English | 中文版
实时交互流式数字人，实现音视频同步对话。基本可以达到商用效果
wav2lip效果 | ernerf效果 | musetalk效果
国内镜像地址:https://gitee.com/lipku/LiveTalking
- 支持多种数字人模型: ernerf、musetalk、wav2lip、Ultralight-Digital-Human
- 支持声音克隆
- 支持数字人说话被打断
- 支持webrtc、rtmp、虚拟摄像头输出
- 支持动作编排：不说话时播放自定义视频
- 支持多并发
- 支持自定义数字人形象
Tested on Ubuntu 24.04, Python3.10, Pytorch 2.5.0 and CUDA 12.4
conda create -n nerfstream python=3.10
conda activate nerfstream
#如果cuda版本不为12.4(运行nvidia-smi确认版本)，根据<https://pytorch.org/get-started/previous-versions/>安装对应版本的pytorch
conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 pytorch-cuda=12.4 -c pytorch -c nvidia
pip install -r requirements.txt安装常见问题FAQ
linux cuda环境搭建可以参考这篇文章 https://zhuanlan.zhihu.com/p/674972886
视频连不上解决方法 https://mp.weixin.qq.com/s/MVUkxxhV2cgMMHalphr2cg
-
下载模型
夸克云盘https://pan.quark.cn/s/83a750323ef0
GoogleDriver https://drive.google.com/drive/folders/1FOC_MD6wdogyyX_7V1d4NDIO7P9NlSAJ?usp=sharing
将wav2lip256.pth拷到本项目的models下, 重命名为wav2lip.pth;
将wav2lip256_avatar1.tar.gz解压后整个文件夹拷到本项目的data/avatars下 -
运行
python app.py --transport webrtc --model wav2lip --avatar_id wav2lip256_avatar1
服务端需要开放端口 tcp:8010; udp:1-65536
客户端可以选用以下两种方式:
(1)用浏览器打开http://serverip:8010/webrtcapi.html , 先点‘start',播放数字人视频；然后在文本框输入任意文字，提交。数字人播报该段文字
(2)用客户端方式, 下载地址https://pan.quark.cn/s/d7192d8ac19b -
快速体验
在线镜像 用该镜像创建实例即可运行成功
安装运行过程中如果访问不了huggingface，在运行前
export HF_ENDPOINT=https://hf-mirror.com
graph TD
User["User / Frontend Web"] -->|"Text Input / Audio File"| API["API Routes: /human, /humanaudio"]
subgraph "Server Layer"
API --> SessionMgr["Session Manager"]
SessionMgr --> AvatarSession["Avatar Session Instance"]
end
subgraph "Logic Layer"
AvatarSession -->|"Request Type: chat"| LLM["LLM Response Engine"]
LLM -->|"Generated Text"| TTS["TTS Engine: Edge/CosyVoice/Tencent..."]
AvatarSession -->|"Request Type: echo"| TTS
TTS -->|"PCM Audio (16k)"| ASR["Audio Feature Extraction"]
API -->|"Uploaded audio"| ASR
end
subgraph "Rendering Layer"
ASR -->|"Audio Features / Mel"| Infer["Inference Engine: Wav2Lip/MuseTalk/ERNeRF"]
Infer -->|"Generated Mouth Sync"| Paste["Paste Back"]
end
subgraph "Streaming Layer"
Paste -->|"Video Frames"| Output["Output Module: WebRTC/RTMP/Virtualcam"]
ASR -->|"Audio Frames"| Output
Output -->|"Real-time Media Stream"| User
end
subgraph "Modular Plugin System"
