| # 数字人智能对话系统 - Linly-Talker — “数字人交互，与虚拟的自己互动” | |
| <div align="center"> | |
| <h1>Linly-Talker WebUI</h1> | |
| [](https://github.com/Kedreamix/Linly-Talker) | |
| <img src="https://github.com/Kedreamix/Linly-Talker/raw/main/docs/linly_logo.png" /><br> | |
| [](https://colab.research.google.com/github/Kedreamix/Linly-Talker/blob/main/colab_webui.ipynb) | |
| [](https://github.com/Kedreamix/Linly-Talker/blob/main/LICENSE) | |
| [](https://huggingface.co/Kedreamix/Linly-Talker) | |
| [**English**](https://github.com/Kedreamix/Linly-Talker/blob/main/README.md) | [**中文简体**](https://github.com/Kedreamix/Linly-Talker/blob/main/README_zh.md) | |
| </div> | |
| **2023.12 更新** 📆 | |
| **用户可以上传任意图片进行对话** | |
| **2024.01 更新** 📆 | |
| - **令人兴奋的消息！我现在已经将强大的GeminiPro和Qwen大模型融入到我们的对话场景中。用户现在可以在对话中上传任何图片，为我们的互动增添了全新的层面。** | |
| - **更新了FastAPI的部署调用方法。** | |
| - **更新了微软TTS的高级设置选项，增加声音种类的多样性，以及加入视频字幕加强可视化。** | |
| - **更新了GPT多轮对话系统，使得对话有上下文联系，提高数字人的交互性和真实感。** | |
| **2024.02 更新** 📆 | |
| - **更新了Gradio的版本为最新版本4.16.0，使得界面拥有更多的功能，比如可以摄像头拍摄图片构建数字人等。** | |
| - **更新了ASR和THG，其中ASR加入了阿里的FunASR，具体更快的速度；THG部分加入了Wav2Lip模型，ER-NeRF在准备中(Comming Soon)。** | |
| - **加入了语音克隆方法GPT-SoVITS模型，能够通过微调一分钟对应人的语料进行克隆，效果还是相当不错的，值得推荐。** | |
| - **集成一个WebUI界面，能够更好的运行Linly-Talker。** | |
| **2024.04 更新** 📆 | |
| - **更新了除 Edge TTS的 Paddle TTS的离线方式。** | |
| - **更新了ER-NeRF作为Avatar生成的选择之一。** | |
| - **更新了app_talk.py，在不基于对话场景可自由上传语音和图片视频生成。** | |
| --- | |
| <details> | |
| <summary>目录</summary> | |
| <!-- TOC --> | |
| - [数字人对话系统 - Linly-Talker —— “数字人交互，与虚拟的自己互动”](#数字人对话系统---linly-talker--数字人交互与虚拟的自己互动) | |
| - [介绍](#介绍) | |
| - [TO DO LIST](#to-do-list) | |
| - [示例](#示例) | |
| - [创建环境](#创建环境) | |
| - [ASR - Speech Recognition](#asr---speech-recognition) | |
| - [Whisper](#whisper) | |
| - [FunASR](#funasr) | |
| - [TTS - Edge TTS](#tts---edge-tts) | |
| - [Voice Clone](#voice-clone) | |
| - [GPT-SoVITS（推荐）](#gpt-sovits推荐) | |
| - [XTTS](#xtts) | |
| - [THG - Avatar](#thg---avatar) | |
| - [SadTalker](#sadtalker) | |
| - [Wav2Lip](#wav2lip) | |
| - [ER-NeRF（Comming Soon）](#er-nerfcomming-soon) | |
| - [LLM - Conversation](#llm---conversation) | |
| - [Linly-AI](#linly-ai) | |
| - [Qwen](#qwen) | |
| - [Gemini-Pro](#gemini-pro) | |
| - [LLM 多模型选择](#llm-多模型选择) | |
| - [优化](#优化) | |
| - [Gradio](#gradio) | |
| - [启动WebUI](#启动webui) | |
| - [文件夹结构](#文件夹结构) | |
| - [参考](#参考) | |
| - [Star History](#star-history) | |
| <!-- /TOC --> | |
