音视频开发之旅（72）- AI数字人-照片说话之SadTalker

一、效果展示

普通话版

东北版

粤语版

河南版

生成步骤：

使用Stablediffusion文生图生成虚拟人物照片

准备文本内容，把内容使用文字转语音

使用音频驱动照片嘴唇和表型等变化生成视频

二、SadTalker原理学习

在制作会说话的头像（Talking Head Generation）时，会面临一些挑战，比如头部运动不自然、面部表情扭曲，甚至人物的身份似乎发生了变化。这些问题通常是由于直接从二维图像中学习头部和面部的运动，而这些二维图像中的运动信息是复杂相互关联的。同样，即使使用三维信息，也可能会遇到表情僵硬和视频不连贯的问题。

为了解决这些问题，西安交通大学的研究人员提出了SadTalker模型。这种方法首先生成了一个三维的脸部模型（3DMM），这个模型包括头部的姿势和表情等系数。然后，利用三维面部渲染器来生成视频。为了让生成的面部运动更加真实，研究者探索了音频和不同类型的面部运动系数之间的联系。他们设计了ExpNet网络，通过观察三维渲染的人脸来学习如何产生准确的面部表情。同时，为了生成多样化的头部动画，还设计了PoseVAE网络来生成不同风格的头部动画。最后，将生成的3DMM系数映射到面部渲染器的三维关键点空间，以生成最终的视频。

图片来自：https://arxiv.org/pdf/2211.12194.pdf

2.1 表情系数 ExpNet

图片来自：https://arxiv.org/pdf/2211.12194.pdf

对于一段音频，首先生成t帧表情系数，其中每个帧的音频特征就是0.2s的梅尔频谱。训练时，利用一个基于ResNet的音频编码器映射到一个隐空间，然后线性层作为一个映射网络解码表情系数。为了保证个人特征，通过第一帧的表情系数建立表情和特定人的身份进行关联；为了减少在说话时其他面部成分的表情的权重，利用预训练的Wav2lip生成的嘴唇运动系数作为target

2.2 头部姿势 PoseVAE

图片来自：https://arxiv.org/pdf/2211.12194.pdf

PoseVAE没有直接生成姿势，而是学习与第一帧姿势 ρ0之间的残差，这使本方法能够在测试阶段中基于第一帧条件下的生成更长、稳定和连续的头部运动

2.3 3D-aware面部渲染

图片来自：https://arxiv.org/pdf/2211.12194.pdf

face-vid2vid需要真实视频作为驱动信号,而研究者提出的面部渲染器利用3DMM参数进行驱动，通过mappingNet来学习3DMM运动系数（头部姿势和表情）和3D关键点之间的关系

三、SadTalker代码实现分析

3.1. 模型初始化

preprocess_model：用于将人脸从图像中裁剪出来，并提取人脸的关键点以及3DMM形态模型

audio_to_coeff：将音频转换为控制面部表情特别是唇部运动的系数

animate_from_coeff: 根据上面两个模型数据生成最终的面部动画

#将人脸从图像中裁剪出来，并提取人脸的关键点以及3DMM形态模型self.preprocess_model = CropAndExtract(path_of_lm_croper, path_of_net_recon_model, dir_of_BFM_fitting, self.device)#将音频转换为控制面部表情特别是唇部运动的系数self.audio_to_coeff = Audio2Coeff(audio2pose_checkpoint, audio2pose_yaml_path,                             audio2exp_checkpoint, audio2exp_yaml_path,                             wav2lip_checkpoint, self.device)#生成口型动画视频self.animate_from_coeff = AnimateFromCoeff(free_view_checkpoint, mapping_checkpoint,                             facerender_yaml_path, self.device)

3.2. 处理流程

#3DMM Extractionfirst_coeff_path, crop_pic_path, crop_info =  self.preprocess_model.generate(pic_path, first_frame_dir, self.preprocess)
batch = get_data(first_coeff_path, audio_path, self.device, ref_eyeblink_coeff_path, still=still)coeff_path = self.audio_to_coeff.generate(batch, save_dir, pose_style, ref_pose_coeff_path)
data = get_facerender_data(coeff_path, crop_pic_path, first_coeff_path, audio_path,                                     batch_size, input_yaw_list, input_pitch_list, input_roll_list,                                    expression_scale=expression_scale, still_mode=still, preprocess=self.preprocess)                                    return_path = self.animate_from_coeff.generate(data, save_dir, pic_path, crop_info, \        enhancer=enhancer, background_enhancer=background_enhancer, preprocess=self.preprocess)

3.2.1 preprocess_model.generate

主要用于从视频帧中裁剪出人脸，并提取面部关键点和3DMM（三维形态模型）参数

#内部通过dlib进行人脸检测 获取人脸68个关键点，并提取面部关键点和3DMM（三维形态模型）参数x_full_frames, crop, quad = self.croper.crop(x_full_frames_before, still=True, xsize=pic_size)clx, cly, crx, cry = croplx, ly, rx, ry = quadlx, ly, rx, ry = int(lx), int(ly), int(rx), int(ry)oy1, oy2, ox1, ox2 = cly+ly, cly+ry, clx+lx, clx+rxcrop_info = ((ox2 - ox1, oy2 - oy1), crop, quad)
#get the landmark according to the detected facelm = self.kp_extractor.extract_keypoint(frames_pil, landmarks_path)
# load 3dmm paramter generator from Deep3DFaceRecon_pytorchsavemat(coeff_path, {'coeff_3dmm': semantic_npy, 'full_3dmm': np.array(full_coeffs)[0]})

