Audio2PhotoReal 项目详细介绍

项目概述

Audio2PhotoReal是Facebook Research（Meta Research）开源的一个创新深度学习项目，实现了从音频到逼真人体虚拟化身的端到端合成系统。该项目的核心能力是根据语音输入生成逼真的全身人体动画，包括面部表情和身体姿态。

项目地址: https://github.com/facebookresearch/audio2photoreal
在线演示: Google Colab Demo

技术特点

核心功能

音频驱动的人体合成: 仅基于音频输入生成完整的人体动画
逼真的面部表情: 256维面部编码生成自然的面部表情
全身姿态生成: 104维关节角度实现完整的身体动作
对话场景优化: 专门针对对话场景中的人体行为建模

技术架构

项目采用多模型协同的架构设计：

面部扩散模型: 基于音频生成256维面部编码
身体扩散模型: 结合音频和引导姿态生成104维关节旋转
引导姿态生成器: VQ-VAE架构，1fps频率生成引导姿态
VQ编码器-解码器: 对连续104维姿态空间进行向量量化

数据集

数据结构

项目提供了四个人物的完整数据集：

PXB184, RLW104, TXB805, GQS883

每个人物包含约26-30个对话场景，每个场景包含：

*audio.wav: 双声道音频文件(48kHz)
  - 声道0: 当前人物音频
  - 声道1: 对话伙伴音频

*body_pose.npy: (T × 104) 关节角度数组
*face_expression.npy: (T × 256) 面部编码数组  
*missing_face_frames.npy: 缺失/损坏的面部帧索引
data_stats.pth: 各模态的均值和标准差统计

数据划分

train_idx = list(range(0, len(data_dict["data"]) - 6))
val_idx = list(range(len(data_dict["data"]) - 6, len(data_dict["data"]) - 4))
test_idx = list(range(len(data_dict["data"]) - 4, len(data_dict["data"])))

安装和使用

快速演示

# 创建环境
conda create --name a2p_env python=3.9
conda activate a2p_env

# 安装依赖
sh demo/install.sh

# 运行演示
python -m demo.demo

完整安装

# 环境配置
conda create --name a2p_env python=3.9
conda activate a2p_env
pip install -r scripts/requirements.txt

# 下载必要模型
sh scripts/download_prereq.sh

# 安装PyTorch3D
pip install "git+https://github.com/facebookresearch/pytorch3d.git"

数据下载

# 下载单个数据集
curl -L https://github.com/facebookresearch/audio2photoreal/releases/download/v1.0/<person_id>.zip -o <person_id>.zip
unzip <person_id>.zip -d dataset/

# 下载所有数据集
sh scripts/download_alldatasets.sh

# 下载预训练模型
sh scripts/download_allmodels.sh

模型训练

1. 面部扩散模型训练

python -m train.train_diffusion \
  --save_dir checkpoints/diffusion/c1_face_test \
  --data_root ./dataset/PXB184/ \
  --batch_size 4 \
  --dataset social \
  --data_format face \
  --layers 8 \
  --heads 8 \
  --timestep_respacing '' \
  --max_seq_length 600

2. 身体扩散模型训练

python -m train.train_diffusion \
  --save_dir checkpoints/diffusion/c1_pose_test \
  --data_root ./dataset/PXB184/ \
  --lambda_vel 2.0 \
  --batch_size 4 \
  --dataset social \
  --add_frame_cond 1 \
  --data_format pose \
  --layers 6 \
  --heads 8 \
  --timestep_respacing '' \
  --max_seq_length 600

3. VQ编码器训练

python -m train.train_vq \
  --out_dir checkpoints/vq/c1_vq_test \
  --data_root ./dataset/PXB184/ \
  --lr 1e-3 \
  --code_dim 1024 \
  --output_emb_width 64 \
  --depth 4 \
  --dataname social \
  --loss_vel 0.0 \
  --data_format pose \
  --batch_size 4 \
  --add_frame_cond 1 \
  --max_seq_length 600

4. 引导姿态变换器训练

python -m train.train_guide \
  --out_dir checkpoints/guide/c1_trans_test \
  --data_root ./dataset/PXB184/ \
  --batch_size 4 \
  --resume_pth checkpoints/vq/c1_vq_test/net_iter300000.pth \
  --add_frame_cond 1 \
  --layers 6 \
  --lr 2e-4 \
  --gn \
  --dim 64

推理生成

面部生成

python -m sample.generate \
  --model_path checkpoints/diffusion/c1_face/model000155000.pt \
  --num_samples 10 \
  --num_repetitions 5 \
  --timestep_respacing ddim500 \
  --guidance_param 10.0

身体生成

python -m sample.generate \
  --model_path checkpoints/diffusion/c1_pose/model000340000.pt \
  --resume_trans checkpoints/guide/c1_pose/checkpoints/iter-0100000.pt \
  --num_samples 10 \
  --num_repetitions 5 \
  --timestep_respacing ddim500 \
  --guidance_param 2.0

完整渲染

python -m sample.generate \
  --model_path checkpoints/diffusion/c1_pose/model000340000.pt \
  --resume_trans checkpoints/guide/c1_pose/checkpoints/iter-0100000.pt \
  --num_samples 10 \
  --num_repetitions 5 \
  --timestep_respacing ddim500 \
  --guidance_param 2.0 \
  --face_codes ./checkpoints/diffusion/c1_face/samples_c1_face_000155000_seed10_/results.npy \
  --pose_codes ./checkpoints/diffusion/c1_pose/samples_c1_pose_000340000_seed10_guide_iter-0100000.pt/results.npy \
  --plot

可视化

数据集可视化

python -m visualize.render_anno \
  --save_dir vis_anno_test \
  --data_root dataset/PXB184 \
  --max_seq_length 600

技术要求

CUDA: 11.7
Python: 3.9
GCC: 9.0
主要依赖: PyTorch, PyTorch3D, Gradio

应用场景

虚拟会议和远程协作
数字人直播和内容创作
游戏和娱乐应用
教育和培训仿真
人机交互界面