| </details> | |
| ## 介绍 | |
| Linly-Talker是一款创新的数字人对话系统，它融合了最新的人工智能技术，包括大型语言模型（LLM）、自动语音识别（ASR）、文本到语音转换（TTS）和语音克隆技术。这个系统通过Gradio平台提供了一个交互式的Web界面，允许用户上传图片与AI进行个性化的对话交流。 | |
| 系统的核心特点包括： | |
| 1. **多模型集成**：Linly-Talker整合了Linly、GeminiPro、Qwen等大模型，以及Whisper、SadTalker等视觉模型，实现了高质量的对话和视觉生成。 | |
| 2. **多轮对话能力**：通过GPT模型的多轮对话系统，Linly-Talker能够理解并维持上下文相关的连贯对话，极大地提升了交互的真实感。 | |
| 3. **语音克隆**：利用GPT-SoVITS等技术，用户可以上传一分钟的语音样本进行微调，系统将克隆用户的声音，使得数字人能够以用户的声音进行对话。 | |
| 4. **实时互动**：系统支持实时语音识别和视频字幕，使得用户可以通过语音与数字人进行自然的交流。 | |
| 5. **视觉增强**：通过数字人生成等技术，Linly-Talker能够生成逼真的数字人形象，提供更加沉浸式的体验。 | |
| Linly-Talker的设计理念是创造一种全新的人机交互方式，不仅仅是简单的问答，而是通过高度集成的技术，提供一个能够理解、响应并模拟人类交流的智能数字人。 | |
|  | |
| > 查看我们的介绍视频 [demo video](https://www.bilibili.com/video/BV1rN4y1a76x/) | |
| > | |
| > 在B站上我录了一系列视频，也代表我更新的每一步与使用方法，详细查看[数字人智能对话系统 - Linly-Talker合集](https://space.bilibili.com/241286257/channel/collectiondetail?sid=2065753) | |
| > | |
| > - [🔥🔥🔥数字人对话系统 Linly-Talker🔥🔥🔥](https://www.bilibili.com/video/BV1rN4y1a76x/) | |
| > - [🚀数字人的未来：Linly-Talker+GPT-SoVIT语音克隆技术的赋能之道](https://www.bilibili.com/video/BV1S4421A7gh/) | |
| > - [AutoDL平台部署Linly-Talker (0基础小白超详细教程)](https://www.bilibili.com/video/BV1uT421m74z/) | |
| > - [Linly-Talker 更新离线TTS集成及定制数字人方案](https://www.bilibili.com/video/BV1Mr421u7NN/) | |
| ## TO DO LIST | |
| - [x] 基本完成对话系统流程，能够`语音对话` | |
| - [x] 加入了LLM大模型，包括`Linly`，`Qwen`和`GeminiPro`的使用 | |
| - [x] 可上传`任意数字人照片`进行对话 | |
| - [x] Linly加入`FastAPI`调用方式 | |
| - [x] 利用微软`TTS`加入高级选项，可设置对应人声以及音调等参数，增加声音的多样性 | |
| - [x] 视频生成加入`字幕`，能够更好的进行可视化 | |
| - [x] GPT`多轮对话`系统（提高数字人的交互性和真实感，增强数字人的智能） | |
| - [x] 优化Gradio界面，加入更多模型，如Wav2Lip，FunASR等 | |
| - [x] `语音克隆`技术，加入GPT-SoVITS，只需要一分钟的语音简单微调即可（语音克隆合成自己声音，提高数字人分身的真实感和互动体验） | |
| - [x] 加入离线TTS以及NeRF-based的方法和模型 | |
| - [ ] `实时`语音识别（人与数字人之间就可以通过语音进行对话交流) | |
| 🔆 该项目 Linly-Talker 正在进行中 - 欢迎提出PR请求！如果您有任何关于新的模型方法、研究、技术或发现运行错误的建议，请随时编辑并提交 PR。您也可以打开一个问题或通过电子邮件直接联系我。📩⭐ 如果您发现这个Github Project有用，请给它点个星！🤩 | |
| > 如果在部署的时候有任何的问题，可以关注[常见问题汇总.md](https://github.com/Kedreamix/Linly-Talker/blob/main/常见问题汇总.md)部分，我已经整理了可能出现的所有问题，另外交流群也在这里，我会定时更新，感谢大家的关注与使用！！！ | |
| ###### 模型文件和权重，请浏览“模型文件”页面获取。 | |
| 接下来还需要安装对应的模型，有以下下载方式，下载后安装文件架结构放置，文件夹结构在本文最后有说明。 | |
| - [Baidu (百度云盘)](https://pan.baidu.com/s/1eF13O-8wyw4B3MtesctQyg?pwd=linl) (Password: `linl`) | |
| - [huggingface](https://huggingface.co/Kedreamix/Linly-Talker) | |
| - [modelscope](https://www.modelscope.cn/models/Kedreamix/Linly-Talker/summary) | |
