热门标签
热门文章
- 1Cocos2d-X官方Demo---1.ActionManager
- 2hivesql行转列和列转行_hive sql 列转行
- 3Flutter web 最新进展: 发掘更多可能！
- 43.yolov5目标检测-常用评估指标_yolov5检测框上的显示的数字代表什么
- 5mysql和mysqldump出现command not found 问题解决_mysqldump: command not found
- 6网易 NLP 大模型实习面试题8道|含解析_1.文本生成的几大预训练任务?
- 7台积电砸1000亿元建12英寸晶圆厂：2018年量产--OFweek_台积电 晶圆产量 2018
- 8微信小程序—仿写京东购物商城带源码_微信小程序仿京东
- 9Linux(超级详细)
- 10我们该如何看待AIGC（人工智能）_大佬们怎么看aigc
当前位置: article > 正文
基于 Wav2Lip-GFPGAN 深度学习模型的数字人Demo
作者：知新_RL | 2024-05-26 07:14:50
赞
踩
wav2lip-gfpgan
写在前面
- 工作中遇到简单整理
- 博文为
Wav2Lip-GFPGAN环境搭建运行的 Demo - 理解不足小伙伴帮忙指正
对每个人而言，真正的职责只有一个：找到自我。然后在心中坚守其一生，全心全意，永不停息。所有其它的路都是不完整的，是人的逃避方式，是对大众理想的懦弱回归，是随波逐流，是对内心的恐惧 ——赫尔曼·黑塞《德米安》
Demo简单介绍
Wav2Lip-GAN
Wav2Lip-GAN 是一种基于生成对抗网络（GAN）的语音到唇形的转换模型。https://github.com/Rudrabha/Wav2Lip
基本原理是使用语音信号和人脸图像来训练一个生成器网络，该网络可以将输入的语音信号转换为对应的唇形。
该模型包括两个子网络：
- 一个是语音识别网络，用于将语音信号转换为文本；
- 另一个是唇形生成网络，用于将文本和人脸图像作为输入，生成对应的唇形。
两个网络通过GAN框架进行训练，以使生成的唇形尽可能地逼真。在测试阶段，给定一个语音信号和一个人脸图像，该模型可以生成一个与语音信号相对应的唇形序列，从而实现语音到唇形的转换。
GFPGAN
腾讯 GFPGAN 是一种基于生成对抗网络（GAN）的图像超分辨率模型。https://github.com/TencentARC/GFPGAN
基本原理是使用低分辨率的图像作为输入，通过生成器网络将其转换为高分辨率的图像。
该模型包括两个子网络：
- 一个是生成器网络，用于将低分辨率图像转换为高分辨率图像；
- 另一个是判别器网络，用于评估生成的图像是否逼真。
两个网络通过GAN框架进行训练，以使生成的图像尽可能地接近真实图像。在测试阶段，给定一个低分辨率的图像，该模型可以生成一个与之对应的高分辨率图像。腾讯GFPGAN采用了一些创新的技术，如渐进式训练、自适应实例归一化等，使得其在图像超分辨率任务中表现出色。
Demo 来自下面的项目完成，小伙伴可以直接参考。作者提供了一个ipynb Demo GitHub\Wav2Lip-GFPGAN\Wav2Lip-GFPGAN.ipynb,有基础小伙伴按照步骤即可完成，下面的就不需要看了
https://github.com/ajay-sainy/Wav2Lip-GFPGAN/
有困难的小伙伴可以克隆下面的这个，fork 了上面的项目，提供了当前搭建环境步骤，需要的素材脚本：
https://github.com/LIRUILONGS/Wav2Lip-GFPGAN_Python_Demo
涉及到的模型和安装包下载
Wav2Lip
可以在项目中看到下载路径: https://github.com/Rudrabha/Wav2Lip
ffmpeg: https://www.gyan.dev/ffmpeg/builds/ffmpeg-git-essentials.7z ,Linux 环境直接用包管理工具安装即可
ffmpeg 装完之后 win系统 需要配置环境变量，这里不多讲。
GFPGAN
GFPGANv1.3.pth:https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth
parsing_parsenet.pth:https://github.com/xinntao/facexlib/releases/download/v0.2.2/parsing_parsenet.pth
detection_Resnet50_Final.pth:https://github.com/xinntao/facexlib/releases/download/v0.1.0/detection_Resnet50_Final.pth
环境安装
wav2lip 环境
当前系统环境为 window11,Anaconda3 使用CPU 跑，虚拟环境创建
C:\Users\liruilong>conda create -n wav2lip python=3.8
C:\Users\liruilong>conda info --envs
# conda environments:
#
base * C:\ProgramData\Anaconda3
myenv C:\Users\liruilong\AppData\Local\conda\conda\envs\myenv
wav2lip C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip
- 1
- 2
- 3
- 4
- 5
- 6
- 7
切换虚拟环境的时候，报错了
C:\Users\liruilong>conda activate wav2lip
.....
