EchoMimic 音频驱动照片生成视频部署测试

环境：Windows 11 + NVIDIA RTX 3070 Laptop 16GB

我配置了阿里云的镜像，要实现一样的效果，你也可以在每一行的命令后加

-i https://mirrors.aliyun.com/pypi/simple/

如：

pip install package_name -i https://mirrors.aliyun.com/pypi/simple/

安装按 GitHub 开源说明部署没有压力

conda create -n EchoMimicCpu python=3.10
activate EchoMimicCpu
conda install git
git clone https://github.com/antgroup/echomimic.git
cd EchoMimic
conda install ffmpeg
pip install -r requirements.txt
git lfs install
git clone https://huggingface.co/BadToBest/EchoMimic pretrained_weights

注意huggingface在国内不能正常访问，可以用以下命令替代

git clone https://hf-mirror.com/BadToBest/EchoMimic pretrained_weights

我的经验，其实你用某种方式打开原网站点下载后，使用IDM等下载工具，会自动跳到CDN链接，速度飞起，至于怎么打开原网页，作为肩负国家振兴责任的年轻人，你可以大胆一点

问题：

ImportError: cannot import name 'cached_download' from 'huggingface_hub'

手动安装相关包的版本

pip install transformers==4.38.2
pip install huggingface_hub==0.25.0
pip install gradio==4.44.0

问题：

please download ffmpeg-static and export to FFMPEG_PATH.

下载

https://www.johnvansickle.com/ffmpeg/old-releases/ffmpeg-4.4-amd64-static.tar.xz

解压，比如我直接解压到

F:\EchoMimic

然后，运行时（每一次运行都要，也可以设置永久环境变量）

set FFMPEG_PATH=F:\EchoMimic\ffmpeg-4.4-amd64-static

问题：

Cannot initialize model with low cpu memory usage because `accelerate` was not found in the environment.

安装 accelerate 包

pip install accelerate

问题：

AssertionError: Torch not compiled with CUDA enabled

要么改python脚本，要么安装cuda版本的torch（次奥，还是cuda吧）

conda install cuda=12.1

# 从 https://download.pytorch.org/whl/cu121 下载 wheel
# 如 torch 就到 https://download.pytorch.org/whl/cu121/torch 下载对应版本
# 国内也可以用阿里云 https://mirrors.aliyun.com/pytorch-wheels/cu121 但是新版本 torch 还没有

pip install D:\Downloads\torch-2.2.2+cu121-cp310-cp310-win_amd64.whl
pip install D:\Downloads\torchvision-0.17.2+cu121-cp310-cp310-win_amd64.whl
pip install D:\Downloads\torchaudio-2.2.2+cu121-cp310-cp310-win_amd64.whl

问题：

TypeError: argument of type 'bool' is not iterable
ValueError: When localhost is not accessible, a shareable link must be created.

这个是老问题了，是pydantic版本所致

pip install pydantic==2.10.6

此外，如果使用页面 webui.py 脚本有问题（我怀疑这帮人是故意的）

	cv2.error: OpenCV(4.11.0) :-1: error: (-5:Bad argument) in function 'resize'
	修改 webui.py 第 169，170 行
        face_img = cv2.resize(face_img, (width, height))
        face_mask = cv2.resize(face_mask, (width, height))
	为
        face_img = cv2.resize(face_img[0], (width, height))
        face_mask = cv2.resize(face_mask[0], (width, height))

实测

也许是因为笔记本的GPU的原因，生成6秒的视频，磨蹭了2个小时，效果还行吧，反正比wav2lip好一些，而微软的VASA-1和国内同样是阿里的EMO还没有开源，暂时没法对比，字节跳动老张的LatentSync可以处理视频，效果都差不多