| **HuggingFace下载** | |
| 如果速度太慢可以考虑镜像，参考[简便快捷获取 Hugging Face 模型（使用镜像站点）](https://kedreamix.github.io/2024/01/05/Note/HuggingFace/?highlight=镜像) | |
| ```bash | |
| # 从huggingface下载预训练模型 | |
| git lfs install | |
| git clone https://huggingface.co/Kedreamix/Linly-Talker | |
| ``` | |
| **ModelScope下载** | |
| ```bash | |
| # 从modelscope下载预训练模型 | |
| # 1. git 方法 | |
| git lfs install | |
| git clone https://www.modelscope.cn/Kedreamix/Linly-Talker.git | |
| # 2. Python 代码下载 | |
| pip install modelscope | |
| from modelscope import snapshot_download | |
| model_dir = snapshot_download('Kedreamix/Linly-Talker') | |
| ``` | |
| **移动所有模型到当前目录** | |
| 如果百度网盘下载后，可以参考文档最后目录结构来移动 | |
| ```bash | |
| # 移动所有模型到当前目录 | |
| # checkpoint中含有SadTalker和Wav2Lip | |
| mv Linly-Talker/checkpoints/* ./checkpoints | |
| # SadTalker的增强GFPGAN | |
| # pip install gfpgan | |
| # mv Linly-Talker/gfpan ./ | |
| # 语音克隆模型 | |
| mv Linly-Talker/GPT_SoVITS/pretrained_models/* ./GPT_SoVITS/pretrained_models/ | |
| # Qwen大模型 | |
| mv Linly-Talker/Qwen ./ | |
| ``` | |
| 为了大家的部署使用方便，更新了一个`configs.py`文件，可以对其进行一些超参数修改即可 | |
| ```bash | |
| # 设备运行端口 (Device running port) | |
| port = 7860 | |
| # api运行端口及IP (API running port and IP) | |
| mode = 'api' # api 需要先运行Linly-api-fast.py，暂时仅仅适用于Linly | |
| # 本地端口localhost:127.0.0.1 全局端口转发:"0.0.0.0" | |
| ip = '127.0.0.1' | |
| api_port = 7871 | |
| # L模型路径 (Linly model path) | |
| mode = 'offline' | |
| model_path = 'Qwen/Qwen-1_8B-Chat' | |
| # ssl证书 (SSL certificate) 麦克风对话需要此参数 | |
| # 最好调整为绝对路径 | |
| ssl_certfile = "./https_cert/cert.pem" | |
| ssl_keyfile = "./https_cert/key.pem" | |
| ``` | |
| ## 启动WebUI | |
| 之前我将很多个版本都是分开来的，实际上运行多个会比较麻烦，所以后续我增加了变成WebUI一个界面即可体验，后续也会不断更新 | |
| 现在已加入WebUI的功能如下 | |
| - [x] 文本/语音数字人对话（固定数字人，分男女角色） | |
| - [x] 任意图片数字人对话（可上传任意数字人） | |
| - [x] 多轮GPT对话（加入历史对话数据，链接上下文） | |
| - [x] 语音克隆对话（基于GPT-SoVITS设置进行语音克隆，内置烟嗓音，可根据语音对话的声音进行克隆） | |
| ```bash | |
| # WebUI | |
| python webui.py | |
| ``` | |
|  | |
| 现在的启动一共有几种模式，可以选择特定的场景进行设置 | |
| 第一种只有固定了人物问答，设置好了人物，省去了预处理时间 | |
| ```bash | |
| python app.py | |
| ``` | |
|  | |
| 最近更新了第一种模式，加入了Wav2Lip模型进行对话 | |
| ```bash | |
| python appv2.py | |
| ``` | |
| 第二种是可以任意上传图片进行对话 | |
| ```bash | |
| python app_img.py | |
| ``` | |
|  | |
| 第三种是在第一种的基础上加入了大语言模型，加入了多轮的GPT对话 | |
| ```bash | |
| python app_multi.py | |
| ``` | |
|  | |
| 现在加入了语音克隆的部分，可以自由切换自己克隆的声音模型和对应的人图片进行实现，这里我选择了一个烟嗓音和男生图片 | |
| ```bash | |
