实时语音交互数字人，支持端到端（MLLM - THG）和级联（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。

技术介绍：量子位推文

中文简体 | English

• 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

$ 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 requirements.txt

requirements中的版本仅供参考，最新依赖请查看对应模块的Repo说明

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：

1. 使用Qwen完成本地推理。
2. 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：

   $ 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

   安装完成后，参考这个链接进行部署，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

1. 在/data/video/中添加录制好的数字人形象视频
2. 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
3. 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。

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：

1. 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
2. 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。
3. TTS选型选择GPT-SoVits，开始对话

1. 报错无法找到某资源：按照报错提示下载对应的资源即可

2. 右侧视频流播放卡顿：需等待Gradio优化Video Streaming效果

3. 与模型加载相关：检查权重是否下载完整