# Linly-Talker **Repository Path**: mikezz/Linly-Talker ## Basic Information - **Project Name**: Linly-Talker - **Description**: No description available - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2024-02-25 - **Last Updated**: 2024-02-25 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 数字人对话系统 - Linly-Talker —— “数字人交互，与虚拟的自己互动”

Linly-Talker WebUI

[![madewithlove](https://img.shields.io/badge/made_with-%E2%9D%A4-red?style=for-the-badge&labelColor=orange)](https://github.com/Kedreamix/Linly-Talker)
[![Open In Colab](https://img.shields.io/badge/Colab-F9AB00?style=for-the-badge&logo=googlecolab&color=525252)](https://colab.research.google.com/github/Kedreamix/Linly-Talker/blob/main/colab_webui.ipynb) [![Licence](https://img.shields.io/badge/LICENSE-MIT-green.svg?style=for-the-badge)](https://github.com/Kedreamix/Linly-Talker/blob/main/LICENSE) [![Huggingface](https://img.shields.io/badge/🤗%20-Models%20Repo-yellow.svg?style=for-the-badge)](https://huggingface.co/Kedreamix/Linly-Talker) [**English**](./README.md) | [**中文简体**](./README_zh.md)
**2023.12 更新** 📆 **用户可以上传任意图片进行对话** **2024.01 更新** 📆 - **令人兴奋的消息！我现在已经将强大的GeminiPro和Qwen大模型融入到我们的对话场景中。用户现在可以在对话中上传任何图片，为我们的互动增添了全新的层面。** - **更新了FastAPI的部署调用方法。** - **更新了微软TTS的高级设置选项，增加声音种类的多样性，以及加入视频字幕加强可视化。** - **更新了GPT多轮对话系统，使得对话有上下文联系，提高数字人的交互性和真实感。** **2024.02 更新** 📆 - **更新了Gradio的版本为最新版本4.16.0，使得界面拥有更多的功能，比如可以摄像头拍摄图片构建数字人等。** - **更新了ASR和THG，其中ASR加入了阿里的FunASR，具体更快的速度；THG部分加入了Wav2Lip模型，ER-NeRF在准备中(Comming Soon)。** - **加入了语音克隆方法GPT-SoVITS模型，能够通过微调一分钟对应人的语料进行克隆，效果还是相当不错的，值得推荐。** - **集成一个WebUI界面，能够更好的运行Linly-Talker。** --- - [数字人对话系统 - Linly-Talker —— “数字人交互，与虚拟的自己互动”](#数字人对话系统---linly-talker--数字人交互与虚拟的自己互动) - [介绍](#介绍) - [TO DO LIST](#to-do-list) - [示例](#示例) - [创建环境](#创建环境) - [ASR - Speech Recognition](#asr---speech-recognition) - [Whisper](#whisper) - [FunASR](#funasr) - [TTS - Edge TTS](#tts---edge-tts) - [Voice Clone](#voice-clone) - [GPT-SoVITS（推荐）](#gpt-sovits推荐) - [XTTS](#xtts) - [THG - Avatar](#thg---avatar) - [SadTalker](#sadtalker) - [Wav2Lip](#wav2lip) - [ER-NeRF（Comming Soon）](#er-nerfcomming-soon) - [LLM - Conversation](#llm---conversation) - [Linly-AI](#linly-ai) - [Qwen](#qwen) - [Gemini-Pro](#gemini-pro) - [LLM 多模型选择](#llm-多模型选择) - [优化](#优化) - [Gradio](#gradio) - [启动WebUI](#启动webui) - [文件夹结构](#文件夹结构) - [参考](#参考) - [Star History](#star-history) ## 介绍 Linly-Talker是一个将大型语言模型与视觉模型相结合的智能AI系统,创建了一种全新的人机交互方式。它集成了各种技术,例如Whisper、Linly、微软语音服务和SadTalker会说话的生成系统。该系统部署在Gradio上,允许用户通过提供图像与AI助手进行交谈。用户可以根据自己的喜好进行自由的对话或内容生成。 ![The system architecture of multimodal human–computer interaction.](docs/HOI.png) > 查看我们的介绍视频 [demo video](https://www.bilibili.com/video/BV1rN4y1a76x/) ## TO DO LIST - [x] 基本完成对话系统流程，能够`语音对话` - [x] 加入了LLM大模型，包括`Linly`，`Qwen`和`GeminiPro`的使用 - [x] 可上传`任意数字人照片`进行对话 - [x] Linly加入`FastAPI`调用方式 - [x] 利用微软`TTS`加入高级选项，可设置对应人声以及音调等参数，增加声音的多样性 - [x] 视频生成加入`字幕`，能够更好的进行可视化 - [x] GPT`多轮对话`系统（提高数字人的交互性和真实感，增强数字人的智能） - [x] 优化Gradio界面，加入更多模型，如Wav2Lip，FunASR等 - [x] `语音克隆`技术，加入GPT-SoVITS，只需要一分钟的语音简单微调即可（语音克隆合成自己声音，提高数字人分身的真实感和互动体验） - [ ] 加入`Langchain`的框架，建立本地知识库 - [ ] `实时`语音识别（人与数字人之间就可以通过语音进行对话交流) 🔆 该项目 Linly-Talker 正在进行中 - 欢迎提出PR请求！如果您有任何关于新的模型方法、研究、技术或发现运行错误的建议，请随时编辑并提交 PR。您也可以打开一个问题或通过电子邮件直接联系我。📩⭐ 如果您发现这个Github Project有用，请给它点个星！🤩 ## 示例 | 文字/语音对话 | 数字人回答 | | :----------------------------------------------------------: | :----------------------------------------------------------: | | 应对压力最有效的方法是什么？ | | | 如何进行时间管理？ | | | 撰写一篇交响乐音乐会评论，讨论乐团的表演和观众的整体体验。 | | | 翻译成中文：Luck is a dividend of sweat. The more you sweat, the luckier you get. | | ## 创建环境 首先使用anaconda安装环境，安装pytorch环境，具体操作如下： ```bash conda create -n linly python=3.10 conda activate linly # pytorch安装方式1：conda安装（推荐） conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch # pytorch安装方式2：pip 安装 pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113 conda install -q ffmpeg # ffmpeg==4.2.2 pip install -r requirements_app.txt ``` 若使用语音克隆等模型，需要更高版本的Pytorch，但是功能也会更加丰富，不过需要的驱动版本可能要到cuda11.8，可选择 ```bash conda create -n linly python=3.10 conda activate linly pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118 conda install -q ffmpeg # ffmpeg==4.2.2 pip install -r requirements_app.txt # 安装语音克隆对应的依赖 pip install -r VITS/requirements_gptsovits.txt ``` 接下来还需要安装对应的模型，有以下下载方式，下载后安装文件架结构放置，文件夹结构在本文最后有说明。 - [Baidu (百度云盘)](https://pan.baidu.com/s/1eF13O-8wyw4B3MtesctQyg?pwd=linl) (Password: `linl`) - [huggingface](https://huggingface.co/Kedreamix/Linly-Talker) - [modelscope](https://www.modelscope.cn/models/Kedreamix/Linly-Talker/files) comming soon ```bash # 从huggingface下载预训练模型 git lfs install git clone https://huggingface.co/Kedreamix/Linly-Talker # 移动所有模型到当前目录 # checkpoint中含有SadTalker和Wav2Lip mv Linly-Talker/chechpoints/* ./checkpoints/ # SadTalker的增强GFPGAN # pip install gfpgan # mv Linly-Talker/gfpan ./ # 语音克隆模型 mv Linly-Talker/GPT_SoVITS/pretrained_models/ ./GPT_SoVITS/pretrained_models/ # Qwen大模型 mv Linly-Talker/Qwen ./ ``` 为了大家的部署使用方便，更新了一个`configs.py`文件，可以对其进行一些超参数修改即可 ```bash # 设备运行端口 (Device running port) port = 7860 # api运行端口及IP (API running port and IP) mode = 'api' # api 需要先运行Linly-api-fast.py，暂时仅仅适用于Linly ip = '127.0.0.1' api_port = 7871 # L模型路径 (Linly model path) mode = 'offline' model_path = 'Qwen/Qwen-1_8B-Chat' # ssl证书 (SSL certificate) 麦克风对话需要此参数 # 最好调整为绝对路径 ssl_certfile = "./https_cert/cert.pem" ssl_keyfile = "./https_cert/key.pem" ``` ## ASR - Speech Recognition 详细有关于语音识别的**使用介绍**与**代码实现**可见 [ASR - 同数字人沟通的桥梁](./ASR/README.md) ### Whisper 借鉴OpenAI的Whisper实现了ASR的语音识别，具体使用方法参考 [https://github.com/openai/whisper](https://github.com/openai/whisper) ### FunASR 阿里的`FunASR`的语音识别效果也是相当不错，而且时间也是比whisper更快的，对中文实际上是更好的。 