实时交互流媒体数字人，实现音视频同步对话。基本可以达到商业效果。
实时交互流式数字人，实现音频视频同步对话。基本可以达到效果

ernerf 效果 musetalk 效果 wav2lip 效果

1. 支持多种数字人模型：ernerf、musetalk、wav2lip
2. 援助声音
3. 支持数字人说话被打断
4. 支持全身视频
5. 支持rtmp和webrtc
6. 支持视频编辑排：不说话时播放自定义视频

在 Ubuntu 20.04、Python3.10、Pytorch 1.12 和 CUDA 11.3 上测试

conda create -n nerfstream python=3.10
conda activate nerfstream
conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch
pip install -r requirements.txt
#如果只用musetalk或者wav2lip模型，不需要安装下面的库
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

默认采用ernerf模型，webrtc推流到srs

export CANDIDATE='<服务器外网ip>'
docker run --rm --env CANDIDATE=$CANDIDATE \
  -p 1935:1935 -p 8080:8080 -p 1985:1985 -p 8000:8000/udp \
  registry.cn-hangzhou.aliyuncs.com/ossrs/srs:5 \
  objs/srs -c conf/rtc.conf

python app.py

如果访问不了hugingface，在运行前

export HF_ENDPOINT=https://hf-mirror.com

使用浏览器打开http://serverip:8010/rtcpushapi.html，在文本框中输入任意文字，提交。数字人播报该段文字
备注：服务端需要开放端口 tcp:8000,8010,1985; UDP：8000

目前已形成数字人对话系统LinlyTalker的方式，LLM模型支持Chatgpt、Qwen和GeminiPro。需要在app.py中填入自己的api_key。

使用浏览器打开http://serverip:8010/rtcpushchat.html

任意使用下面两种服务，推荐用gpt-sovits

服务配置gpt-sovits
运行

python app.py --tts gpt-sovits --TTS_SERVER http://127.0.0.1:9880 --REF_FILE data/ref.wav --REF_TEXT xxx

REF_TEXT为REF_FILE中语音内容，时长不宜过长

运行xtts服务，参照https://github.com/coqui-ai/xtts-streaming-server

docker run --gpus=all -e COQUI_TOS_AGREED=1 --rm -p 9000:80 ghcr.io/coqui-ai/xtts-streaming-server:latest

然后运行，其中ref.wav为需要克隆的声音文件

python app.py --tts xtts --REF_FILE data/ref.wav --TTS_SERVER http://localhost:9000

如果训练模型时使用的hubert提取音频特征，用如下命令启动数字人

python app.py --asr_model facebook/hubert-large-ls960-ft 

python app.py --bg_img bc.jpg 

ffmpeg -i fullbody.mp4 -vf crop="400:400:100:5" train.mp4 

用train.mp4训练模型

ffmpeg -i fullbody.mp4 -vf fps=25 -qmin 1 -q:v 1 -start_number 0 data/fullbody/img/%d.jpg

python app.py --fullbody --fullbody_img data/fullbody/img --fullbody_offset_x 100 --fullbody_offset_y 5 --fullbody_width 580 --fullbody_height 1080 --W 400 --H 400

• --fullbody_width、--fullbody_height 全身视频的宽、高
• --W、--H 训练视频的宽、高
• ernerf训练第三步躯干如果训练的不好，在拼接处会有接缝。可以在上面的命令加上--torso_imgs data/xxx/torso_imgs，躯干不用模型推理，直接训练用数据集里的躯干图片这种方式可能头颈处会有些人工痕迹。

• 提取本国视频图片

ffmpeg -i silence.mp4 -vf fps=25 -qmin 1 -q:v 1 -start_number 0 data/customvideo/img/%d.png

• 运行数字人

python app.py --customvideo --customvideo_img data/customvideo/img --customvideo_imgnum 100

