对每个人而言，真正的职责只有一个：找到自我。然后在心中坚守其一生，全心全意，永不停息。所有其它的路都是不完整的，是人的逃避方式，是对大众理想的懦弱回归，是随波逐流，是对内心的恐惧 ——赫尔曼·黑塞《德米安》
写在前面
工作中遇到简单整理
博文为 Wav2Lip-GFPGAN 环境搭建运行的 Demo
理解不足小伙伴帮忙指正
对每个人而言，真正的职责只有一个：找到自我。然后在心中坚守其一生，全心全意，永不停息。所有其它的路都是不完整的，是人的逃避方式，是对大众理想的懦弱回归，是随波逐流，是对内心的恐惧 ——赫尔曼·黑塞《德米安》
Demo简单介绍 Wav2Lip-GAN Wav2Lip-GAN 是一种基于生成对抗网络（GAN）的语音到唇形的转换模型。https://github.com/Rudrabha/Wav2Lip
基本原理是使用语音信号和人脸图像来训练一个生成器网络，该网络可以将输入的语音信号转换为对应的唇形。
该模型包括两个子网络：
一个是语音识别网络，用于将语音信号转换为文本；
另一个是唇形生成网络，用于将文本和人脸图像作为输入，生成对应的唇形。
两个网络通过GAN框架进行训练，以使生成的唇形尽可能地逼真。在测试阶段，给定一个语音信号和一个人脸图像，该模型可以生成一个与语音信号相对应的唇形序列，从而实现语音到唇形的转换。
GFPGAN 腾讯 GFPGAN 是一种基于生成对抗网络（GAN）的图像超分辨率模型。https://github.com/TencentARC/GFPGAN
基本原理是使用低分辨率的图像作为输入，通过生成器网络将其转换为高分辨率的图像。
该模型包括两个子网络：
一个是生成器网络，用于将低分辨率图像转换为高分辨率图像；
另一个是判别器网络，用于评估生成的图像是否逼真。
两个网络通过GAN框架进行训练，以使生成的图像尽可能地接近真实图像。在测试阶段，给定一个低分辨率的图像，该模型可以生成一个与之对应的高分辨率图像。腾讯GFPGAN采用了一些创新的技术，如渐进式训练、自适应实例归一化等，使得其在图像超分辨率任务中表现出色。
Demo 来自下面的项目完成，小伙伴可以直接参考。作者提供了一个ipynb Demo GitHub\Wav2Lip-GFPGAN\Wav2Lip-GFPGAN.ipynb,有基础小伙伴按照步骤即可完成，下面的就不需要看了
https://github.com/ajay-sainy/Wav2Lip-GFPGAN/
有困难的小伙伴可以克隆下面的这个，fork 了上面的项目，提供了当前搭建环境步骤，需要的素材脚本：
https://github.com/LIRUILONGS/Wav2Lip-GFPGAN_Python_Demo
涉及到的模型和安装包下载 Wav2Lip 可以在项目中看到下载路径: https://github.com/Rudrabha/Wav2Lip
Wav2Lip：https://iiitaphyd-my.sharepoint.com/:u:/g/personal/radrabha_m_research_iiit_ac_in/Eb3LEzbfuKlJiR600lQWRxgBIY27JZg80f7V9jtMfbNDaQ?e=TBFBVW
Wav2Lip + GAN ：https://iiitaphyd-my.sharepoint.com/:u:/g/personal/radrabha_m_research_iiit_ac_in/EdjI7bZlgApMqsVoEUUXpLsBxqXbn5z8VTmoxp55YNDcIA?e=n9ljGW
ffmpeg: https://www.gyan.dev/ffmpeg/builds/ffmpeg-git-essentials.7z ,Linux 环境直接用包管理工具安装即可
ffmpeg 装完之后 win系统 需要配置环境变量，这里不多讲。
GFPGAN GFPGANv1.3.pth:https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth
parsing_parsenet.pth:https://github.com/xinntao/facexlib/releases/download/v0.2.2/parsing_parsenet.pth
detection_Resnet50_Final.pth:https://github.com/xinntao/facexlib/releases/download/v0.1.0/detection_Resnet50_Final.pth
环境安装 wav2lip 环境 当前系统环境为 window11,Anaconda3 使用CPU 跑，虚拟环境创建
1 2 3 4 5 6 7 C:\Users\liruilong>conda create -n wav2lip python=3.8 C:\Users\liruilong>conda info --envs base * C:\ProgramData\Anaconda3 myenv C:\Users\liruilong\AppData\Local\conda\conda\envs\myenv wav2lip C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip
切换虚拟环境的时候，报错了
1 2 C:\Users\liruilong>conda activate wav2lip .....