| python app_vits.py | |
| ``` | |
| 加入了第四种方式，不固定场景进行对话，直接输入语音或者生成语音进行数字人生成，内置了Sadtalker，Wav2Lip，ER-NeRF等方式 | |
| > ER-NeRF是针对单独一个人的视频进行训练的，所以需要替换特定的模型才能进行渲染得到正确的结果，内置了Obama的权重，可直接用 | |
| ```bash | |
| python app_talk.py | |
| ``` | |
|  | |
| ## 文件夹结构 | |
| 所有的权重部分可以从这下载 | |
| - [Baidu (百度云盘)](https://pan.baidu.com/s/1eF13O-8wyw4B3MtesctQyg?pwd=linl) (Password: `linl`) | |
| - [huggingface](https://huggingface.co/Kedreamix/Linly-Talker) | |
| - [modelscope](https://www.modelscope.cn/models/Kedreamix/Linly-Talker/files) comming soon | |
| 权重文件夹结构如下 | |
| ```bash | |
| Linly-Talker/ | |
| ├── checkpoints | |
| │ ├── hub | |
| │ │ └── checkpoints | |
| │ │ └── s3fd-619a316812.pth | |
| │ ├── lipsync_expert.pth | |
| │ ├── mapping_00109-model.pth.tar | |
| │ ├── mapping_00229-model.pth.tar | |
| │ ├── SadTalker_V0.0.2_256.safetensors | |
| │ ├── visual_quality_disc.pth | |
| │ ├── wav2lip_gan.pth | |
| │ └── wav2lip.pth | |
| ├── gfpgan | |
| │ └── weights | |
| │ ├── alignment_WFLW_4HG.pth | |
| │ └── detection_Resnet50_Final.pth | |
| ├── GPT_SoVITS | |
| │ └── pretrained_models | |
| │ ├── chinese-hubert-base | |
| │ │ ├── config.json | |
| │ │ ├── preprocessor_config.json | |
| │ │ └── pytorch_model.bin | |
| │ ├── chinese-roberta-wwm-ext-large | |
| │ │ ├── config.json | |
| │ │ ├── pytorch_model.bin | |
| │ │ └── tokenizer.json | |
| │ ├── README.md | |
| │ ├── s1bert25hz-2kh-longer-epoch=68e-step=50232.ckpt | |
| │ ├── s2D488k.pth | |
| │ ├── s2G488k.pth | |
| │ └── speech_paraformer-large_asr_nat-zh-cn-16k-common-vocab8404-pytorch | |
| ├── Qwen | |
| │ └── Qwen-1_8B-Chat | |
| │ ├── assets | |
| │ │ ├── logo.jpg | |
| │ │ ├── qwen_tokenizer.png | |
| │ │ ├── react_showcase_001.png | |
| │ │ ├── react_showcase_002.png | |
| │ │ └── wechat.png | |
| │ ├── cache_autogptq_cuda_256.cpp | |
| │ ├── cache_autogptq_cuda_kernel_256.cu | |
| │ ├── config.json | |
| │ ├── configuration_qwen.py | |
| │ ├── cpp_kernels.py | |
| │ ├── examples | |
| │ │ └── react_prompt.md | |
| │ ├── generation_config.json | |
| │ ├── LICENSE | |
| │ ├── model-00001-of-00002.safetensors | |
| │ ├── model-00002-of-00002.safetensors | |
| │ ├── modeling_qwen.py | |
| │ ├── model.safetensors.index.json | |
| │ ├── NOTICE | |
| │ ├── qwen_generation_utils.py | |
| │ ├── qwen.tiktoken | |
| │ ├── README.md | |
| │ ├── tokenization_qwen.py | |
| │ └── tokenizer_config.json | |
| └── README.md | |
| ``` | |