see2023/Bert-VITS2-ext

基于Bert-VITS2做的表情、动画测试. Animation testing based on Bert-VITS2.

简介

• 本项目的目的是拓展Bert-VITS2的使用边界，比如TTS同步产生脸部表情数据。
• 效果参见
  • Demo 哔哩哔哩 Youtube
  • TTS with Audio2PhotoReal --> MetaHuman
  • 从歌声生成表情测试；与Azure TTS说话时的表情对比
  • TTS生成表情初版，与MotionGPT拟合

扩展到CosyVoice

• CosyVoice表情测试

扩展到GPT-SoVITS

• GPT-SoVITS 表情测试
  • 直接在 GPT-SoVITS上重新训练，实测结果比较糟糕
  • 暂时使用的方法是从Bert-VITS2-ext里直接把后验部分以及表情生成部分模型复制到GPT-SoVITS里测试。
  • 这会导致一次重复的计算，以及更多的预测变差

TTS

• TTS代码源自 Bert-VITS2 v2.3 Final Release [ Dec 20, 2023]

  • https://github.com/fishaudio/Bert-VITS2/commit/7ebc1aa28a055608f7e31da93928cf295fdffeba

• 测试下来，个人感觉纯中文素材的训练效果2.1-2.3版本略微不如1.0，纯中文需求可以考虑降低版本或混合使用。

• TTS本身的训练方法见原文(每个版本都有所不同)

  • 1.0版本推荐参考 https://github.com/YYuX-1145/Bert-VITS2-Integration-package

TTS同步输出表情

思路

• 参考VITS论文的网络结构图(非bert-vits2，但大体结构是一样的)，获取文本编码及变换后、解码前的隐变量z，从旁路输出表情值(Live Link Face数值)
  • 冻结原网络的参数，单独增加一路LSTM和MLP处理，完成z到表情的seq2seq生成与映射
  • 当然如果有高质量的表情数据，也可以把表情也加入原始TTS网络训练，应该能提高音频质量

数据采集

• 设置Live Link Face 的Targets 为本机IP，端口默认11111
• 同步采集语音和对应的Live Link输出的表情值，分别存入到records文件夹
  • 执行一下脚本采集，每次20秒
  • 音频默认为44100 Hz
  • 音频、表情的采集可能有偏移
  • 可对比验证集的损失找到同一数据源的最佳偏移位置

python ./motion/record.py

• 查看数据是否正常

  • 预览npy中的weight数值曲线

• 测试数据

  • 将录下的bs数据通过live link发给UE中的MetaHuman，同步播放语音，检查是否匹配

python ./motion/tts2ue.py --bs_npy_file  ./records/2023-12-23-17-19-54.npy --wav_file ./records/2023-12-23-17-19-54.wav  --fps 60

数据预处理

• 读取records中的所有音频文件，利用后验编码器，把音频编码后的隐变量z存入 *.z.npy
• 写入训练和验证用的文件列表
  • filelists/val_visemes.list
  • filelists/train_visemes.list

python ./motion/prepare_visemes.py

训练

• 在train_ms.py 后加上--visemes来区别和主网的训练

python train_ms.py  -m OUTPUT_MODEL --config ./configs/config.json --visemes

推理

• 在webui.py执行时，将输出的音频、隐变量、动画数据写入当前目录，可用tts2ue.py来查看生成效果
• 生成的动画默认的fps是和隐变量一样的86.1328125
  • 44100/86.1328125 = 512，刚好整除，这是Bert-VITS2音频采样频率、网络结构和hidden_channels决定的

python ./motion/tts2ue.py --bs_npy_file ./tmp.npy --wav_file ./tmp.wav --delay_ms 700

声音到表情

• 利用后验编码器，把声音转换成z，然后再把z转成表情
  • 音频需转成44100hz的wav文件，并只保留一个通道(ffmpeg)

# 音频截取转换
ffmpeg -i input_file -ss 00:00:00 -t 00:00:10 -ar 44100 -f wav test.wav

# 保留通道1
ffmpeg -i test.wav -map_channel 0.0.0 output.wav

python  ./motion/wav_to_visemes.py output.wav

身体动画

MotionGPT

• 有了语音和表情后，还可以在LLM驱动下产生与之匹配的动作描述，然后用text to motion模型生成与说话内容匹配的身体动画，甚至和场景、他人进行交互。
• text to motion测试采用的项目是 MotionGPT
  • 暂未做动画过度处理，看介绍模型是支持的 motion in-between
  • MotionGPT用的flan-t5-base，不能理解中文，所以无法用说话的文本产生同步度很高的动画(翻译成英文后语序多少有些变化)
    • 是否可以用说话的文本或隐变量z来指导动作生成暂未可知
• MotionGPT输出的是骨骼位置，与UE的骨骼动画不能直接对接
  • 目前用了简化方法估算运动数值，会有不小的位置损失
    • 计算出骨骼相对父节点的旋转变化量(四元数)
      • 参考 代码
    • 通过OSC协议发送给 VMCtoMOP程序，可预览动画，并做协议转换
    • 借助Mop插件将MOP数据映射给MetaHuman
      • 测试版本是UE5.3

audio2photoreal

• 在原项目的基础上修改，Web界面推理时导出动画数据到本地文件
  • 导出过程
  • 代码 https://github.com/see2023/audio2photoreal

Bert-VITS2 原版声明

VITS2 Backbone with multilingual bert

For quick guide, please refer to webui_preprocess.py.

简易教程请参见 webui_preprocess.py。

请注意，本项目核心思路来源于anyvoiceai/MassTTS 一个非常好的tts项目

MassTTS的演示demo为ai版峰哥锐评峰哥本人,并找回了在金三角失落的腰子

成熟的旅行者/开拓者/舰长/博士/sensei/猎魔人/喵喵露/V应当参阅代码自己学习如何训练。

严禁将此项目用于一切违反《中华人民共和国宪法》，《中华人民共和国刑法》，《中华人民共和国治安管理处罚法》和《中华人民共和国民法典》之用途。

严禁用于任何政治相关用途。

Video:https://www.bilibili.com/video/BV1hp4y1K78E

Demo:https://www.bilibili.com/video/BV1TF411k78w

References

• anyvoiceai/MassTTS
• jaywalnut310/vits
• p0p4k/vits2_pytorch
• svc-develop-team/so-vits-svc
• PaddlePaddle/PaddleSpeech
• emotional-vits
• fish-speech
• Bert-VITS2-UI

感谢所有贡献者作出的努力