项目简介
实时语音交互数字人，支持端到端语音方案（GLM-4-Voice - THG）和级联方案（ASR-LLM-TTS-THG）。可自定义形象与音色，支持音色克隆，首包延迟低至3s。
技术选型
ASR (Automatic Speech Recognition): FunASR
LLM (Large Language Model): Qwen
End-to-end MLLM (Multimodal Large Language Model): GLM-4-Voice
TTS (Text to speech): GPT-SoVITS, CosyVoice, edge-tts
THG (Talking Head Generation): MuseTalk
本地部署
0. 显存需求
级联方案(ASR-LLM-TTS-THG)：约8G，首包约3s（单张A100）。
端到端语音方案(MLLM-THG)：约20G，首包约7s（单张A100）。
对于不需要使用端到端 MLLM 的开发者，可以选择仅包含级联方案的cascade_only分支。
git checkout cascade_only1. 环境配置
ubuntu 22.04
python 3.10
CUDA 12.2
torch 2.3.0
git lfs installgit clone https://www.modelscope.cn/studios/AI-ModelScope/video_chat.gitconda create -n metahuman python=3.10conda activate metahumancd video_chatpip install -r requirement.txt
2. 权重下载
2.1 创空间下载（推荐）
创空间仓库已设置git lfs追踪权重文件，如果是通过git clone https://www.modelscope.cn/studios/AI-ModelScope/video_chat.git克隆，则无需额外配置
2.2 手动下载
2.2.1 MuseTalk
参考这个链接
目录如下：
./weights/├── dwpose│ └── dw-ll_ucoco_384.pth├── face-parse-bisent│ ├── 79999_iter.pth│ └── resnet18-5c106cde.pth├── musetalk│ ├── musetalk.json│ └── pytorch_model.bin├── sd-vae-ft-mse│ ├── config.json│ └── diffusion_pytorch_model.bin└── whisper└── tiny.pt
2.2.2 GPT-SoVITS
参考这个链接
2.2.3 GLM-4-Voice
在app.py中添加如下代码即可完成下载。
from modelscope import snapshot_downloadsnapshot_download('ZhipuAI/glm-4-voice-tokenizer',cache_dir='./weights')snapshot_download('ZhipuAI/glm-4-voice-decoder',cache_dir='./weights')snapshot_download('ZhipuAI/glm-4-voice-9b',cache_dir='./weights')
3. 其他配置
LLM模块和TTS模块提供了多种方式，可自行选择推理方式
3.1 使用API-KEY（默认）
对于LLM模块和TTS模块，如果本地机器性能有限，可使用阿里云大模型服务平台百炼提供的Qwen API和CosyVoice API，请在app.py(line 14)中配置API-KEY。
参考这个链接完成API-KEY的获取与配置。
os.environ["DASHSCOPE_API_KEY"] = "INPUT YOUR API-KEY HERE"3.2 不使用API-KEY
如果不使用API-KEY，请参考以下说明修改相关代码。
3.2.1 LLM模块
src/llm.py中提供了Qwen和Qwen_API两个类分别处理本地推理和调用API。若不使用API-KEY，有以下两种方式进行本地推理：
使用
Qwen完成本地推理。Qwen_API默认调用API完成推理，若不使用API-KEY，还可以使用vLLM加速LLM推理。可参考如下方式安装vLLM：
git clone https://github.com/vllm-project/vllm.gitcd vllmpython use_existing_torch.pypip install -r requirements-build.txtpip install -e . --no-build-isolation
安装完成后，参考这个链接进行部署，使用
Qwen_API(api_key="EMPTY",base_url="http://localhost:8000/v1")初始化实例调用本地推理服务。
3.2.2 TTS模块
src/tts.py中提供了GPT_SoVits_TTS和CosyVoice_API分别处理本地推理和调用API。若不使用API-KEY，可直接删除CosyVoice_API相关的内容，使用Edge_TTS调用Edge浏览器的免费TTS服务进行推理。
4. 启动服务
python app.py5. 使用自定义数字人（可选）
5.1 自定义数字人形象
在
/data/video/中添加录制好的数字人形象视频修改
/src/thg.py中Muse_Talk类的avatar_list，加入(形象名, bbox_shfit)，关于bbox_shift的说明参考这个链接在
/app.py中Gradio的avatar_name中加入数字人形象名后重新启动服务，等待完成初始化即可。
5.2 自定义数字人音色
GPT-SoVits支持自定义音色。demo中可使用音色克隆功能，上传任意语音内容的参考音频后开始对话，或将音色永久添加到demo中：
在
/data/audio中添加音色参考音频，音频长度3-10s，命名格式为x.wav在
/app.py中Gradio的avatar_voice中加入音色名（命名格式为x (GPT-SoVits)）后重新启动服务。TTS选型选择
GPT-SoVits，开始对话
项目链接
http://github.com/Henry-23/VideoChat
扫码加入技术交流群，备注「开发语言-城市-昵称」
合作请注明
关注「GitHubStore」公众号