- 1
- 2
后来在Anaconda Prompt (Anaconda3) 可以正常执行
(base) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>conda activate wav2lip
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>conda list
.....
- 1
- 2
- 3
- 4
安装 requirements.txt 中的依赖库，直接安装报错了
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
Looking in indexes: http://pypi.douban.com/simple/
- 1
- 2
需要添加 --use-pep517
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com --use-pep517
Looking in indexes: http://pypi.douban.com/simple/
- 1
- 2
检测 wav2lip 环境运行Demo 测试一下，当前项目预留了一些素材，这里使用模型wav2lip.pth
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python .\Wav2Lip-master\inference.py --checkpoint_path .\Wav2Lip-master\checkpoints\wav2lip.pth --face .\inputs\kim_7s_raw.mp4 --audio .\inputs\kim_audio.mp3 --outfile result.mp4
Using cpu for inference.
Reading video frames...
Number of frames available for inference: 223
Extracting raw audio...
...................................
[libx264 @ 0000022caf538200] Weighted P-Frames: Y:1.2% UV:1.2%
[libx264 @ 0000022caf538200] ref P L0: 68.7% 8.6% 16.2% 6.4%
[libx264 @ 0000022caf538200] ref B L0: 75.0% 20.2% 4.8%
[libx264 @ 0000022caf538200] ref B L1: 94.9% 5.1%
[libx264 @ 0000022caf538200] kb/s:1433.66
[aac @ 0000022caf528940] Qavg: 237.868
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
运行完会在当前目录生成 result.mp4 文件
https://www.bilibili.com/video/BV1fX4y187jW/
然后用模型wav2lip_gan.pth 在试下
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python .\Wav2Lip-master\inference.py --checkpoint_path .\inputs\wav2lip_gan.pth --face .\inputs\kim_7s_raw.mp4 --audio .\inputs\kim_audio.mp3 --outfile result.mp4
Using cpu for inference.
- 1
- 2
https://www.bilibili.com/video/BV1Vo4y1T7F2/
这里 wav2lip 环境已经安装完成
GFPGAN 环境
准备一个新的音视频，使用 wav2lip_gan 生成，准备GFPGAN 环境
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python .\Wav2Lip-master\inference.py --checkpoint_path .\inputs\wav2lip_gan.pth --face .\inputs\demo.mp4 --audio .\inputs\demo_5_y.mp3 --outfile result.mp4 Using cpu for inference. Reading video frames... Number of frames available for inference: 2116 Extracting raw audio.. 。。。。。。。。。。。。。。。。。。。。。 [libx264 @ 000001ba2a798d80] i8 v,h,dc,ddl,ddr,vr,hd,vl,hu: 18% 18% 48% 3% 2% 2% 2% 3% 3% [libx264 @ 000001ba2a798d80] i4 v,h,dc,ddl,ddr,vr,hd,vl,hu: 23% 22% 17% 6% 6% 6% 6% 7% 8% [libx264 @ 000001ba2a798d80] i8c dc,h,v,p: 49% 20% 22% 8% [libx264 @ 000001ba2a798d80] Weighted P-Frames: Y:0.0% UV:0.0% [libx264 @ 000001ba2a798d80] ref P L0: 80.9% 10.0% 6.6% 2.5% [libx264 @ 000001ba2a798d80] ref B L0: 87.8% 10.5% 1.7% [libx264 @ 000001ba2a798d80] ref B L1: 98.7% 1.3% [libx264 @ 000001ba2a798d80] kb/s:703.37 [aac @ 000001ba2a79a780] Qavg: 170.234 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
https://www.bilibili.com/video/BV1cX4y1h7k8/
创建一个结果文件夹
PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN> mkdir results
目录: C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN
Mode LastWriteTime Length Name
---- ------------- ------ ----
d----- 2023/6/9 7:14 results
PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
需要把上面生成的文件移到这个文件夹里面，然后执行下面的脚本
# day1.py wav2lipFolderName = 'Wav2Lip-master' gfpganFolderName = 'GFPGAN-master' wav2lipPath = '.\\' + wav2lipFolderName gfpganPath = '.\\' + gfpganFolderName outputPath = ".\\results" import cv2 from tqdm import tqdm from os import path import os # 上一步生成的视频 inputVideoPath = outputPath+'\\result.mp4' # 中间数据 unProcessedFramesFolderPath = outputPath+'\\frames' if not os.path.exists(unProcessedFramesFolderPath): os.makedirs(unProcessedFramesFolderPath) vidcap = cv2.VideoCapture(inputVideoPath) numberOfFrames = int(vidcap.get(cv2.CAP_PROP_FRAME_COUNT)) fps = vidcap.get(cv2.CAP_PROP_FPS) print("FPS: ", fps, "Frames: ", numberOfFrames) for frameNumber in tqdm(range(numberOfFrames)): _,image = vidcap.read() cv2.imwrite(path.join(unProcessedFramesFolderPath, str(frameNumber).zfill(4)+'.jpg'), image) print("unProcessedFramesFolderPath:",unProcessedFramesFolderPath) print("inputVideoPath:",inputVideoPath)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
作用是将wav2lip处理的视频按帧数逐帧读取，将每一帧保存为 JPEG 格式的图片，并将这些图片保存到指定的文件夹 unProcessedFramesFolderPath 中
