English | 中文版
实时交互流式数字人，实现音视频同步对话。基本可以达到商用效果
wav2lip效果 | ernerf效果 | musetalk效果
- 2024.12.8 完善多并发，显存不随并发数增加
- 2024.12.21 添加wav2lip、musetalk模型预热，解决第一次推理卡顿问题。感谢@heimaojinzhangyz
- 2024.12.28 添加数字人模型Ultralight-Digital-Human。 感谢@lijihua2017
- 2025.2.7 添加fish-speech tts
- 2025.2.21 添加wav2lip256开源模型 感谢@不蠢不蠢
- 2025.3.2 添加腾讯语音合成服务
- 2025.3.16 支持mac gpu推理，感谢@GcsSloop
- 2025.5.1 精简运行参数，ernerf模型移至git分支ernerf-rtmp
- 2025.6.7 添加虚拟摄像头输出
- 支持多种数字人模型: ernerf、musetalk、wav2lip、Ultralight-Digital-Human
- 支持声音克隆
- 支持数字人说话被打断
- 支持全身视频拼接
- 支持webrtc、虚拟摄像头输出
- 支持动作编排：不说话时播放自定义视频
- 支持多并发
Tested on Ubuntu 24.04, Python3.10, Pytorch 2.5.0 and CUDA 12.4
conda create -n nerfstream python=3.10
conda activate nerfstream
#如果cuda版本不为12.4(运行nvidia-smi确认版本)，根据<https://pytorch.org/get-started/previous-versions/>安装对应版本的pytorch
conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 pytorch-cuda=12.4 -c pytorch -c nvidia
pip install -r requirements.txt
#如果需要训练ernerf模型，安装下面的库
# pip install "git+https://github.com/facebookresearch/pytorch3d.git"
# pip install tensorflow-gpu==2.8.0
# pip install --upgrade "protobuf<=3.20.1"安装常见问题FAQ
linux cuda环境搭建可以参考这篇文章 https://zhuanlan.zhihu.com/p/674972886
视频连不上解决方法 https://mp.weixin.qq.com/s/MVUkxxhV2cgMMHalphr2cg
-
下载模型
夸克云盘https://pan.quark.cn/s/83a750323ef0
GoogleDriver https://drive.google.com/drive/folders/1FOC_MD6wdogyyX_7V1d4NDIO7P9NlSAJ?usp=sharing
将wav2lip256.pth拷到本项目的models下, 重命名为wav2lip.pth;
将wav2lip256_avatar1.tar.gz解压后整个文件夹拷到本项目的data/avatars下 -
运行
python app.py --transport webrtc --model wav2lip --avatar_id wav2lip256_avatar1
用浏览器打开http://serverip:8010/webrtcapi.html , 先点‘start',播放数字人视频；然后在文本框输入任意文字，提交。数字人播报该段文字
服务端需要开放端口 tcp:8010; udp:1-65536
如果需要商用高清wav2lip模型，链接 -
快速体验
https://www.compshare.cn/images/4458094e-a43d-45fe-9b57-de79253befe4?referral_code=3XW3852OBmnD089hMMrtuU&ytag=GPU_GitHub_livetalking 用该镜像创建实例即可运行成功
如果访问不了huggingface，在运行前
export HF_ENDPOINT=https://hf-mirror.com
使用说明: https://livetalking-doc.readthedocs.io/
不需要前面的安装，直接运行。
docker run --gpus all -it --network=host --rm registry.cn-beijing.aliyuncs.com/codewithgpu2/lipku-metahuman-stream:2K9qaMBu8v
代码在/root/metahuman-stream，先git pull拉一下最新代码，然后执行命令同第2、3步
提供如下镜像
- autodl镜像: https://www.codewithgpu.com/i/lipku/metahuman-stream/base
autodl教程 - ucloud镜像: https://www.compshare.cn/images/4458094e-a43d-45fe-9b57-de79253befe4?referral_code=3XW3852OBmnD089hMMrtuU&ytag=GPU_GitHub_livetalking
可以开放任意端口，不需要另外部署srs服务.
ucloud教程
- 性能主要跟cpu和gpu相关，每路视频压缩需要消耗cpu，cpu性能与视频分辨率正相关；每路口型推理跟gpu性能相关。
- 不说话时的并发数跟cpu相关，同时说话的并发数跟gpu相关。
- 后端日志inferfps表示显卡推理帧率，finalfps表示最终推流帧率。两者都要在25以上才能实时。如果inferfps在25以上，finalfps达不到25表示cpu性能不足。
- 实时推理性能
| 模型 | 显卡型号 | fps |
|---|---|---|
| wav2lip256 | 3060 | 60 |
| musetalk | 3080Ti | 45 |
| wav2lip256 | 3080Ti | 120 |
wav2lip256显卡3060以上即可，musetalk需要3080Ti以上。
提供如下扩展功能，适用于对开源项目已经比较熟悉，需要扩展产品功能的用户
- 高清wav2lip模型
- 完全语音交互，数字人回答过程中支持通过唤醒词或者按钮打断提问
- 实时同步字幕，给前端提供数字人每句话播报开始、结束事件
- 每个连接可以指定对应avatar和音色，avatar图片加载加速
- 动作编排：不说话时动作、唤醒时动作、思考时动作、进入休眠动作
- 支持不限时长的数字人形象avatar
- 提供实时音频流输入接口
基于本项目开发并发布在B站、视频号、抖音等网站上的视频需带上LiveTalking水印和标识，如需去除请联系作者备案授权。
如果本项目对你有帮助，帮忙点个star。也欢迎感兴趣的朋友一起来完善该项目.
- 知识星球: https://t.zsxq.com/7NMyO 沉淀高质量常见问题、最佳实践经验、问题解答
- 微信公众号：数字人技术
