❤️ 如果你也关注大模型与 AI 的发展现状,且对大模型应用开发非常感兴趣,我会快速跟你分享最新的感兴趣的 AI 应用和热点信息,也会不定期分享自己的想法和开源实例,欢迎关注我哦!
🥦 微信公众号|搜一搜:蚝油菜花 🥦
🚀 快速阅读
- VideoChat 是一款开源的实时数字人对话系统,支持语音输入和实时对话功能,首包延迟低至 3 秒。
- 用户可以根据需要自定义数字人的形象和音色,实现个性化交互。
- VideoChat 支持 ASR-LLM-TTS-THG 和 MLLM-THG 两种生成方式,适用于直播、新闻播报等场景。
正文(附运行示例)
VideoChat 是什么
VideoChat 是开源的实时数字人对话系统,支持语音输入和实时对话功能。用户可以自定义数字人的形象和音色,无需训练即可进行音色克隆,首包延迟可低至 3 秒,适用于直播、新闻播报和聊天助手等多种实时语音交互场景。系统支持 GLM-4-Voice,提供 ASR-LLM-TTS-THG 和 MLLM-THG 两种生成方式。VideoChat 用 Gradio 框架构建交互式应用,支持流式视频输出,方便快速部署和构建。
VideoChat 的主要功能
- 实时语音交互:支持用户用语音与数字人进行实时对话。
- 形象和音色自定义:用户根据需要选择或设计数字人的外观和声音,实现个性化交互。
- 语音输入和文本输出:将用户的语音输入转换为文本,再基于大语言模型生成回复文本。
- 唇形同步:数字人在说话时,嘴唇动作与发出的声音同步,提高真实感。
- 流式视频输出:基于 Gradio 框架,支持流式视频输出,让交互更加流畅。
VideoChat 的技术原理
- 语音识别(ASR):用 FunASR 等工具将用户的语音输入转换为文本。
- 大语言模型(LLM):基于 Qwen 等模型根据输入文本生成相应的回复文本。
- 文本转语音(TTS):基于 GPT-SoVITS 等工具将文本回复转换为语音。
- 说话人生成(THG):用 MuseTalk 等方案根据语音生成唇形同步的数字人视频。
- 流式输出并行流水线:基于并行处理技术,边推理边播放,提高响应速度。
- Gradio 框架:用 Gradio 5 实现流式视频输出,方便部署和构建交互式应用。
如何运行 VideoChat
0. 显存需求
- 级联方案 (ASR-LLM-TTS-THG):约 8G,首包约 3s(单张 A100)。
- 端到端语音方案 (MLLM-THG):约 20G,首包约 7s(单张 A100)。
对于不需要使用端到端 MLLM 的开发者,可以选择仅包含级联方案的 cascade_only
分支。
$ git checkout cascade_only
1. 环境配置
- Ubuntu 22.04
- Python 3.10
- CUDA 12.2
- Torch 2.3.0
$ git lfs install
$ git clone https://www.modelscope.cn/studios/AI-ModelScope/video_chat.git
$ conda create -n metahuman python=3.10
$ conda activate metahuman
$ cd video_chat
$ pip install -r requirement.txt
2. 权重下载
2.1 创空间下载(推荐)
创空间仓库已设置 git lfs
追踪权重文件,如果是通过 git clone https://www.modelscope.cn/studios/AI-ModelScope/video_chat.git
克隆,则无需额外配置。
2.2 手动下载
2.2.1 MuseTalk
参考 这个链接 下载权重文件。
目录如下:
./weights/
├── dwpose
│ └── dw-ll_ucoco_384.pth
├── face-parse-bisent
│ ├── 79999_iter.pth
│ └── resnet18-5c106cde.pth
├── musetalk
│ ├── musetalk.json
│ └── pytorch_model.bin
├── sd-vae-ft-mse
│ ├── config.json
│ └── diffusion_pytorch_model.bin
└── whisper└── tiny.pt
2.2.2 GPT-SoVITS
参考 这个链接 下载预训练模型。
2.2.3 GLM-4-Voice
在 app.py
中添加如下代码即可完成下载。
