环境

  • windows 10 64bit

  • wav2lip-hq

  • pytorch 1.12.1+cu113

前言

前面的博文 嘴型同步模型Wav2Lip,介绍了嘴型同步模型,本篇介绍的是 wav2lip 的高清版,在原有基础上,使用了超分辨率图像和人脸分割技术,来提升整体效果。

实践

首先,拉取源码

gitclonehttps://github.com/Markfryazino/wav2lip-hq.gitcdwav2lip-hq#创建个新的虚拟环境condacreate-nwav2liphqpython=3.8condaactivatewav2liphq#安装torchpip3installtorchtorchvisiontorchaudio--extra-index-urlhttps://download.pytorch.org/whl/cu113#安装其它依赖库,将其中的torch、torchvision注释掉,前面已经安装了gpu版本pipinstall-rrequirements.txt

然后去下载模型,这里需要3个模型,第一个下载地址:https://drive.google.com/file/d/1aB-jqBikcZPJnFrJXWUEpvF2RFCuerSe/view?usp=sharing ,下载后拷贝到目录 checkpoints 下面;第二个模型是人脸的模型,下载地址:https://www.adrianbulat.com/downloads/python-fan/s3fd-619a316812.pth,下载后拷贝到 face_detection/detection/sfd 目录下,并重命名为 s3fd.pth;第三个是脸部的 segmentation 模型,下载地址:https://drive.google.com/open?id=154JgKpzCPW82qINcVieuPH3fZ2e0P812,拷贝到 checkpoints 目录下,并重命名为 face_segmentation.pth

最后,我们准备一个音频文件和一个视频文件来进行测试,执行命令

python.exeinference.py--checkpoint_pathcheckpoints\wav2lip_gan.pth--segmentation_pathcheckpoints\face_segmentation.pth--sr_pathcheckpoints\esrgan_yunying.pth--facetest.mp4--audiotest.mp3--outfileoutput.mp4

参考资料

  • https://github.com/Markfryazino/wav2lip-hq

  • https://github.com/zllrunning/face-parsing.PyTorch.git

  • https://github.com/xinntao/BasicSR.git

  • https://github.com/1adrianb/face-alignment

  • 嘴型同步模型Wav2Lip