Live Speech Portraits で音声から顔画像を動かす

cedro

3年前

1.はじめに

　今回ご紹介するのは、音声から顔画像を動かす、Live Speech Portraits という技術です。

2.Live Speech Portraitsとは？

　まず、音声（Audio Stream）からGRUとマニホールド投影を使って深い音声表現を抽出します（Deep Speech Representation Extraction）。

　そして、LSTMとMLPを使った口の動きの予測（Audio to Mouth-related Motion）と自己回帰モデルを使った頭・上半身の動き予測（Probabilistic Head Motion Synthesis）をそれぞれ行い合成します。

　最後に、合成した予測結果を条件付き特徴マップにまとめ、画像翻訳ネットワークで動画のフレームを出力します（Photorealistic Image Synthesis）。

　では、早速コードを動かしてみましょう。

3.コード

　コードはGoogle Colabで動かす形にしてGithubに上げてありますので、それに沿って説明して行きます。自分で動かしてみたい方は、この「リンク」をクリックし表示されたノートブックの先頭にある「Colab on Web」ボタンをクリックすると動かせます。

　まず、セットアップを行います。

# githubからコードを取得
! git clone https://github.com/cedro3/LiveSpeechPortraits.git
%cd LiveSpeechPortraits

# ライブラリーのインストール
! pip install dominate
! pip install sox
! apt-get install sox libsox-dev libsox-fmt-all
! pip install librosa==0.6
! pip install numba==0.48

# データのダウンロード
import gdown
gdown.download('https://drive.google.com/uc?id=1L869kfYC5MK4UPfA30oDZvtUioHrh6Li', './live.zip', quiet=False)
! unzip live.zip -d data

# githubからコードを取得

! git clone https://github.com/cedro3/LiveSpeechPortraits.git

%cd LiveSpeechPortraits

# ライブラリーのインストール

! pip install dominate

! pip install sox

! apt-get install sox libsox-dev libsox-fmt-all

! pip install librosa==0.6

! pip install numba==0.48

# データのダウンロード

import gdown

gdown.download('https://drive.google.com/uc?id=1L869kfYC5MK4UPfA30oDZvtUioHrh6Li', './live.zip', quiet=False)

! unzip live.zip -d data

　demo.pyを使って、音声に合わせて顔画像を動かしてみましょう。–idの後に人物名（May, McStay, Nadella, Obama1, Obama2）、–driving_audio の後に音声ファイル（wav）を指定します。

　自分の用意した音声（wav）を使う場合は、data/input フォルダーに自分のPCからドラッグ＆ドロップでアップロードして、–driving_audiodで指定して下さい。

# 音声に合わせて顔画像を動かす
! python demo.py --id Obama1 --driving_audio ./data/input/00083.wav

1 2	# 音声に合わせて顔画像を動かす ! python demo.py --id Obama1 --driving_audio ./data/input/00083.wav

　demo.pyで作成される動画はaviなので、mp4に変換します。下記のコードのresults/の後に、人物/音声ファイル（拡張子なし）/音声ファイルを指定します。

# output.mp4をリセット
import os
if os.path.exists('./output.mp4'):
   os.remove('./output.mp4')

# aviからmp4に変換
! ffmpeg -i results/Obama1/00083/00083.avi output.mp4

# output.mp4をリセット

import os

if os.path.exists('./output.mp4'):

os.remove('./output.mp4')

# aviからmp4に変換

! ffmpeg -i results/Obama1/00083/00083.avi output.mp4

　それでは、動画を再生してみましょう。

# mp4の再生
from IPython.display import HTML
from base64 import b64encode
 
mp4 = open('./output.mp4', 'rb').read()
data_url = 'data:video/mp4;base64,' + b64encode(mp4).decode()
HTML(f"""
<video width="50%" height="50%" controls>
      <source src="{data_url}" type="video/mp4">
</video>""")

# mp4の再生

from IPython.display import HTML

from base64 import b64encode

mp4 = open('./output.mp4', 'rb').read()

data_url = 'data:video/mp4;base64,' + b64encode(mp4).decode()

HTML(f"""

</video>""")

https://cedro3.com/wp-content/uploads/2021/09/Obama1.mp4

　もう１つやってみましょうか。人物をObama1→May、音声ファイルを00083.wav→osaka.wavに変更して実行すると、

https://cedro3.com/wp-content/uploads/2021/09/output4.mp4

　サッチャーが、おかんに説教する大阪の娘に変身します。ぜひ、色々やって楽しんでみて下さい。

　では、また。

（オリジナルgithub）https://github.com/YuanxunLu/LiveSpeechPortraits