DICE-Talk 开源项目最佳实践教程

1. 项目介绍

DICE-Talk 是一个基于扩散的 emotional talking head 生成方法，能够为说话肖像生成生动多样的情感表现。该项目提供了一种将身份解耦、情感协同的技术方法，通过相关意识情感谈话肖像生成，为虚拟角色和数字媒体提供了更加真实的情感表达。

2. 项目快速启动

环境准备

• GPU：推荐使用具备20GB或以上显存显卡
• 操作系统：经过测试的操作系统为Linux
• Python版本：独立Python 3.10环境

安装依赖

首先，确保安装了ffmpeg。接着，安装PyTorch，确保选择与硬件相匹配的CUDA版本。例如：

pip install torch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 --index-url https://download.pytorch.org/whl/cu118

然后，安装项目所需的所有依赖：

pip install -r requirements.txt

下载模型

所有模型默认存储在checkpoints目录中。使用huggingface-cli下载模型：

huggingface-cli download EEEELY/DICE-Talk --local-dir checkpoints
huggingface-cli download stabilityai/stable-video-diffusion-img2vid-xt --local-dir checkpoints/stable-video-diffusion-img2vid-xt
huggingface-cli download openai/whisper-tiny --local-dir checkpoints/whisper-tiny

或者手动下载预训练模型、svd-xt和whisper-tiny到checkpoints/目录。

运行示例

运行以下命令来生成情感视频：

python3 demo.py --image_path '/path/to/input_image' --audio_path '/path/to/input_audio' --emotion_path '/path/to/input_emotion' --output_path '/path/to/output_video'

运行GUI

运行以下命令启动图形界面：

python3 gradio_app.py

在界面左侧上传图片和音频，选择要生成的情感类型，设置身份保持和情感生成的强度，并选择是否裁剪输入图片。右侧会显示生成的视频。

3. 应用案例和最佳实践

• 案例1：使用DICE-Talk为虚拟主播创建不同情感表现的视频，增加互动性和真实感。
• 案例2：为数字媒体中的角色添加情感表达，提升用户体验。

最佳实践：

• 在生成视频之前，对输入的音频和图片进行预处理，确保质量。
• 根据具体需求调整模型参数，以获得最佳的情感表现。
• 优化模型性能，以适应不同的应用场景。

4. 典型生态项目

目前，DICE-Talk的典型生态项目包括但不限于：

• 虚拟主播：利用DICE-Talk为虚拟主播添加更加真实和多样化的情感表达。
• 数字媒体：在数字媒体制作中，使用DICE-Talk为角色提供情感化的交互体验。