support hubert model

README.md

@@ -53,14 +53,15 @@ nginx
 
 用浏览器打开http://serverip/echo.html, 在文本框输入任意文字，提交。数字人播报该段文字  
 
-### 2.4 使用LLM模型进行数字人对话
+## 3. 更多使用
+### 3.1 使用LLM模型进行数字人对话
 
 目前借鉴数字人对话系统[LinlyTalker](https://github.com/Kedreamix/Linly-Talker)的方式，LLM模型支持Chatgpt,Qwen和GeminiPro。需要在app.py中填入自己的api_key。  
 安装并启动nginx，将chat.html和mpegts-1.7.3.min.js拷到/var/www/html下  
 
 用浏览器打开http://serverip/chat.html
 
-### 2.5 使用本地tts服务,支持声音克隆
+### 3.2 使用本地tts服务,支持声音克隆
 运行xtts服务，参照 https://github.com/coqui-ai/xtts-streaming-server
 ```
 docker run --gpus=all -e COQUI_TOS_AGREED=1 --rm -p 9000:80 ghcr.io/coqui-ai/xtts-streaming-server:latest
@@ -70,17 +71,23 @@ docker run --gpus=all -e COQUI_TOS_AGREED=1 --rm -p 9000:80 ghcr.io/coqui-ai/xtt
 python app.py --tts xtts --ref_file data/ref.wav
 ```
 
-## 3. Docker Run  
+### 3.3 音频特征用hubert
+如果训练模型时用的hubert提取音频特征，用如下命令启动数字人
+```
+python app.py --asr_model facebook/hubert-large-ls960-ft 
+```
+  
+## 4. Docker Run  
 不需要第1步的安装，直接运行。
 ```
 docker run --gpus all -it --network=host --rm  registry.cn-hangzhou.aliyuncs.com/lipku/nerfstream:v1.3
 ```
 srs和nginx的运行同2.1和2.3
 
-## 4. Data flow
+## 5. Data flow
 ![](/assets/dataflow.png)
 
-## 5. 数字人模型文件
+## 6. 数字人模型文件
 可以替换成自己训练的模型(https://github.com/Fictionarry/ER-NeRF)
 ```python
 .
@@ -92,7 +99,7 @@ srs和nginx的运行同2.1和2.3
 
 ```
 
-## 6. 性能分析
+## 7. 性能分析
 1. 帧率  
 在Tesla T4显卡上测试整体fps为18左右，如果去掉音视频编码推流，帧率在20左右。用4090显卡可以达到40多帧/秒。  
 优化：新开一个线程运行音视频编码推流  
@@ -105,7 +112,7 @@ srs和nginx的运行同2.1和2.3
 docker run --rm -it -p 1935:1935 -p 1985:1985 -p 8080:8080 registry.cn-hangzhou.aliyuncs.com/lipku/srs:v1.1
 ```
 
-## 7. TODO
+## 8. TODO
 - [x] 添加chatgpt实现数字人对话
 - [x] 声音克隆
 - [ ] 数字人静音时用一段视频代替

app.py

@@ -116,7 +116,7 @@ def echo_socket(ws):
         while True:
             message = ws.receive()           
             
-            if len(message)==0:
+            if not message or len(message)==0:
                 return '输入信息为空'
             else:                                
                 txt_to_audio(message)
@@ -247,7 +247,7 @@ if __name__ == '__main__':
     parser.add_argument('--asr_play', action='store_true', help="play out the audio")
 
     #parser.add_argument('--asr_model', type=str, default='deepspeech')
-    parser.add_argument('--asr_model', type=str, default='cpierse/wav2vec2-large-xlsr-53-esperanto')
+    parser.add_argument('--asr_model', type=str, default='cpierse/wav2vec2-large-xlsr-53-esperanto') #facebook/hubert-large-ls960-ft
     # parser.add_argument('--asr_model', type=str, default='facebook/wav2vec2-large-960h-lv60-self')
 
     parser.add_argument('--push_url', type=str, default='rtmp://localhost/live/livestream')

asrreal.py

@@ -2,7 +2,7 @@ import time
 import numpy as np
 import torch
 import torch.nn.functional as F
-from transformers import AutoModelForCTC, AutoProcessor
+from transformers import AutoModelForCTC, AutoProcessor, Wav2Vec2Processor, HubertModel
 
 #import pyaudio
 import soundfile as sf
@@ -52,6 +52,8 @@ class ASR:
             self.audio_dim = 44
         elif 'deepspeech' in self.opt.asr_model:
             self.audio_dim = 29
+        elif 'hubert' in self.opt.asr_model:
+            self.audio_dim = 1024
         else:
             self.audio_dim = 32
 
@@ -96,6 +98,10 @@ class ASR:
 
         # create wav2vec model
         print(f'[INFO] loading ASR model {self.opt.asr_model}...')
+        if 'hubert' in self.opt.asr_model:
+            self.processor = Wav2Vec2Processor.from_pretrained(opt.asr_model)
+            self.model = HubertModel.from_pretrained(opt.asr_model).to(self.device) 
+        else:   
             self.processor = AutoProcessor.from_pretrained(opt.asr_model)
             self.model = AutoModelForCTC.from_pretrained(opt.asr_model).to(self.device)
 
@@ -339,7 +345,11 @@ class ASR:
         
         with torch.no_grad():
             result = self.model(inputs.input_values.to(self.device))
+            if 'hubert' in self.opt.asr_model:
+                logits = result.last_hidden_state # [B=1, T=pts//320, hid=1024]
+            else:
                 logits = result.logits # [1, N - 1, 32]
+        #print('logits.shape:',logits.shape)
         
         # cut off stride
         left = max(0, self.stride_left_size)

nerf_triplane/network.py

@@ -104,6 +104,8 @@ class NeRFNetwork(NeRFRenderer):
             self.audio_in_dim = 44
         elif 'deepspeech' in self.opt.asr_model:
             self.audio_in_dim = 29
+        elif 'hubert' in self.opt.asr_model:
+            self.audio_in_dim = 1024
         else:
             self.audio_in_dim = 32