实时语音交互数字人，支持端到端语音方案（GLM-4-Voice - THG）和级联方案（ASR-LLM-TTS-THG）。可自定义形象与音色，支持音色克隆，首包延迟低至3s。
在线demo：https://www.modelscope.cn/studios/AI-ModelScope/video_chat
详细的技术介绍请看这篇文章
中文简体 | English
- TTS模块添加音色克隆功能
- TTS模块添加edge-tts
- LLM模块添加qwen本地推理
- 支持GLM-4-Voice，提供ASR-LLM-TTS-THG和MLLM-THG两种生成方式
- 提供Docker镜像
- 集成gradio-webrtc（需等待支持音视频同步），提高视频流稳定性
- ASR (Automatic Speech Recognition): FunASR
- LLM (Large Language Model): Qwen
- End-to-end MLLM (Multimodal Large Language Model): GLM-4-Voice
- TTS (Text to speech): GPT-SoVITS, CosyVoice, edge-tts
- THG (Talking Head Generation): MuseTalk
-
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- ubuntu 22.04
- python 3.10
- CUDA 12.2
- torch 2.1.2
$ 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
# $ pip install --upgrade gradio # 安装Gradio 5（可选）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
参考这个链接
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
参考这个链接
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')LLM模块和TTS模块提供了多种方式，可自行选择推理方式
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"如果不使用API-KEY，请参考以下说明修改相关代码。
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在本地部署模型推理服务，参考这个链接完成部署后，使用Qwen_API(api_key="EMPTY",base_url="http://localhost:8000/v1")初始化实例调用本地推理服务。
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。
$ python app.py- 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。
-
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
