中山h5模板建站seo百度站长工具

一、EchoMimicV2的简单介绍

EchoMimicV2是EchoMimicV1的升级版本，旨在通过音频驱动生成更加自然和流畅的半身人类动画。它能够让用户仅通过简单的音频输入，生成与声音内容相匹配的动画效果，使虚拟人物看起来更加生动。

• 作者：由蚂蚁集团推出的开源数字人项目。
• github链接：https://github.com/antgroup/echomimic_v2
• 主要功能
  • 音频驱动的动画生成：利用音频剪辑驱动人物的面部表情和身体动作，实现音频与动画的同步。
  • 半身动画制作：从仅生成头部动画扩展到生成包括上半身的动画。
  • 简化的控制条件：减少动画生成过程中所需的复杂条件，让动画制作更为简便。
  • 手势和表情同步：基于手部姿势序列与音频的结合，生成自然且同步的手势和面部表情。
  • 多语言支持：支持中文和英文驱动，根据语言内容生成相应的动画。
• 应用场景
  EchoMimicV2适用于虚拟主播、在线教育、娱乐和游戏等多个场景。例如，在在线教育场景中，它可以通过录制好的讲解音频和教师的人物形象，生成与之同步的动态教学视频，为远程教学提供更加生动的视觉体验。

二、EchoMimicV2的环境配置

1. 工程下载

   git clone https://github.com/antgroup/echomimic_v2
   cd echomimic_v2
   

2. 虚拟环境安装与激活

   conda create -n echomimic_v2 python=3.10
   conda activate echomimic_v2
   

3. 环境自动安装
   要求：CUDA >= 11.7, Python == 3.10

   sh linux_setup.sh
   

4. 下载 ffmpeg-static
   下载链接：https://www.johnvansickle.com/ffmpeg/old-releases/ffmpeg-4.4-amd64-static.tar.xz
   下载后解压，文件层级如下：

   echomimic_v2/
   └── ffmpeg-4.4-amd64-static/├── manpages/├── model/├── ffmpeg├── ffprobe├── GPLv3.txt├── qt-faststart├── readme.txt└── autogen.sh
   

   终端虚拟环境中，设置环境变量。注意该环境变量的设置仅限于当前终端

   export FFMPEG_PATH=./ffmpeg-4.4-amd64-static
   

5. 模型的下载
   该项目使用过程中需要下载4组模型：EchoMimicV2、sd-vae-ft-mse、sd-image-variations-diffusers、audio_processor。
   可以从huggingface上下载，但需要翻墙，且下载速度慢。可选择modelscope进行下载，由于模型比较大，实际操作建议设置下载路径，下载到数据盘中。下面是我实际设置的路径【/opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2】，自己使用时修改为想要存放的路径即可。

   pip install modelscope
   modelscope download --model BadToBest/EchoMimicV2  --local_dir /opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2
   modelscope download --model zhuzhukeji/sd-vae-ft-mse --local_dir /opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2/sd-vae-ft-mse
   modelscope download --model gqy2468/sd-image-variations-diffusers --local_dir /opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2/sd-image-variations-diffusers
   

   对于 audio_processor的下载，直接访问下载链接即可。
   下载结束后，在路径【/opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2】下的结构如图：

   /opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2/
   ├── denoising_unet.pth
   ├── reference_unet.pth
   ├── motion_module.pth
   ├── pose_encoder.pth
   ├── sd-image-variations-diffusers
   │   └── ...
   ├── sd-vae-ft-mse
   │   └── ...
   └── audio_processor└── tiny.pt
   

   然后在工程的目录下创建文件夹【pretrained_weights】然后创建软连接

   mkdir pretrained_weights
   ln -s /opt/ai-platform/lldataset/240/modelscope/modelscope/hub/echomimi_v2/* pretrained_weights
   ls -l pretrained_weights    ## 查看信息
   

   
   补充，当我们删除【pretrained_weights】，仅仅删除了软连接，不会影响到连接路径下的文件。
6. 工程的运行

   python app.py
   

   

三、EchoMimicV2的数字人的生成

---

3.1 生成流程

• 1 图片的上传：本地文件上传、现场拍照、剪切板粘贴
• 2 音频的上传：本地文件上传（格式为wav）、现场录制
• 3 姿态输入：测试阶段，使用工程默认的姿态。
• 4 点击视频生成。
  生成视频时，终端如下图，可以看到整个生成过程基本需要22分钟。
  
  生成视频时，查看gpu只用情况如下图，需要月15G显存。
  

---

3.2 注意事项

在工程路径【./echomimic_v2/assets/halfbody_demo】下，给出了官方示例的图片、音频、动作。

1. 图片的拍摄
   【官方demo图片】可以查看到官方提供的图片尺寸的长宽比为1:1，且人在画幅中所占比例如图。 所以我们提供自己的照片时，也尽量保持和demo图片相似的状态。
   
   【实际测试1】个人在实际测试中，上传了一个头肩的图片如下图，生成的效果不忍直视
   
   生成的数字人如下图：
   
   【实际测试2】选取张合适的照片
   
   生成的数字人如下图：
   
    

2. 音频的上传
   该工程上传的音频，支持的是 wav格式。而实际中更多的格式为MP3。这里提供一个简单的转换的代码

   from pydub import AudioSegmentdef convert_mp3_to_wav(mp3_file_path, wav_file_path):"""将 MP3 文件转换为 WAV 格式:param mp3_file_path: MP3 文件的路径:param wav_file_path: 输出 WAV 文件的路径"""try:# 加载 MP3 文件audio = AudioSegment.from_mp3(mp3_file_path)# 导出为 WAV 格式audio.export(wav_file_path, format="wav")print(f"转换完成，WAV 文件已保存到 {wav_file_path}")except Exception as e:print(f"转换失败：{e}")# 示例用法mp3_file_path = "data/3月25日.MP3"  # 替换为你的 MP3 文件路径wav_file_path = "data/3月25日.wav"   # 替换为你希望保存的 WAV 文件路径convert_mp3_to_wav(mp3_file_path, wav_file_path)
   

四、EchoMimicV2的数字人使用体验

【记录日期】2025.3.25
【使用体验】配置的版本为当前最新的版本。但实际使用效果的体验，只能说测试玩玩，体验下当前开源数字人技术，想要能够使用还差较大距离