同时funasr更能达到实时的效果，所以也将FunASR添加进去了，在ASR文件夹下的FunASR文件里可以进行体验，参考 [https://github.com/alibaba-damo-academy/FunASR](https://github.com/alibaba-damo-academy/FunASR)。 ## TTS - Edge TTS 详细有关于语音识别的**使用介绍**与**代码实现**可见 [TTS - 赋予数字人真实的语音交互能力](./TTS/README.md) 借鉴使用微软语音服务，具体使用方法参考[https://github.com/rany2/edge-tts](https://github.com/rany2/edge-tts) ## Voice Clone 详细有关于语音克隆的**使用介绍**与**代码实现**可见 [Voice Clone - 在对话时悄悄偷走你的声音](./VITS/README.md) ### GPT-SoVITS（推荐） 感谢大家的开源贡献，我借鉴了当前开源的语音克隆模型 `GPT-SoVITS`，我认为效果是相当不错的，项目地址可参考[https://github.com/RVC-Boss/GPT-SoVITS](https://github.com/RVC-Boss/GPT-SoVITS) ### XTTS Coqui XTTS是一个领先的深度学习文本到语音任务（TTS语音生成模型）工具包，通过使用一段5秒钟以上的语音频剪辑就可以完成声音克隆*将语音克隆到不同的语言*。 🐸TTS 是一个用于高级文本转语音生成的库。 🚀 超过 1100 种语言的预训练模型。 🛠️ 用于以任何语言训练新模型和微调现有模型的工具。 📚 用于数据集分析和管理的实用程序。 - 在线体验XTTS [https://huggingface.co/spaces/coqui/xtts](https://huggingface.co/spaces/coqui/xtts) - 官方Github库 https://github.com/coqui-ai/TTS ## THG - Avatar 详细有关于数字人生成的**使用介绍**与**代码实现**可见 [THG - 构建智能数字人](./TFG/README.md) ### SadTalker 数字人生成可使用SadTalker（CVPR 2023）,详情介绍见 [https://sadtalker.github.io](https://sadtalker.github.io) 在使用前先下载SadTalker模型: ```bash bash scripts/sadtalker_download_models.sh ``` [Baidu (百度云盘)](https://pan.baidu.com/s/1eF13O-8wyw4B3MtesctQyg?pwd=linl) (Password: `linl`) > 如果百度网盘下载，记住是放在checkpoints文件夹下，百度网盘下载的默认命名为sadtalker，实际应该重命名为checkpoints ### Wav2Lip 数字人生成还可使用Wav2Lip（ACM 2020），详情介绍见 [https://github.com/Rudrabha/Wav2Lip](https://github.com/Rudrabha/Wav2Lip) 在使用前先下载Wav2Lip模型： | Model | Description | Link to the model | | ---------------------------- | ----------------------------------------------------- | ------------------------------------------------------------ | | Wav2Lip | Highly accurate lip-sync | [Link](https://iiitaphyd-my.sharepoint.com/:u:/g/personal/radrabha_m_research_iiit_ac_in/Eb3LEzbfuKlJiR600lQWRxgBIY27JZg80f7V9jtMfbNDaQ?e=TBFBVW) | | Wav2Lip + GAN | Slightly inferior lip-sync, but better visual quality | [Link](https://iiitaphyd-my.sharepoint.com/:u:/g/personal/radrabha_m_research_iiit_ac_in/EdjI7bZlgApMqsVoEUUXpLsBxqXbn5z8VTmoxp55YNDcIA?e=n9ljGW) | | Expert Discriminator | Weights of the expert discriminator | [Link](https://iiitaphyd-my.sharepoint.com/:u:/g/personal/radrabha_m_research_iiit_ac_in/EQRvmiZg-HRAjvI6zqN9eTEBP74KefynCwPWVmF57l-AYA?e=ZRPHKP) | | Visual Quality Discriminator | Weights of the visual disc trained in a GAN setup | [Link](https://iiitaphyd-my.sharepoint.com/:u:/g/personal/radrabha_m_research_iiit_ac_in/EQVqH88dTm1HjlK11eNba5gBbn15WMS0B0EZbDBttqrqkg?e=ic0ljo) | ### ER-NeRF（Comming