后来在Anaconda Prompt (Anaconda3) 可以正常执行
1 2 3 4 (base) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>conda activate wav2lip (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>conda list .....
安装 requirements.txt 中的依赖库，直接安装报错了
1 2 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com Looking in indexes: http://pypi.douban.com/simple/
需要添加 --use-pep517
1 2 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com --use-pep517 Looking in indexes: http://pypi.douban.com/simple/
检测 wav2lip 环境运行Demo 测试一下，当前项目预留了一些素材，这里使用模型wav2lip.pth
1 2 3 4 5 6 7 8 9 10 11 12 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python .\Wav2Lip-master\inference.py --checkpoint_path .\Wav2Lip-master\checkpoints\wav2lip.pth --face .\inputs\kim_7s_raw.mp4 --audio .\inputs\kim_audio.mp3 --outfile result.mp4 Using cpu for inference. Reading video frames... Number of frames available for inference: 223 Extracting raw audio... ................................... [libx264 @ 0000022caf538200] Weighted P-Frames: Y:1.2% UV:1.2% [libx264 @ 0000022caf538200] ref P L0: 68.7% 8.6% 16.2% 6.4% [libx264 @ 0000022caf538200] ref B L0: 75.0% 20.2% 4.8% [libx264 @ 0000022caf538200] ref B L1: 94.9% 5.1% [libx264 @ 0000022caf538200] kb/s:1433.66 [aac @ 0000022caf528940] Qavg: 237.868
运行完会在当前目录生成 result.mp4 文件
https://www.bilibili.com/video/BV1fX4y187jW/
然后用模型wav2lip_gan.pth 在试下
1 2 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python .\Wav2Lip-master\inference.py --checkpoint_path .\inputs\wav2lip_gan.pth --face .\inputs\kim_7s_raw.mp4 --audio .\inputs\kim_audio.mp3 --outfile result.mp4 Using cpu for inference.
https://www.bilibili.com/video/BV1Vo4y1T7F2/
这里 wav2lip 环境已经安装完成
GFPGAN 环境 准备一个新的音视频，使用 wav2lip_gan 生成，准备GFPGAN 环境
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python .\Wav2Lip-master\inference.py --checkpoint_path .\inputs\wav2lip_gan.pth --face .\inputs\demo.mp4 --audio .\inputs\demo_5_y.mp3 --outfile result.mp4 Using cpu for inference. Reading video frames... Number of frames available for inference: 2116 Extracting raw audio.. 。。。。。。。。。。。。。。。。。。。。。 [libx264 @ 000001ba2a798d80] i8 v,h,dc,ddl,ddr,vr,hd,vl,hu: 18% 18% 48% 3% 2% 2% 2% 3% 3% [libx264 @ 000001ba2a798d80] i4 v,h,dc,ddl,ddr,vr,hd,vl,hu: 23% 22% 17% 6% 6% 6% 6% 7% 8% [libx264 @ 000001ba2a798d80] i8c dc,h,v,p: 49% 20% 22% 8% [libx264 @ 000001ba2a798d80] Weighted P-Frames: Y:0.0% UV:0.0% [libx264 @ 000001ba2a798d80] ref P L0: 80.9% 10.0% 6.6% 2.5% [libx264 @ 000001ba2a798d80] ref B L0: 87.8% 10.5% 1.7% [libx264 @ 000001ba2a798d80] ref B L1: 98.7% 1.3% [libx264 @ 000001ba2a798d80] kb/s:703.37 [aac @ 000001ba2a79a780] Qavg: 170.234 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>
https://www.bilibili.com/video/BV1cX4y1h7k8/
创建一个结果文件夹
1 2 3 4 5 6 7 8 9 10 11 12 PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN> mkdir results 目录: C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN Mode LastWriteTime Length Name ---- ------------- ------ ---- d----- 2023/6/9 7:14 results PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>
需要把上面生成的文件移到这个文件夹里面，然后执行下面的脚本
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 wav2lipFolderName = 'Wav2Lip-master' gfpganFolderName = 'GFPGAN-master' wav2lipPath = '.\\' + wav2lipFolderName gfpganPath = '.\\' + gfpganFolderName outputPath = ".\\results" import cv2from tqdm import tqdmfrom os import pathimport osinputVideoPath = outputPath+'\\result.mp4' unProcessedFramesFolderPath = outputPath+'\\frames' if not os.path.exists(unProcessedFramesFolderPath): os.makedirs(unProcessedFramesFolderPath) vidcap = cv2.VideoCapture(inputVideoPath) numberOfFrames = int (vidcap.get(cv2.CAP_PROP_FRAME_COUNT)) fps = vidcap.get(cv2.CAP_PROP_FPS) print ("FPS: " , fps, "Frames: " , numberOfFrames)for frameNumber in tqdm(range (numberOfFrames)): _,image = vidcap.read() cv2.imwrite(path.join(unProcessedFramesFolderPath, str (frameNumber).zfill(4 )+'.jpg' ), image) print ("unProcessedFramesFolderPath:" ,unProcessedFramesFolderPath)print ("inputVideoPath:" ,inputVideoPath)
