型数据和关键点信息等 生成视频帧    predictions_video = make_animation(source_image, source_semantics, target_semantics,                                        self.generator, self.kp_extractor, self.he_estimator, self.mapping,                                         yaw_c_seq, pitch_c_seq, roll_c_seq, use_exp = True)    predictions_video = predictions_video.reshape((-1,)+predictions_video.shape[2:])    predictions_video = predictions_video[:frame_num]        ### the generated video is 256x256, so we  keep the aspect ratio,     #生成256x256的人头口型说话视频    imageio.mimsave(path, result, fps=float(25))        #对音频进行重采样到16000    sound = AudioSegment.from_mp3(audio_path)    frames = frame_num     end_time = start_time + frames*1/25*1000    word1=sound.set_frame_rate(16000)    word = word1[start_time:end_time]    word.export(new_audio_path, format="wav")        #合并音轨和视轨    save_video_with_watermark(path, new_audio_path, av_path, watermark= None)        #把裁剪人脸的生成的对口型视频再贴回到全身图生成全身视频    paste_pic(path, pic_path, crop_info, new_audio_path, full_video_path)            #对人脸进行画质增强        enhanced_images = face_enhancer(full_video_path, method=enhancer, bg_upsampler=background_enhancer)

复制

四、性能优化

4.1 工程优化

4.1.1 处理速度慢

通过上面的代码分析,主要流程有三步:

人脸关键点检测&3DMM形态模型提取;根据音频进行 表情系数和 头部姿态参数;人脸渲染视频生成

其中最主要耗时有三块:FaceRender(人脸渲染)、seamlessClone(把人脸“贴回”原图)、画质增强

face render可以通过设置batch_size加快,batchsize从默认值2增加到4,人脸渲染时间降低2s,但gpu翻倍,如果gpu资源足够的话可以增加batchsize,否则就不要修改.

seamlessClone  驱动口型动的是256*256的人头区域,最终想输出full的视频,需要把上面的头部视频加上mmmmmmmmmmmmmmmmbn 原始图片根据mask和location进行合并成新的视频,这个可以优化,通过线程池进行加速,耗时可以从40s减少到20s

代码语言:javascript
复制
```#src/utils/paste_pic.py
修改如下# tmp_path = str(uuid.uuid4())+'.mp4'
    # out_tmp = cv2.VideoWriter(full_video_path, cv2.VideoWriter_fourcc(*'MP4V'), fps, (frame_w, frame_h))    # for crop_frame in tqdm(crop_frames, 'seamlessClone:'):    #     p = cv2.resize(crop_frame.astype(np.uint8), (crx-clx, cry - cly)) 
    #     mask = 255*np.ones(p.shape, p.dtype)    #     location = ((ox1+ox2) // 2, (oy1+oy2) // 2)    #     gen_img = cv2.seamlessClone(p, full_img, mask, location, cv2.NORMAL_CLONE)    #     out_tmp.write(gen_img)
    # 自定义修改开始    def process_image(crop_frame):        p = cv2.resize(crop_frame.astype(np.uint8), (ox2-ox1, oy2 - oy1)) 
        mask = 255*np.ones(p.shape, p.dtype)        location = ((ox1+ox2) // 2, (oy1+oy2) // 2)        gen_img = cv2.seamlessClone(p, full_img, mask, location, cv2.NORMAL_CLONE)
        return gen_img    tmp_path = str(uuid.uuid4())+'.mp4'    out_tmp = cv2.VideoWriter(tmp_path, cv2.VideoWriter_fourcc(*'MP4V'), fps, (frame_w, frame_h))
    processed_frames = []  # 存储处理后的图像
    # 创建线程池    # 指定线程池的最大线程数    max_threads = 10
    # 创建线程池并设置max_workers参数    with futures.ThreadPoolExecutor(max_workers=max_threads) as executor:        # 提交任务并获取处理结果        processed_frames = []        for gen_img in tqdm(executor.map(process_image, crop_frames), total=len(crop_frames) ,desc='seamlessClone:'):            processed_frames.append(gen_img)
    # 一次将所有处理后的图像写入视频文件    for frame in processed_frames:        out_tmp.write(frame)    # 自定义修改结束```
感谢 https://github.com/OpenTalker/SadTalker/issues/520

复制

3、画质增强这块耗时暂时没有很好的优化方案

4.1.2 显存占用过多

如果是图片比较大,很容易爆显存,这是如果内存足够大的话,可以把在make_animation中把图片放到cpu,注意内存不要爆了。

另外可以对大图像进行resize进行输入

4.2 模型加速

使用 TensorRT 对 SadTalker 模型进行加速

修改 ONNX 模型,降低模型精度。float32 精度下加速效果不是很明显,可能只有 1.x 倍的提升,而在 fp16 精度下虽然有 2.5 倍的提升,但是生成的视频质量会有所下降

具体参考:SadTalker 模型加速方案 https://zhuanlan.zhihu.com/p/675551997

五、参考资料

1. 论文链接:https://arxiv.org/pdf/2211.12194.pdf

2. 【论文精读】 SadTalker:Stylized Audio-Driven Single Image Talking Face Animation  https://blog.csdn.net/weixin_45508265/article/details/129756195

3. TensorRT 使用指南(4):SadTalker 模型加速方案 https://zhuanlan.zhihu.com/p/675551997

4. 【三种生成数字人的方法】 https://www.youtube.com/watch?v=fhkr202Hhu0&ab_channel=AI-Candy

感谢你的阅读

接下来我们继续学习输出AIGC相关内容,“音视频开发之旅”,回复“AI数字人” 获取学习资料,一起学习成长。

欢迎交流

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
人脸识别
腾讯云神图·人脸识别(Face Recognition)基于腾讯优图强大的面部分析技术,提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能,为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景,充分满足各行业客户的人脸属性识别及用户身份确认等需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档