GeneFace++: Generalized and Stable Real-Time 3D Talking Face Generation

| | |

English Readme

这个仓库是GeneFace++的官方PyTorch实现，用于实现高嘴形对齐(lip-sync)、高视频真实度(video reality)、高系统效率(system efficiency)的虚拟人视频合成。您可以访问我们的项目页面以观看Demo视频, 阅读我们的论文以了解技术细节。

<img src="https://github.com/yerfor/GeneFacePlusPlus/raw/main/assets/geneface++.png" width="100%"/>

您可能同样感兴趣

• 我们发布了Real3D-portrait (ICLR 2024 Spotlight), (https://github.com/yerfor/Real3DPortrait), 一个基于NeRF的单图驱动说话人合成系统, 仅需上传一张照片即可合成真实的说话人视频!

快速上手！

我们在这里提供一个最快体验GeneFace++的流程。

• 步骤1：根据我们在docs/prepare_env/install_guide.md中的步骤，新建一个名为geneface的Python环境，并下载所需的3DMM文件。

• 步骤2：下载预处理好的May的数据集 trainval_dataset.npy (Google Drive 或 BaiduYun Disk 提取码: 98n4), 放置在data/binary/videos/May/trainval_dataset.npy路径下。

• 步骤3：下载预训练好的通用的audio-to-motino模型 audio2motion_vae.zip (Google Drive 或 BaiduYun Disk 提取码: 98n4) 和专用于May的motion-to-video模型 motion2video_nerf.zip (Google Drive 或 BaiduYun Disk 提取码: 98n4), 解压到./checkpoints/目录下。

做完上面的步骤后，您的 checkpoints和data 文件夹的结构应该是这样的：

> checkpoints
    > audio2motion_vae
    > motion2video_nerf
        > may_head
        > may_torso
> data
    > binary
        > videos
            > May
                trainval_dataset.npy

• 步骤4: 激活geneface的Python环境，然后执行:

export PYTHONPATH=./
python inference/genefacepp_infer.py --a2m_ckpt=checkpoints/audio2motion_vae --head_ckpt= --torso_ckpt=checkpoints/motion2video_nerf/may_torso --drv_aud=data/raw/val_wavs/MacronSpeech.wav --out_name=may_demo.mp4

• 或者可以使用我们提供的Gradio WebUI:

export PYTHONPATH=./
python inference/app_genefacepp.py --a2m_ckpt=checkpoints/audio2motion_vae --head_ckpt= --torso_ckpt=checkpoints/motion2video_nerf/may_torso

• 抑或可以使用我们提供的Google Colab，运行其中的所有cell。

在自己的视频上训练GeneFace++

如果您想在您自己的目标人物视频上训练GeneFace++，请遵循 docs/process_data和docs/train_and_infer/中的步骤。

ToDo

• [x] Release Inference Code of Audio2Motion and Motion2Video.
• [x] Release Pre-trained weights of Audio2Motion and Motion2Video.
• [x] Release Training Code of Motino2Video Renderer.
• [x] Release Gradio Demo.
• [x] Release Google Colab.
• [ ] Release Training Code of Audio2Motion and Post-Net.

引用

如果这个仓库对你有帮助，请考虑引用我们的工作:

@article{ye2023geneface,
  title={GeneFace: Generalized and High-Fidelity Audio-Driven 3D Talking Face Synthesis},
  author={Ye, Zhenhui and Jiang, Ziyue and Ren, Yi and Liu, Jinglin and He, Jinzheng and Zhao, Zhou},
  journal={arXiv preprint arXiv:2301.13430},
  year={2023}
}
@article{ye2023geneface++,
  title={GeneFace++: Generalized and Stable Real-Time Audio-Driven 3D Talking Face Generation},
  author={Ye, Zhenhui and He, Jinzheng and Jiang, Ziyue and Huang, Rongjie and Huang, Jiawei and Liu, Jinglin and Ren, Yi and Yin, Xiang and Ma, Zejun and Zhao, Zhou},
  journal={arXiv preprint arXiv:2305.00787},
  year={2023}
}