该视频为学习大模型应用的测试，技术实现流程如下：
第1步：换声
截止2024-11-11日，市面上的换声模型林林总总，笔者测试过多款模型，目前在用的是港大的MaskGCT-TTS。对于长文本及多角色配音，需要用一定的Python编程技术才能实现。
第2步：换脸
颜值即正义的时代，各种美颜工具就是例子，但是针对视频换脸的工具，都还在进化中，笔者用的是Facefusion。其可以人脸加强，也可以调整年龄，甚至可以使用不同模型，实现卡通效果。
第3步：音频驱动口型
这一步非常难，也比较消耗显存。市面上大多数模型都是基于wav2lip。它对单照片的口型驱动还可以，但是对于视频多角度的适配还存在一定的缺陷。
假定某视频帧数为30，那么1分钟的视频需要处理的图片数量：60*30=1800张，页顶视频3分钟，笔者采用4090显卡，耗时接近1小时。如果没有N卡，就不要用CPU尝试了，会死机。
最后，对该技术感兴趣的小伙伴可以私聊。
长按联系小编
读完若有收获，欢迎点赞、在看、转发、分享🌟