这种模式不需要srs

python app.py --transport webrtc

服务端需要开放端口 tcp:8010; udp:50000~60000
用浏览器打开http://serverip:8010/webrtcapi.html

• 安装rtmpstream库
  参照https://github.com/lipku/python_rtmpstream

• 启动srs

docker run --rm -it -p 1935:1935 -p 1985:1985 -p 8080:8080 registry.cn-hangzhou.aliyuncs.com/ossrs/srs:5

• 运行数字人

python app.py --transport rtmp --push_url 'rtmp://localhost/live/livestream'

使用浏览器打开http://serverip:8010/echoapi.html

暂不支持rtmp推送

• 安装依赖库

conda install ffmpeg
pip install --no-cache-dir -U openmim 
mim install mmengine 
mim install "mmcv>=2.0.1" 
mim install "mmdet>=3.1.0" 
mim install "mmpose>=1.1.0"

• 下载模型
  下载MuseTalk运行需要的模型，提供一个下载地址https://caiyun.139.com/m/i?2eAjs2nXXnRgr 提取码:qdg2解压后，将models下文件→到本项目的models下
  下载数字人模型，链接: https://caiyun.139.com/m/i?2eAjs8optksop 提取码:3mkt,解压后将整个文件夹→到本项目的data/avatars下
• 运行
  python app.py --model musetalk --transport webrtc
  用浏览器打开http://serverip:8010/webrtcapi.html
  可以设置--batch_size提高显卡利用率，设置--avatar_id运行不同的数字人

git clone https://github.com/TMElyralab/MuseTalk.git
cd MuseTalk
修改configs/inference/realtime.yaml，将preparation改为True
python -m scripts.realtime_inference --inference_config configs/inference/realtime.yaml
运行后将results/avatars下文件拷到本项目的data/avatars下
方法二
执行
cd musetalk 
python simple_musetalk.py --avatar_id 4  --file D:\\ok\\test.mp4
支持视频和图片生成 会自动生成到data的avatars目录下

暂不支持rtmp推送

• 下载模型
  下载wav2lip运行需要的模型，链接: https://pan.baidu.com/s/1yOsQ06-RIDTJd3HFCw4wtA 密码: ltua将s3fd.pth 到本项目wav2lip/face_detection/detection/sfd/s3fd.pth, wav2lip.pth→到本项目的models下
  数字人模型文件wav2lip_avatar1.tar.gz，解压后将整个文件夹→到本项目的data/avatars下
• 运行
  python app.py --transport webrtc --model wav2lip --avatar_id wav2lip_avatar1
  用器浏览打开http://serverip:8010/webrtcapi.html
  可以设置--batch_size提高显卡效率，设置--avatar_id运行不同的数字人

cd wav2lip
python genavatar.py --video_path xxx.mp4
运行后将results/avatars下文件拷到本项目的data/avatars下

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:vjo1Y6NJ3N

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

另外提供autodl镜像： https://www.codewithgpu.com/i/lipku/meta
human-stream/base autodl教程

可以替换成自己训练的模型( https://github.com/Fictionarry/ER-NeRF )

.
├── data
│   ├── data_kf.json
│   ├── au.csv			
│   ├── pretrained
│   └── └── ngp_kf.pth

1. 帧率
   在Tesla T4显卡上测试整体fps为18左右，如果去掉音视频编码推流，帧率在20左右。用4090显卡可以达到40多帧/秒。
   优化：新开一个线程运行音视频编码推流
2. 延迟
   整体延迟3s左右
   （1）tts延迟1.7s左右，目前用的edgetts，需要将每句话转完后一次性输入，可以优化tts改成流式输入
   （2）wav2vec延迟0.4s ，需要服务器18帧音频做计算 （3）srs转发延迟，设置srs服务器减少缓冲延迟。具体配置可看https://ossrs.net/lts/zh-cn/docs/v5/doc/low-潜伏

• 添加chatgpt 实现数字人对话
• 声音
• 数字人休眠时用一段视频代替
• 缪斯谈
• Wav2Lip
• 同步对话

如果本项目对你有帮助，帮忙点个星。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沉淀高精度常见问题、最佳实践经验、问题解答
微信公众号：数字人技术