3.2.2 audio_to_coeff.generate

用于根据音频进行表情系数和头部姿态参数的预测

#sadtalker/src/test_audio2coeff.py
exp_pred = results_dict_exp['exp_coeff_pred']   results_dict_pose = self.audio2pose_model.test(batch) pose_pred = results_dict_pose['pose_pred'] 
coeffs_pred = torch.cat((exp_pred, pose_pred), dim=-1)            #bs T 70coeffs_pred_numpy = coeffs_pred[0].clone().detach().cpu().numpy() savemat(os.path.join(coeff_save_dir, '%s.mat'%(batch['pic_name'])),                      {'coeff_3dmm': coeffs_pred_numpy})

3.2.3 animate_from_coeff.generate 驱动人脸渲染

根据3dmm人脸模型数据以及音频驱动口型数据和关键点信息等生成视频帧

生成256x256的人头口型说话视频、对音频进行重采样到16000，然后合并音轨和视轨

把裁剪人脸的生成的对口型视频再贴回到全身图生成全身视频

对人脸和背景进行画质增强或超分

#sadtalker/src/facerender/animate.pydef generate(self, x, video_save_dir, pic_path, crop_info, enhancer=None, background_enhancer=None, preprocess='crop'):    #根据3dmm人脸模型数据以及音频驱动口型数据和关键点信息等 生成视频帧    predictions_video = make_animation(source_image, source_semantics, target_semantics,                                        self.generator, self.kp_extractor, self.he_estimator, self.mapping,                                         yaw_c_seq, pitch_c_seq, roll_c_seq, use_exp = True)    predictions_video = predictions_video.reshape((-1,)+predictions_video.shape[2:])    predictions_video = predictions_video[:frame_num]        ### the generated video is 256x256, so we  keep the aspect ratio,     #生成256x256的人头口型说话视频    imageio.mimsave(path, result, fps=float(25))        #对音频进行重采样到16000    sound = AudioSegment.from_mp3(audio_path)    frames = frame_num     end_time = start_time + frames*1/25*1000    word1=sound.set_frame_rate(16000)    word = word1[start_time:end_time]    word.export(new_audio_path, format="wav")        #合并音轨和视轨    save_video_with_watermark(path, new_audio_path, av_path, watermark= None)        #把裁剪人脸的生成的对口型视频再贴回到全身图生成全身视频    paste_pic(path, pic_path, crop_info, new_audio_path, full_video_path)            #对人脸进行画质增强        enhanced_images = face_enhancer(full_video_path, method=enhancer, bg_upsampler=background_enhancer)

四、性能优化

4.1 工程优化

4.1.1 处理速度慢

通过上面的代码分析，主要流程有三步：

人脸关键点检测&3DMM形态模型提取；根据音频进行表情系数和头部姿态参数；人脸渲染视频生成

其中最主要耗时有三块：FaceRender（人脸渲染）、seamlessClone（把人脸“贴回”原图）、画质增强

face render可以通过设置batch_size加快,batchsize从默认值2增加到4，人脸渲染时间降低2s，但gpu翻倍，如果gpu资源足够的话可以增加batchsize，否则就不要修改.

seamlessClone 驱动口型动的是256*256的人头区域,最终想输出full的视频,需要把上面的头部视频加上mmmmmmmmmmmmmmmmbn 原始图片根据mask和location进行合并成新的视频，这个可以优化，通过线程池进行加速，耗时可以从40s减少到20s

```#src/utils/paste_pic.py
修改如下# tmp_path = str(uuid.uuid4())+'.mp4'
    # out_tmp = cv2.VideoWriter(full_video_path, cv2.VideoWriter_fourcc(*'MP4V'), fps, (frame_w, frame_h))    # for crop_frame in tqdm(crop_frames, 'seamlessClone:'):    #     p = cv2.resize(crop_frame.astype(np.uint8), (crx-clx, cry - cly)) 
    #     mask = 255*np.ones(p.shape, p.dtype)    #     location = ((ox1+ox2) // 2, (oy1+oy2) // 2)    #     gen_img = cv2.seamlessClone(p, full_img, mask, location, cv2.NORMAL_CLONE)    #     out_tmp.write(gen_img)
    # 自定义修改开始    def process_image(crop_frame):        p = cv2.resize(crop_frame.astype(np.uint8), (ox2-ox1, oy2 - oy1)) 
        mask = 255*np.ones(p.shape, p.dtype)        location = ((ox1+ox2) // 2, (oy1+oy2) // 2)        gen_img = cv2.seamlessClone(p, full_img, mask, location, cv2.NORMAL_CLONE)
        return gen_img    tmp_path = str(uuid.uuid4())+'.mp4'    out_tmp = cv2.VideoWriter(tmp_path, cv2.VideoWriter_fourcc(*'MP4V'), fps, (frame_w, frame_h))
    processed_frames = []  # 存储处理后的图像
    # 创建线程池    # 指定线程池的最大线程数    max_threads = 10
    # 创建线程池并设置max_workers参数    with futures.ThreadPoolExecutor(max_workers=max_threads) as executor:        # 提交任务并获取处理结果        processed_frames = []        for gen_img in tqdm(executor.map(process_image, crop_frames), total=len(crop_frames) ,desc='seamlessClone:'):            processed_frames.append(gen_img)
    # 一次将所有处理后的图像写入视频文件    for frame in processed_frames:        out_tmp.write(frame)    # 自定义修改结束```
感谢 https://github.com/OpenTalker/SadTalker/issues/520