from modelscope import snapshot_download
snapshot_download('ZhipuAI/glm-4-voice-tokenizer', cache_dir='./weights')
snapshot_download('ZhipuAI/glm-4-voice-decoder', cache_dir='./weights')
snapshot_download('ZhipuAI/glm-4-voice-9b', cache_dir='./weights')
3. 其他配置
LLM 模块和 TTS 模块提供了多种方式,可自行选择推理方式。
3.1 使用 API-KEY(默认)
对于 LLM 模块和 TTS 模块,如果本地机器性能有限,可使用阿里云大模型服务平台百炼提供的 Qwen API 和 CosyVoice API,请在 app.py(line 14)
中配置 API-KEY。
参考 这个链接 完成 API-KEY 的获取与配置。
os.environ["DASHSCOPE_API_KEY"] = "INPUT YOUR API-KEY HERE"
3.2 不使用 API-KEY
如果不使用 API-KEY,请参考以下说明修改相关代码。
3.2.1 LLM 模块
src/llm.py
中提供了 Qwen
和 Qwen_API
两个类分别处理本地推理和调用 API。若不使用 API-KEY,有以下两种方式进行本地推理:
- 使用
Qwen
完成本地推理。 Qwen_API
默认调用 API 完成推理,若不使用 API-KEY,还可以使用vLLM
加速 LLM 推理。可参考如下方式安装vLLM
:
安装完成后,参考 这个链接 进行部署,使用$ git clone https://github.com/vllm-project/vllm.git $ cd vllm $ python use_existing_torch.py $ pip install -r requirements-build.txt $ pip install -e . --no-build-isolation
Qwen_API(api_key="EMPTY", base_url="http://localhost:8000/v1")
初始化实例调用本地推理服务。
3.2.2 TTS 模块
src/tts.py
中提供了 GPT_SoVits_TTS
和 CosyVoice_API
分别处理本地推理和调用 API。若不使用 API-KEY,可直接删除 CosyVoice_API
相关的内容,使用 Edge_TTS
调用 Edge 浏览器的免费 TTS 服务进行推理。
4. 启动服务
$ python app.py
5. 使用自定义数字人(可选)
5.1 自定义数字人形象
- 在
/data/video/
中添加录制好的数字人形象视频。 - 修改
/src/thg.py
中Muse_Talk
类的avatar_list
,加入(形象名, bbox_shfit)
,关于 bbox_shift 的说明参考 这个链接。 - 在
/app.py
中 Gradio 的avatar_name
中加入数字人形象名后重新启动服务,等待完成初始化即可。
5.2 自定义数字人音色
GPT-SoVits
支持自定义音色。demo 中可使用音色克隆功能,上传任意语音内容的参考音频后开始对话,或将音色永久添加到 demo 中:
- 在
/data/audio
中添加音色参考音频,音频长度 3-10s,命名格式为x.wav
。 - 在
/app.py
中 Gradio 的avatar_voice
中加入音色名(命名格式为x (GPT-SoVits)
)后重新启动服务。 - TTS 选型选择
GPT-SoVits
,开始对话。
6. 已知问题
- 报错无法找到某资源:按照报错提示下载对应的资源即可。
- 右侧视频流播放卡顿:需等待 Gradio 优化 Video Streaming 效果。
- 与模型加载相关:检查权重是否下载完整。
资源
- GitHub 仓库:https://github.com/Henry-23/VideoChat
- 在线体验 Demo:https://www.modelscope.cn/studios/AI-ModelScope/video_chat
❤️ 如果你也关注大模型与 AI 的发展现状,且对大模型应用开发非常感兴趣,我会快速跟你分享最新的感兴趣的 AI 应用和热点信息,也会不定期分享自己的想法和开源实例,欢迎关注我哦!
🥦 微信公众号|搜一搜:蚝油菜花 🥦