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN>python day1.py
FPS: 25.0 Frames: 1793
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1793/1793 [00:10<00:00, 166.99it/s]
unProcessedFramesFolderPath:
inputVideoPath: .\results\result.mp4
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
之后会在 .\results\frames 看到切好的照片
现在准备 GFPGAN-master 的环境
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com --use-pep517
Looking in indexes: http://pypi.douban.com/simple/
..........
Installing collected packages: numpy, scikit-image
Attempting uninstall: numpy
Found existing installation: numpy 1.23.5
Uninstalling numpy-1.23.5:
Successfully uninstalled numpy-1.23.5
Attempting uninstall: scikit-image
Found existing installation: scikit-image 0.20.0
Uninstalling scikit-image-0.20.0:
Successfully uninstalled scikit-image-0.20.0
Successfully installed numpy-1.20.3 scikit-image-0.19.3
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
GFPGANv1.3.pth 模型放到 /experiments/pretrained_models 目录下
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>mkdir -p .\\experiments\pretrained_models
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>cd .\\experiments\pretrained_models
- 1
- 2
- 3
确认模型
目录: C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master\experiments\pretrained_models
Mode LastWriteTime Length Name
---- ------------- ------ ----
-a---- 2023/6/7 1:43 348632874 GFPGANv1.3.pth
- 1
- 2
- 3
- 4
- 5
- 6
之后执行下面的命令
python inference_gfpgan.py -i $unProcessedFramesFolderPath -o $outputPath -v 1.3 -s 2 --only_center_face --bg_upsampler None
- 1
替换对应的变量，如果模型无法下载，需要把前面下载的放到指定位置
(wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>python inference_gfpgan.py -i ..\results\frames -o ..\results -v 1.3 -s 2 --only_center_face --bg_upsampler None C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\torchvision\transforms\functional_tensor.py:5: UserWarning: The torchvision.transforms.functional_tensor module is deprecated in 0.15 and will be **removed in 0.17**. Please don't rely on it. You probably just need to use APIs in torchvision.transforms.functional or in torchvision.transforms.v2.functional. warnings.warn( C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\torchvision\models\_utils.py:208: UserWarning: The parameter 'pretrained' is deprecated since 0.13 and may be removed in the future, please use 'weights' instead. warnings.warn( C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\torchvision\models\_utils.py:223: UserWarning: Arguments other than a weight enum or `None` for 'weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing `weights=None`. warnings.warn(msg) Downloading: "https://github.com/xinntao/facexlib/releases/download/v0.1.0/detection_Resnet50_Final.pth" to C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\facexlib\weights\detection_Resnet50_Final.pth 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 104M/104M [00:06<00:00, 16.1MB/s] Downloading: "https://github.com/xinntao/facexlib/releases/download/v0.2.2/parsing_parsenet.pth" to C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\facexlib\weights\parsing_parsenet.pth 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 81.4M/81.4M [00:05<00:00, 14.8MB/s] 0it [00:00, ?it/s] warnings.warn(msg) 0%| | 0/1793 [00:00<?, ?it/s]Processing 0000.jpg ... 0%| | 1/1793 [00:06<3:18:38, 6.65s/it]Processing 0001.jpg ... 0%|▏ | 2/1793 [00:13<3:18:06, 6.64s/it]P ............................... (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
OK 跑完之后，需要用处理的图片合成视频，执行下面的脚本