作用是将wav2lip处理的视频按帧数逐帧读取，将每一帧保存为 JPEG 格式的图片，并将这些图片保存到指定的文件夹 unProcessedFramesFolderPath 中
1 2 3 4 5 6 7 (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN>python day1.py FPS: 25.0 Frames: 1793 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1793/1793 [00:10<00:00, 166.99it/s] unProcessedFramesFolderPath: inputVideoPath: .\results\result.mp4 (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN>
之后会在 .\results\frames 看到切好的照片
现在准备 GFPGAN-master 的环境
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>pip install -r requirements.txt -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com --use-pep517 Looking in indexes: http://pypi.douban.com/simple/ .......... Installing collected packages: numpy, scikit-image Attempting uninstall: numpy Found existing installation: numpy 1.23.5 Uninstalling numpy-1.23.5: Successfully uninstalled numpy-1.23.5 Attempting uninstall: scikit-image Found existing installation: scikit-image 0.20.0 Uninstalling scikit-image-0.20.0: Successfully uninstalled scikit-image-0.20.0 Successfully installed numpy-1.20.3 scikit-image-0.19.3 (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>
GFPGANv1.3.pth 模型放到 /experiments/pretrained_models 目录下
1 2 3 (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>mkdir -p .\\experiments\pretrained_models (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>cd .\\experiments\pretrained_models
确认模型
1 2 3 4 5 6 目录: C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master\experiments\pretrained_models Mode LastWriteTime Length Name ---- ------------- ------ ---- -a---- 2023/6/7 1:43 348632874 GFPGANv1.3.pth
之后执行下面的命令
1 python inference_gfpgan.py -i $unProcessedFramesFolderPath -o $outputPath -v 1.3 -s 2 --only_center_face --bg_upsampler None
替换对应的变量，如果模型无法下载，需要把前面下载的放到指定位置
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>python inference_gfpgan.py -i ..\results\frames -o ..\results -v 1.3 -s 2 --only_center_face --bg_upsampler None C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\torchvision\transforms\functional_tensor.py:5: UserWarning: The torchvision.transforms.functional_tensor module is deprecated in 0.15 and will be **removed in 0.17**. Please don't rely on it. You probably just need to use APIs in torchvision.transforms.functional or in torchvision.transforms.v2.functional. warnings.warn( C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\torchvision\models\_utils.py:208: UserWarning: The parameter ' pretrained' is deprecated since 0.13 and may be removed in the future, please use ' weights' instead. warnings.warn( C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\torchvision\models\_utils.py:223: UserWarning: Arguments other than a weight enum or `None` for ' weights' are deprecated since 0.13 and may be removed in the future. The current behavior is equivalent to passing `weights=None`. warnings.warn(msg) Downloading: "https://github.com/xinntao/facexlib/releases/download/v0.1.0/detection_Resnet50_Final.pth" to C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\facexlib\weights\detection_Resnet50_Final.pth 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 104M/104M [00:06<00:00, 16.1MB/s] Downloading: "https://github.com/xinntao/facexlib/releases/download/v0.2.2/parsing_parsenet.pth" to C:\Users\liruilong\AppData\Local\conda\conda\envs\wav2lip\lib\site-packages\facexlib\weights\parsing_parsenet.pth 100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 81.4M/81.4M [00:05<00:00, 14.8MB/s] 0it [00:00, ?it/s] warnings.warn(msg) 0%| | 0/1793 [00:00<?, ?it/s]Processing 0000.jpg ... 0%| | 1/1793 [00:06<3:18:38, 6.65s/it]Processing 0001.jpg ... 0%|▏ | 2/1793 [00:13<3:18:06, 6.64s/it]P ............................... (wav2lip) C:\Users\liruilong\Documents\GitHub\Wav2Lip-GFPGAN\GFPGAN-master>
OK 跑完之后，需要用处理的图片合成视频，执行下面的脚本