Soon） ER-NeRF（ICCV2023）是使用最新的NeRF技术构建的数字人，拥有定制数字人的特性，只需要一个人的五分钟左右到视频即可重建出来，具体可参考 [https://github.com/Fictionarry/ER-NeRF](https://github.com/Fictionarry/ER-NeRF) 后续会针对此更新 ## LLM - Conversation 详细有关于大模型的**使用介绍**与**代码实现**可见 [LLM - 大语言模型为数字人赋能](./LLM/README.md) ### Linly-AI Linly来自深圳大学数据工程国家重点实验室，参考 [https://github.com/CVI-SZU/Linly](https://github.com/CVI-SZU/Linly) ### Qwen 来自阿里云的Qwen，查看 [https://github.com/QwenLM/Qwen](https://github.com/QwenLM/Qwen) 如果想要快速使用，可以选1.8B的模型，参数比较少，在较小的显存也可以正常使用，当然这一部分可以替换 下载 Qwen1.8B 模型: [https://huggingface.co/Qwen/Qwen-1_8B-Chat](https://huggingface.co/Qwen/Qwen-1_8B-Chat) ### Gemini-Pro 来自 Google 的 Gemini-Pro，了解更多请访问 [https://deepmind.google/technologies/gemini/](https://deepmind.google/technologies/gemini/) 请求 API 密钥: [https://makersuite.google.com/](https://makersuite.google.com/) ### LLM 多模型选择 在 app.py 文件中，轻松选择您需要的模型。 ```python # 可以注释掉选择模型 # llm = LLM(mode='offline').init_model('Linly', 'Linly-AI/Chinese-LLaMA-2-7B-hf') # llm = LLM(mode='offline').init_model('Gemini', 'gemini-pro', api_key = "your api key") # llm = LLM(mode='offline').init_model('Qwen', 'Qwen/Qwen-1_8B-Chat') # 可以通过config来设置模型 llm = LLM(mode=mode).init_model('Qwen', model_path) ``` ## 优化 一些优化: - 使用固定的输入人脸图像,提前提取特征,避免每次读取 - 移除不必要的库,缩短总时间 - 只保存最终视频输出,不保存中间结果,提高性能 - 使用OpenCV生成最终视频,比mimwrite更快 ## Gradio Gradio是一个Python库,提供了一种简单的方式将机器学习模型作为交互式Web应用程序来部署。 对Linly-Talker而言,使用Gradio有两个主要目的: 1. **可视化与演示**:Gradio为模型提供一个简单的Web GUI,上传图片和文本后可以直观地看到结果。这是展示系统能力的有效方式。 2. **用户交互**:Gradio的GUI可以作为前端,允许用户与Linly-Talker进行交互对话。用户可以上传自己的图片并输入问题,实时获取回答。这提供了更自然的语音交互方式。 具体来说,我们在app.py中创建了一个Gradio的Interface,接收图片和文本输入,调用函数生成回应视频,在GUI中显示出来。这样就实现了浏览器交互而不需要编写复杂的前端。 总之,Gradio为Linly-Talker提供了可视化和用户交互的接口,是展示系统功能和让最终用户使用系统的有效途径。 ## 启动WebUI 之前我将很多个版本都是分开来的，实际上运行多个会比较麻烦，所以后续我增加了变成WebUI一个界面即可体验，后续也会不断更新 现在已加入WebUI的功能如下 - [x] 文本/语音数字人对话（固定数字人，分男女角色） - [x] 任意图片数字人对话（可上传任意数字人） - [x] 多轮GPT对话（加入历史对话数据，链接上下文） - [x] 语音克隆对话（基于GPT-SoVITS设置进行语音克隆，内置烟嗓音，可根据语音对话的声音进行克隆） ```bash # WebUI python webui.py ``` ![](docs/WebUI.png) 现在的启动一共有几种模式，可以选择特定的场景进行设置 第一种只有固定了人物问答，设置好了人物，省去了预处理时间 ```bash python app.py ``` ![](docs/UI.png) 最近更新了第一种模式，加入了Wav2Lip模型进行对话 ```bash python appv2.py ``` 第二种是可以任意上传图片进行对话 ```bash python app_img.py ``` ![](docs/UI2.png) 第三种是在第一种的基础上加入了大语言模型，加入了多轮的GPT对话 ```bash python app_multi.py ``` ![](docs/UI3.png) 现在加入了语音克隆的部分，可以自由切换自己克隆的声音模型和对应的人图片进行实现，这里我选择了一个烟嗓音和男生图片 ```bash python app_vits.py ``` ## 文件夹结构 所有的权重部分可以从这下载 - [Baidu (百度云盘)](https://pan.baidu.com/s/1eF13O-8wyw4B3MtesctQyg?pwd=linl) (Password: `linl`) - [huggingface](https://huggingface.co/Kedreamix/Linly-Talker) - [modelscope](https://www.modelscope.cn/models/Kedreamix/Linly-Talker/files) comming