import os outputPath = ".\\results" restoredFramesPath = outputPath + '\\restored_imgs\\' processedVideoOutputPath = outputPath dir_list = os.listdir(restoredFramesPath) dir_list.sort() import cv2 import numpy as np batch = 0 batchSize = 300 from tqdm import tqdm for i in tqdm(range(0, len(dir_list), batchSize)): img_array = [] start, end = i, i+batchSize print("processing ", start, end) for filename in tqdm(dir_list[start:end]): filename = restoredFramesPath+filename; img = cv2.imread(filename) if img is None: continue height, width, layers = img.shape size = (width,height) img_array.append(img) out = cv2.VideoWriter(processedVideoOutputPath+'\\batch_'+str(batch).zfill(4)+'.avi',cv2.VideoWriter_fourcc(*'DIVX'), 30, size) batch = batch + 1 for i in range(len(img_array)): out.write(img_array[i]) out.release() concatTextFilePath = outputPath + "\\concat.txt" concatTextFile=open(concatTextFilePath,"w") for ips in range(batch): concatTextFile.write("file batch_" + str(ips).zfill(4) + ".avi\n") concatTextFile.close() concatedVideoOutputPath = outputPath + "\\concated_output.avi" print("concatedVideoOutputPath:",concatedVideoOutputPath) finalProcessedOuputVideo = processedVideoOutputPath+'\\final_with_audio.avi' print("finalProcessedOuputVideo:",finalProcessedOuputVideo) # ffmpeg -y -f concat -i {concatTextFilePath} -c copy {concatedVideoOutputPath} #ffmpeg -y -i {concatedVideoOutputPath} -i {inputAudioPath} -map 0 -map 1:a -c:v copy -shortest {finalProcessedOuputVideo} #from google.colab import files #files.download(finalProcessedOuputVideo)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python day2.py
0%| | 0/6 [00:00<?, ?it/s]processing 0 300
0%| | 0/300 [00:00<?, ?it/s]
4%|██████▏ | 11/300 [00:00<00:02, 107.59it/s]
7%|███████████▊ | 21/300 [00:00<00:02, 104.49it/s]
11%|██████████████████
...................
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 293/293 [00:02<00:00, 107.10it/s]
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 6/6 [00:25<00:00, 4.26s/it]
concatedVideoOutputPath: .\results\concated_output.avi
finalProcessedOuputVideo: .\results\final_with_audio.avi
(wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
使用 ffmpeg 合并视频
PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN> cd .\results\ PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results> ffmpeg -y -f concat -i .\concat.txt -c copy .\concated_output.avi ..................... frame= 1793 fps=0.0 q=-1.0 Lsize= 24625kB time=00:00:59.76 bitrate=3375.3kbits/s speed=1.76e+03x video:24577kB audio:0kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 0.197566% PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results> ls 目录: C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results Mode LastWriteTime Length Name ---- ------------- ------ ---- d----- 2023/6/9 7:25 frames d----- 2023/6/9 11:03 restored_imgs -a---- 2023/6/9 11:42 4231050 batch_0000.avi -a---- 2023/6/9 11:42 4274254 batch_0001.avi -a---- 2023/6/9 11:42 4281898 batch_0002.avi -a---- 2023/6/9 11:42 4165970 batch_0003.avi -a---- 2023/6/9 11:42 4222324 batch_0004.avi -a---- 2023/6/9 11:42 4069836 batch_0005.avi -a---- 2023/6/9 11:42 126 concat.txt -a---- 2023/6/9 11:52 25216450 concated_output.avi -a---- 2023/6/9 7:22 7515594 result.mp4
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
使用 ffmpeg 合并视频和音频
PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results> ffmpeg -y -i .\concated_output.avi -i ..\inputs\demo_5_y.mp3 -map 0 -map 1:a -c:v copy -shortest .\final_with_audio.avi
ffmpeg version git-2020-08-31-4a11a6f Copyright (c) 2000-2020 the FFmpeg developers
........
frame= 1793 fps=699 q=-1.0 Lsize= 25618kB time=00:00:59.76 bitrate=3511.2kbits/s speed=23.3x
video:24577kB audio:934kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 0.417315%
PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results>
- 1
- 2
- 3
- 4
- 5
- 6
生成结果
https://www.bilibili.com/video/BV1914y1U7dH/
关于 Demo 和小伙伴分享到这里
博文部分内容参考
© 文中涉及参考链接内容版权归原作者所有，如有侵权请告知，这是一个开源项目，如果你认可它，不要吝啬星星哦
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/知新_RL/article/detail/625725
推荐阅读
相关标签
Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。
