简介

• 本项目的目的是拓展Bert-VITS2的使用边界，比如 TTS 同步产生脸部表情数据。
• 效果参见
  • Demo 哔哩哔哩 Youtube
  • TTS with Audio2PhotoReal --> MetaHuman
  • 从歌声生成表情测试；与 Azure TTS 说话时的表情对比
  • TTS 生成表情初版，与 MotionGPT 拟合

2025.8 改进

• 输入从 1D 变为 2D：旧模型输入是  [B, C, T]  的一维序列，而新模型输入是  [B, H, W, C]  即  [批次, 频率, 时间, 1]  的二维数据
• 用  Conv2D  替代了  Conv1D  作为特征提取的起点
• 移除了计算量巨大的 Transformer 模块
• 参考Improvement_2025.md
• Demo 2025

扩展到 CosyVoice

• CosyVoice 表情测试

扩展到 GPT-SoVITS

• GPT-SoVITS 表情测试
  • 直接在 GPT-SoVITS上重新训练，实测结果比较糟糕
  • 暂时使用的方法是从 Bert-VITS2-ext 里直接把后验部分以及表情生成部分模型复制到 GPT-SoVITS 里测试。
  • 这会导致一次重复的计算，以及更多的预测变差

TTS

• TTS 代码源自 Bert-VITS2 v2.3 Final Release [ Dec 20, 2023]

  • https://github.com/fishaudio/Bert-VITS2/commit/7ebc1aa28a055608f7e31da93928cf295fdffeba

• 测试下来，个人感觉纯中文素材的训练效果 2.1-2.3 版本略微不如 1.0，纯中文需求可以考虑降低版本或混合使用。

• TTS 本身的训练方法见原文(每个版本都有所不同)

  • 1.0 版本推荐参考 https://github.com/YYuX-1145/Bert-VITS2-Integration-package

TTS 同步输出表情

思路

• 参考VITS论文的网络结构图(非 bert-vits2，但大体结构是一样的)，获取文本编码及变换后、解码前的隐变量 z，从旁路输出表情值(Live Link Face 数值)
  • 冻结原网络的参数，单独增加一路 LSTM 和 MLP 处理，完成 z 到表情的 seq2seq 生成与映射
  • 当然如果有高质量的表情数据，也可以把表情也加入原始 TTS 网络训练，应该能提高音频质量

数据采集

• 设置 Live Link Face 的 Targets 为本机 IP，端口默认 11111
• 同步采集语音和对应的 Live Link 输出的表情值，分别存入到 records 文件夹
  • 执行一下脚本采集，每次 20 秒
  • 音频默认为 44100 Hz
  • 音频、表情的采集可能有偏移
  • 可对比验证集的损失找到同一数据源的最佳偏移位置

python ./motion/record.py

• 查看数据是否正常

  • 预览 npy 中的 weight 数值曲线

• 测试数据

  • 将录下的 bs 数据通过 live link 发给 UE 中的 MetaHuman，同步播放语音，检查是否匹配

python ./motion/tts2ue.py --bs_npy_file  ./records/2023-12-23-17-19-54.npy --wav_file ./records/2023-12-23-17-19-54.wav  --fps 60

数据预处理

• 读取 records 中的所有音频文件，利用后验编码器，把音频编码后的隐变量 z 存入 *.z.npy
• 写入训练和验证用的文件列表
  • filelists/val_visemes.list
  • filelists/train_visemes.list

python ./motion/prepare_visemes.py

训练

• 在 train_ms.py 后加上--visemes 来区别和主网的训练

python train_ms.py  -m OUTPUT_MODEL --config ./configs/config.json --visemes

推理

• 在 webui.py 执行时，将输出的音频、隐变量、动画数据写入当前目录，可用 tts2ue.py 来查看生成效果
• 生成的动画默认的 fps 是和隐变量一样的 86.1328125
  • 44100/86.1328125 = 512，刚好整除，这是 Bert-VITS2 音频采样频率、网络结构和 hidden_channels 决定的

python ./motion/tts2ue.py --bs_npy_file ./tmp.npy --wav_file ./tmp.wav --delay_ms 700

声音到表情

• 利用后验编码器，把声音转换成 z，然后再把 z 转成表情
  • 音频需转成 44100hz 的 wav 文件，并只保留一个通道(ffmpeg)

# 音频截取转换
ffmpeg -i input_file -ss 00:00:00 -t 00:00:10 -ar 44100 -f wav test.wav

# 保留通道1
ffmpeg -i test.wav -map_channel 0.0.0 output.wav

python  ./motion/wav_to_visemes.py output.wav

身体动画

MotionGPT

• 有了语音和表情后，还可以在 LLM 驱动下产生与之匹配的动作描述，然后用 text to motion 模型生成与说话内容匹配的身体动画，甚至和场景、他人进行交互。
• text to motion 测试采用的项目是 MotionGPT
  • 暂未做动画过度处理，看介绍模型是支持的 motion in-between
  • MotionGPT 用的 flan-t5-base，不能理解中文，所以无法用说话的文本产生同步度很高的动画(翻译成英文后语序多少有些变化)
    • 是否可以用说话的文本或隐变量 z 来指导动作生成暂未可知
• MotionGPT 输出的是骨骼位置，与 UE 的骨骼动画不能直接对接
  • 目前用了简化方法估算运动数值，会有不小的位置损失
    • 计算出骨骼相对父节点的旋转变化量(四元数)
      • 参考 代码
    • 通过 OSC 协议发送给 VMCtoMOP程序，可预览动画，并做协议转换
    • 借助Mop 插件将 MOP 数据映射给 MetaHuman
      • 测试版本是 UE5.3

audio2photoreal

• 在原项目的基础上修改，Web 界面推理时导出动画数据到本地文件
  • 导出过程
  • 代码 https://github.com/see2023/audio2photoreal

Bert-VITS2 原版声明

VITS2 Backbone with multilingual bert

For quick guide, please refer to webui_preprocess.py.

简易教程请参见 webui_preprocess.py。

请注意，本项目核心思路来源于anyvoiceai/MassTTS 一个非常好的 tts 项目

MassTTS 的演示 demo 为ai 版峰哥锐评峰哥本人,并找回了在金三角失落的腰子

成熟的旅行者/开拓者/舰长/博士/sensei/猎魔人/喵喵露/V 应当参阅代码自己学习如何训练。

严禁将此项目用于一切违反《中华人民共和国宪法》，《中华人民共和国刑法》，《中华人民共和国治安管理处罚法》和《中华人民共和国民法典》之用途。

严禁用于任何政治相关用途。

Video:https://www.bilibili.com/video/BV1hp4y1K78E

Demo:https://www.bilibili.com/video/BV1TF411k78w

References

• anyvoiceai/MassTTS
• jaywalnut310/vits
• p0p4k/vits2_pytorch
• svc-develop-team/so-vits-svc
• PaddlePaddle/PaddleSpeech
• emotional-vits
• fish-speech
• Bert-VITS2-UI

感谢所有贡献者作出的努力