数字人授课录制系统是由AI Horizons团队设计并开发的教育技术工具，旨在通过先进的数字人技术，为教育领域提供个性化、专属化的PPT授课视频制作和展示体验。该系统支持用户自定义数字人形象和声音，简化视频生成流程，提高教学内容的吸引力和教学效率。
2024.06更新 (未发布) 📆:
- 完成了基础的UI界面。
- 完成了基础数字人结合ppt生成视频的API框架。
2024.07更新 (未发布) 📆:
- 更新了UI界面。
- 加入了VITS的语音合成功能，让数字人的声音更生动。
2024.09更新 (开源🔥v1.2.0) 📆:
- 开源发布，加入 VITS 的语音训练模块。
- 令人兴奋的消息！我们将该项目全套开源🔥🔥🔥
- 把VITS的语音训练模块加入其中，能够通过微调一分钟对应人的语料进行克隆。
2025.01更新 (开源🔥v1.4.0) 📆:
- 加入的Easy_Wav2Lip数字人视频嘴型生成功能。
- 用户可以通过上传带有自身肢体动作的视频，对数字人形象进行动作添加
- 用户可以指定某页ppt出现数字人以及上传自定义音频，更加灵活🤩
- 修复了以知的BUG。
该仓库主要开源Digital_Human_API，如需参考我们开发的应用程序可以参考Digital_Human_UI
Important
🔆 该项目也在持续的更新阶段，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。⭐ 如果您发现这个Github Project有用，请给它点个星！🤩🤩
生动直观，个性化定制:
- AI数字人形象：采用SadTalker定制化数字人形象，让2D生成生动的3D。
- AI数字人形象：可采用Easy_Wav2Lip数字人视频嘴型生成功能，让数字人更加的生动
- AI数字人声音：采用GPT-SoVITS定制数字人声音，可选预训练声音，或者上传需训练的音频，完成声音自定义。
智能、简洁操作：
- 视频定制：可对生成视频进行设置，如数字人、用户音频。
- 简易的视频生成：上传ppt,该系统会根据ppt批注里的内容进行生成音频跟数字人，自动拼接即可完成授课视频的生成。
- 用户可以通过上传带有自身肢体动作的视频，对数字人形象进行动作添加，最终使得数字人画面更加生动形象，视频呈现效果更接近真人。
- 简洁的UI：通过winform设计了简洁的UI设计，使用户更易上手。
Digital Human的设计理念是创造一种全新的视频生成方式，也就是说该项目不止是为了生成授课视频，例如PPT内容讲解视频、传统文化讲解视频、公司简介讲解视频等都是我们开发该项目所设想的理念。
- 不带动作
video.mp4
- 带动作
test1.mp4
分两种部署方式
⚠️ 显存最低需要6G⚠️
-
拉取代码
git clone https://github.com/xaio6/Digital_Human_API
-
创建环境
# 虚拟环境创建 conda create -n Digital python=3.9 conda activate Digital # pytorch安装方式1（没有安装CUDA）： conda install cudatoolkit=11.8 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/ conda install cudnn pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118 # pytorch安装方式2（已经有安装CUDA，版本为CUDA=11.8）： pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118
-
环境配置
- 这一步安装过程可能耗时会比较长，可能存在会一些依赖冲突的问题，但是也不会出现太多bug，但是为了更好更方便的安装，可以对冲突的依赖单独安装。
# 安装项目依赖 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
⚠️ 注意在window上，ffmpeg安装可以参考这篇 http://t.csdnimg.cn/FNUsM
⚠️ 注意在liunx上，ffmpeg安装可以参考这篇 http://t.csdnimg.cn/BWt6I
- 模型下载
-
接下来还需要安装对应的模型，该项目采用
SadTalker以及GPT-SoVITS，可以根据官方提供的模型下载位置进行下载，这里我提供的的百度云盘下载 下载完后按照下面的位置进行模型放置：# checkpoints.zip 该压缩包里面的所有模型需要解压Digital_Human\SadTalker\checkpoints下 # gfpgan.zip 该压缩包里面的所有模型需要解压到Digital_Human\SadTalker\gfpgan下 # GPT_weights.zip 该压缩包里面的所有模型需要解压到Digital_Human\VITS下 # SoVITS_weights.zip 该压缩包里面的所有模型需要解压到Digital_Human\VITS下 # pretrained_models.zip 该压缩包里面的所有模型需要解压到Digital_Human\VITS\GPT_SoVITS下 # weights.zip 该压缩包里面的所有模型解压Digital_Human\SadTalker\scripts\weights下 # w2l_checkpoints.zip 该压缩包里面的所有模型解压Digital_Human\Easy_Wav2Lip\checkpoints下 # 更详细的模型放置位置的可以看压缩包里面的 Word 文档
- 运行项目
- 运行项目前，请确保已经安装了所有依赖，并且已经下载了所有模型。
# 开启服务 python server.py
Important
-
gfpgan库的安装问题
解决： 需要用阿里源下载
pip install gfpgan==1.3.8 -i https://mirrors.aliyun.com/pypi/simple
-
nltk_data 的下载问题
解决：
将nltk_data拉取到提示中任意位置（nltk_data在百度网盘）
- 创建实例
- 运行项目
- 进入到
Digital_Human_API文件夹下，运行server1.4.0.py即可
- 启动代理
- 打开AutoDL提供的桌面工具，按照提示填入ssh指令跟ssh密码。
该仓库代码主要是用Flask构建的python后端代码，当启动server.py后，开启的是后端服务，因此，如果需要使用该项目，可以自己搭建一个UI界面或者程序来调用API，当然，你也可以采用我们团队开发的winform界面，可以参考：Digital_Human_UI
Flask接口
- 接口:
/Login - 方法:
POST - 描述: 验证用户登录的账号密码。
- 请求体:
{ "User": "用户名", "Password": "密码" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_State - 方法:
POST - 描述: 获取特定任务的状态，指在线程池完成的任务功能。
- 请求体:
{ "User": "用户名", "Task": "任务名" } - 响应:
- 成功:
result: "任务状态" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_PPT_Remakes - 方法:
POST - 描述: 保存PPT批注里内容。
- 请求体:
{ "User": "用户名", "PPT_Remakes": "PPT备注信息" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Image - 方法:
POST - 描述: 保存用户的真人照片。
- 请求体:
{ "User": "用户名", "Img": "base64编码的图片数据" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Teacher_Video - 方法:
POST - 描述: 保存教师的视频。
- 请求体:
form-data，包含以下两个字段：- Json: 包含用户信息的 JSON 字符串。
{ "User": "用户名" } - File: 视频文件。
- Json: 包含用户信息的 JSON 字符串。
- 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Recive_Wav_Time - 方法:
POST - 描述: 获取VITS生成的音频时长信息。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: {"文件名":时长, ...} - 失败:
result: "Failed"
- 成功:
- 接口:
/Recive_User_Wav_Time - 方法:
POST - 描述: 获取用户上传音频的时长信息。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: {"文件名":时长, ...} - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Video - 方法:
POST - 描述: 接收前端上传的PPT视频。
- 请求体:
form-data，包含以下两个字段：- Json: 包含用户信息的 JSON 字符串。
{ "User": "用户名" } - File: 视频文件。
- Json: 包含用户信息的 JSON 字符串。
- 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_People_Location - 方法:
POST - 描述: 保存数字人需要插入PPT的页数信息。
- 请求体:
{ "User": "用户名", "People_Location": "数字人插入页数信息" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_PPT_Audio - 方法:
POST - 描述: 保存用于插入PPT的音频文件。
- 请求体:
form-data，包含以下两个字段：- Json: 包含用户和音频名称的 JSON 字符串。
{ "User": "用户名", "Audio_Name": "音频文件名" } - File: 音频文件。
- Json: 包含用户和音频名称的 JSON 字符串。
- 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Config - 方法:
POST - 描述: 配置VITS和SadTalker模型的参数。
- 请求体:
{ "User": "用户名", "VITS_Config": "VITS模型配置", "SadTalker_Config": "SadTalker模型配置" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Wav2Lip_Config - 方法:
POST - 描述: 配置Wav2Lip模型的参数。
- 请求体:
{ "User": "用户名", "Wav2Lip_Config": "Wav2Lip模型配置" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Select_Train_VITS_Model - 方法:
POST - 描述: 选择要训练的VITS模型。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Select_VITS_Model - 方法:
POST - 描述: 选择要使用的VITS模型。
- 请求体:
{ "User": "用户名", "Index": "模型索引" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Tarin_Audio - 方法:
POST - 描述: 保存用于训练VITS模型的音频文件。
- 请求体:
form-data，包含以下两个字段：- Json: 包含用户和音频名称的 JSON 字符串。
{ "User": "用户名", "Audio_Name": "音频文件名" } - File: 音频文件。
- Json: 包含用户和音频名称的 JSON 字符串。
- 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Train_VITS_Model - 方法:
POST - 描述: 启动VITS模型训练。
- 请求体:
{ "User": "用户名", "Label": "训练标签" } - 响应:
- 成功:
result: "VITS_Train" - 失败:
result: "Failed"
- 成功:
- 接口:
/Send_Ref_Wav_And_Text - 方法:
POST - 描述: 保存VITS模型的参照音频和文本信息。
- 请求体:
form-data，包含以下两个字段：- Json: 包含用户和文本的 JSON 字符串。
{ "User": "用户名", "Ref_Text": "参考文本" } - File: 音频文件。
- Json: 包含用户和文本的 JSON 字符串。
- 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Train_VITS_Model_Name - 方法:
POST - 描述: 获取训练完成的VITS模型名称。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "模型名称" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Test_Inference - 方法:
POST - 描述: 获取VITS和SadTalker推理的测试视频。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "base64编码的视频数据" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Inference_VITS - 方法:
POST - 描述: 执行单次VITS推理。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Inference_VITS_Multiple - 方法:
POST - 描述: 执行多次VITS推理。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "VITS_Inference" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Inference_VITS_Sadtalker - 方法:
POST - 描述: 执行VITS和SadTalker的联合推理。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Audio_Video_Inference" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Inference_User_Audio_Sadtalker - 方法:
POST - 描述: 使用用户音频和SadTalker进行推理。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Audio_Video_Inference" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Inference_VITS_Wav2Lip - 方法:
POST - 描述: 执行VITS和Wav2Lip的联合推理。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Audio_Video_Inference" - 失败:
result: "Failed"
- 成功:
- 接口:
/Get_Inference_User_Audio_Wav2Lip - 方法:
POST - 描述: 使用用户音频和Wav2Lip进行推理。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Audio_Video_Inference" - 失败:
result: "Failed"
- 成功:
- 接口:
/PPT_Video_Merge - 方法:
POST - 描述: 合并PPT和视频，所有页面都插入数字人。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Video_Merge" - 失败:
result: "Failed"
- 成功:
- 接口:
/PPT_Video_Merge_Select_Into - 方法:
POST - 描述: 合并PPT和视频，可选择插入数字人的页面。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Video_Merge" - 失败:
result: "Failed"
- 成功:
- 接口:
/PPT_Video_Merge_No_Into - 方法:
POST - 描述: 合并PPT和视频，不插入数字人。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "Success" - 失败:
result: "Failed"
- 成功:
- 接口:
/Pull_Video_Merge - 方法:
POST - 描述: 拉取最终合成的视频。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "base64编码的视频数据" - 失败:
result: "Failed"
- 成功:
- 接口:
/Pull_VITS_Audio - 方法:
POST - 描述: 拉取VITS推理的音频。
- 请求体:
{ "User": "用户名" } - 响应:
- 成功:
result: "base64编码的音频数据" - 失败:
result: "Failed"
- 成功:
PowerPoint制作的PPT,如果使用WPS制作的PPT该API就不能正常工作了
该项目可能存在一些视频生成失败的结果，这就需要外部进行协调来降低这个可能，因此，如果出现了视频生成失败，非常欢迎大家提出建议，激励我们不断优化该项目。
PPT制作要求：
-
视频和GIF动画的兼容性说明： 在你的PPT内容中，如果包含视频，请注意，通过本该项目转换生成的授课视频目前不支持这些媒体文件的播放功能。因此，建议PPT内容中不加入视频。
-
页面过渡动画的设置： 为了使你的PPT演示更加流畅和，我们建议在每一页幻灯片之间
添加过渡动画，切换时间为2秒,（可保留动画窗格）这样生成会效果会更好。（建议选择平滑）
-
幻灯片右下角的空白区域： 在设计PPT时，请在每张幻灯片的右下角预留一个空白区域，用于展示数字人，大概范围可参考下图。
-
PPT批注内容：需要在对一页都写上对应的讲稿（批注），该系统会自动获取批注内容做为该页的演讲内容，一页ppt只能有一个批注。
声音训练需求：
- 录一段1~3分钟以内的WAV音频。
- 把这个WAV分割多段3~10秒的音频进行提交训练。
- 音频需要纯洁的人声音频，不能有杂音。
数字人生成使用的是SadTalker。
SadTalker： https://github.com/OpenTalker/SadTalker
数字人动作生成使用的是Wav2Lip。
Wav2Lip： https://github.com/Rudrabha/Wav2Lip
感谢开源贡献，我借鉴了当前开源的语音克隆模型 GPT-SoVITS，效果是相当不错，当然，我也把一些训练好的权重放在了百度云盘里面，可以用于参考使用。
GPT-SoVITS ：https://github.com/RVC-Boss/GPT-SoVITS
该项目对应的应用程序，用于参考跟快速生成数字人授课视频
Digital_Human_API : https://github.com/xaio6/Digital_Human_UI
本项目遵循 MIT Licence。在使用本工具时，请遵守相关法律，包括版权法、数据保护法和隐私法。未经原作者和/或版权所有者许可，请勿使用本工具。未经原作者和/或版权所有者许可，请勿使用本工具。此外，请确保遵守您参考的模型和组件中的所有许可协议。
如果您在使用过程中遇到任何问题，请联系我们的技术团队：