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 import osoutputPath = ".\\results" restoredFramesPath = outputPath + '\\restored_imgs\\' processedVideoOutputPath = outputPath dir_list = os.listdir(restoredFramesPath) dir_list.sort() import cv2import numpy as npbatch = 0 batchSize = 300 from tqdm import tqdmfor i in tqdm(range (0 , len (dir_list), batchSize)): img_array = [] start, end = i, i+batchSize print ("processing " , start, end) for filename in tqdm(dir_list[start:end]): filename = restoredFramesPath+filename; img = cv2.imread(filename) if img is None : continue height, width, layers = img.shape size = (width,height) img_array.append(img) out = cv2.VideoWriter(processedVideoOutputPath+'\\batch_' +str (batch).zfill(4 )+'.avi' ,cv2.VideoWriter_fourcc(*'DIVX' ), 30 , size) batch = batch + 1 for i in range (len (img_array)): out.write(img_array[i]) out.release() concatTextFilePath = outputPath + "\\concat.txt" concatTextFile=open (concatTextFilePath,"w" ) for ips in range (batch): concatTextFile.write("file batch_" + str (ips).zfill(4 ) + ".avi\n" ) concatTextFile.close() concatedVideoOutputPath = outputPath + "\\concated_output.avi" print ("concatedVideoOutputPath:" ,concatedVideoOutputPath)finalProcessedOuputVideo = processedVideoOutputPath+'\\final_with_audio.avi' print ("finalProcessedOuputVideo:" ,finalProcessedOuputVideo)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>python day2.py 0%| | 0/6 [00:00<?, ?it/s]processing 0 300 0%| | 0/300 [00:00<?, ?it/s] 4%|██████▏ | 11/300 [00:00<00:02, 107.59it/s] 7%|███████████▊ | 21/300 [00:00<00:02, 104.49it/s] 11%|██████████████████ ................... 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 293/293 [00:02<00:00, 107.10it/s] 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 6/6 [00:25<00:00, 4.26s/it] concatedVideoOutputPath: .\results\concated_output.avi finalProcessedOuputVideo: .\results\final_with_audio.avi (wav2lip) C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN>
使用 ffmpeg 合并视频
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN> cd .\results\ PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results> ffmpeg -y -f concat -i .\concat.txt -c copy .\concated_output.avi ..................... frame= 1793 fps=0.0 q=-1.0 Lsize= 24625kB time=00:00:59.76 bitrate=3375.3kbits/s speed=1.76e+03x video:24577kB audio:0kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 0.197566% PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results> ls 目录: C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results Mode LastWriteTime Length Name ---- ------------- ------ ---- d----- 2023/6/9 7:25 frames d----- 2023/6/9 11:03 restored_imgs -a---- 2023/6/9 11:42 4231050 batch_0000.avi -a---- 2023/6/9 11:42 4274254 batch_0001.avi -a---- 2023/6/9 11:42 4281898 batch_0002.avi -a---- 2023/6/9 11:42 4165970 batch_0003.avi -a---- 2023/6/9 11:42 4222324 batch_0004.avi -a---- 2023/6/9 11:42 4069836 batch_0005.avi -a---- 2023/6/9 11:42 126 concat.txt -a---- 2023/6/9 11:52 25216450 concated_output.avi -a---- 2023/6/9 7:22 7515594 result.mp4
使用 ffmpeg 合并视频和音频
1 2 3 4 5 6 PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results> ffmpeg -y -i .\concated_output.avi -i ..\inputs\demo_5_y.mp3 -map 0 -map 1:a -c:v copy -shortest .\final_with_audio.avi ffmpeg version git-2020-08-31-4a11a6f Copyright (c) 2000-2020 the FFmpeg developers ........ frame= 1793 fps=699 q=-1.0 Lsize= 25618kB time=00:00:59.76 bitrate=3511.2kbits/s speed=23.3x video:24577kB audio:934kB subtitle:0kB other streams:0kB global headers:0kB muxing overhead: 0.417315% PS C:\Users\山河已无恙\Documents\GitHub\Wav2Lip-GFPGAN\results>
生成结果
https://www.bilibili.com/video/BV1914y1U7dH/
关于 Demo 和小伙伴分享到这里
博文部分内容参考 © 文中涉及参考链接内容版权归原作者所有，如有侵权请告知，这是一个开源项目，如果你认可它，不要吝啬星星哦 :)
https://github.com/ajay-sainy/Wav2Lip-GFPGAN
https://github.com/LIRUILONGS/Wav2Lip-GFPGAN_Python_Demo
© 2018-至今 liruilonger@gmail.com , All rights reserved. 保持署名-非商用-相同方式共享(CC BY-NC-SA 4.0)