soon 权重文件夹结构如下 ```bash Linly-Talker/ ├── checkpoints │   ├── hub │   │   └── checkpoints │   │   └── s3fd-619a316812.pth │   ├── lipsync_expert.pth │   ├── mapping_00109-model.pth.tar │   ├── mapping_00229-model.pth.tar │   ├── SadTalker_V0.0.2_256.safetensors │   ├── visual_quality_disc.pth │   ├── wav2lip_gan.pth │   └── wav2lip.pth ├── gfpgan │   └── weights │   ├── alignment_WFLW_4HG.pth │   └── detection_Resnet50_Final.pth ├── GPT_SoVITS │   └── pretrained_models │   ├── chinese-hubert-base │   │   ├── config.json │   │   ├── preprocessor_config.json │   │   └── pytorch_model.bin │   ├── chinese-roberta-wwm-ext-large │   │   ├── config.json │   │   ├── pytorch_model.bin │   │   └── tokenizer.json │   ├── README.md │   ├── s1bert25hz-2kh-longer-epoch=68e-step=50232.ckpt │   ├── s2D488k.pth │   ├── s2G488k.pth │   └── speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch ├── Qwen │   └── Qwen-1_8B-Chat │   ├── assets │   │   ├── logo.jpg │   │   ├── qwen_tokenizer.png │   │   ├── react_showcase_001.png │   │   ├── react_showcase_002.png │   │   └── wechat.png │   ├── cache_autogptq_cuda_256.cpp │   ├── cache_autogptq_cuda_kernel_256.cu │   ├── config.json │   ├── configuration_qwen.py │   ├── cpp_kernels.py │   ├── examples │   │   └── react_prompt.md │   ├── generation_config.json │   ├── LICENSE │   ├── model-00001-of-00002.safetensors │   ├── model-00002-of-00002.safetensors │   ├── modeling_qwen.py │   ├── model.safetensors.index.json │   ├── NOTICE │   ├── qwen_generation_utils.py │   ├── qwen.tiktoken │   ├── README.md │   ├── tokenization_qwen.py │   └── tokenizer_config.json └── README.md ``` ## 参考 **ASR** - [https://github.com/openai/whisper](https://github.com/openai/whisper) - [https://github.com/alibaba-damo-academy/FunASR](https://github.com/alibaba-damo-academy/FunASR) **TTS** - [https://github.com/rany2/edge-tts](https://github.com/rany2/edge-tts) **LLM** - [https://github.com/CVI-SZU/Linly](https://github.com/CVI-SZU/Linly) - [https://github.com/QwenLM/Qwen](https://github.com/QwenLM/Qwen) - [https://deepmind.google/technologies/gemini/](https://deepmind.google/technologies/gemini/) **THG** - [https://github.com/OpenTalker/SadTalker](https://github.com/OpenTalker/SadTalker) - [https://github.com/Rudrabha/Wav2Lip](https://github.com/Rudrabha/Wav2Lip) **Voice Clone** - [https://github.com/RVC-Boss/GPT-SoVITS](https://github.com/RVC-Boss/GPT-SoVITS) - [https://github.com/coqui-ai/TTS](https://github.com/coqui-ai/TTS) ## Star History [![Star History Chart](https://api.star-history.com/svg?repos=Kedreamix/Linly-Talker&type=Date)](https://star-history.com/#Kedreamix/Linly-Talker&Date)