Reg["Registry"] -.-> TTS
Reg -.-> Infer
Reg -.-> Output
end
style User fill:#f9f,stroke:#333,stroke-width:2px
style Reg fill:#fff2cc,stroke:#d6b656,stroke-width:2px
style LLM fill:#dae8fc,stroke:#6c8ebf,stroke-width:2px
style Infer fill:#d5e8d4,stroke:#82b366,stroke-width:2px
- 接口端点：
/human：接收文本，用于“（echo）”（直接播放）或“聊天（chat）”（大语言模型交互）场景。/humanaudio：接收原始音频文件用于播放。
- 会话管理：每个连接都会分配一个
sessionid，用于维护状态并处理多用户并发请求。
- 大语言模型（LLM）引擎：与通义千问（Qwen）等模型对接，生成对话式回复。
- 语音合成（TTS）引擎：模块化系统，支持多种服务商（EdgeTTS、GPT-SoVITS等），实现文本到语音的转换。
- 语音特征提取：提取视觉唇形同步所需的声学特征（如梅尔频谱图）。
- 模型推理：基于深度学习模型（如Wav2Lip、MuseTalk），根据音频特征生成唇形同步的视频帧。
- 后处理：将生成的嘴部区域平滑叠加回原始高清虚拟形象视频上。
- 传输协议：
- WebRTC：低延迟的浏览器端流媒体传输协议。
- RTMP：适用于YouTube、哔哩哔哩等平台的标准流媒体协议。
- 虚拟摄像头：允许将输出内容作为系统摄像头使用。
- 注册中心：采用去中心化的注册机制（registry.py），开发者可轻松新增语音合成（TTS）、虚拟形象（Avatar）或输出（Output）模块。 欢迎效果更好的模型和服务接入，也可以进行商业合作。
使用说明: https://livetalking-doc.readthedocs.io/
不需要前面的安装，直接运行。
docker run --gpus all -it --network=host --rm registry.cn-beijing.aliyuncs.com/codewithgpu2/lipku-metahuman-stream:2K9qaMBu8v
代码在/root/metahuman-stream，先git pull拉一下最新代码，然后执行命令同第2、3步
提供如下网络镜像
- ucloud镜像: https://www.compshare.cn/images/4458094e-a43d-45fe-9b57-de79253befe4?referral_code=3XW3852OBmnD089hMMrtuU&ytag=GPU_GitHub_livetalking
ucloud教程 - autodl镜像: https://www.codewithgpu.com/i/lipku/livetalking/base
autodl教程，autodl由于不能开放udp端口，需要部署转发服务，如果看不到视频，请自行部署srs或turn服务
- 性能主要跟cpu和gpu相关: 每路视频压缩需要消耗cpu，cpu性能与视频分辨率正相关；每路口型推理跟gpu性能相关。
- 不说话时的并发数跟cpu相关，同时说话的并发数跟gpu相关。
- 后端日志inferfps表示显卡推理帧率，finalfps表示最终推流帧率。两者都要在25以上才能实时。如果inferfps在25以上，finalfps达不到25表示cpu性能不足。
- 实时推理性能
| 模型 | 显卡型号 | fps |
|---|---|---|
| wav2lip256 | 3060 | 60 |
| wav2lip256 | 3080Ti | 120 |
| musetalk | 3080Ti | 42 |
| musetalk | 3090 | 45 |
| musetalk | 4090 | 72 |
wav2lip256显卡3060以上即可，musetalk需要3080Ti以上。
提供如下扩展功能，适用于对开源项目已经比较熟悉，需要扩展产品功能的用户
- 高清wav2lip模型
- 完全语音交互，数字人回答过程中支持通过唤醒词或者按钮打断提问
- 实时同步字幕，给前端提供数字人每句话播报开始、结束事件
- 提供实时音频流输入接口
- 数字人透明背景，叠加动态背景
- avatar实时切换
- 同一画面里多个数字人互动
- 摄像头驱动数字人形象动作和表情
更多详情https://livetalking-doc.readthedocs.io/zh-cn/latest/service.html
基于本项目开发并发布在B站、视频号、抖音等网站上的视频需带上LiveTalking水印和标识。
如果本项目对你有帮助，帮忙点个star。也欢迎感兴趣的朋友一起来完善该项目.
- 知识星球: https://t.zsxq.com/7NMyO 沉淀高质量常见问题、最佳实践经验、问题解答
- 微信：wxwubug (加群请备注)
- Telegram: https://t.me/livetalking
- Discord: https://discord.gg/n5jSPCT3Uf
- Email: lipku@foxmail.com
- 微信公众号：数字人技术
