大家好，今天继续聊聊科技圈发生的那些事。
一、ChatTTS-ui
ChatTTS-ui 可以在网页端使用ChatTTS的功能，并提供API接口。不过，在介绍 ChatTTS-ui 之前，我们先来看看 ChatTTS 效果。
可以听一听，ChatTTS 生成音频的效果。
相信不少小伙伴已经关注到这款功能强大的TTS模型了。ChatTTS是一个语音生成模型，用于解决LLM对话任务。目前模型支持中英双语。它可以为对话生成响应，可以被集成到各个应用中。一周就爆涨了 18K+ 的 Star。
ChatTTS 使用了大量数据进行训练，大约有1000万小时的中文和英文数据。不过开源出来的是一个没有那么多数据的版本，因为作者团队使用了大量互联网数据进行训练，如果全部开源，可能会导致一些不必要的麻烦。
我们平时接触到的语音朗读，无非是短视频的小说分享，背景放个地铁跑酷或是解压小视频，生成小说文字的朗读。再有，也就是ChatGPT的这种语音生成。无一例外，我们可以用一个词概括——莫得感情。
而ChatTTS最核心的突破，就是它真的可以生成正常人讲话的语音语调！第一次听的时候，真的愣了一下才反应过来，的确非常真实。另外，你可以通过prompt提示想要的情绪，例如大笑、悲伤，ChatTTS可以生成带情绪，甚至是带笑声的语音。一句话里同时包含中文和英文，也是不在话下。
项目可以直接在本地部署，以下是一个最简单的使用示例：
1 2 3 4 5 6 7 8 | git clone https://github.com/2noise/ChatTTS pip install torch ChatTTS import torch import ChatTTSfrom IPython.display import Audio chat = ChatTTS.Chat() chat.load_models()texts = ["你好，这是一个使用示例！"] wavs = chat.infer(texts, use_decoder=True) |
而这个ui项目则是直接将ChatTTS的功能集成到了网页端，有点类似于SD的WebUI，用户可以直接使用打包好的压缩包一键启动，非常方便。
作者制作了一个简单的用户界面，在界面上你可以很轻松的调试你想控制的参数，随后接入的ChatTTS就会直接帮你生成音频了。
感兴趣的小伙伴，可以自行部署体验一下这个功能强大的模型。
项目地址：
https://github.com/2noise/ChatTTS
https://github.com/jianchang512/ChatTTS-ui
二、Omost
Omost 项目旨在将 LLM 模型的编码能力转换为图像生成能力。主要的作用，仍然是图像生成，但更为精细。
这个项目的取名很有意思，Omost与单词almost同音，意为大体上，几乎。也就是说，只要使用了Omost，你的图像生成大体就完成了。另一层含义来说，"O" 代表 "omni"，与多模态相关。
那么，Omost相比起一般的AI画图，有什么优点呢？我们先来看看这个demo：
提示词大致是：a ragged man wearing a tattered jacket in the nineteenth century.
生成的效果看起来还是挺不错的，但根据这么简单的一个prompt，如何才能生成这么精细的画面？实际上，我们可以在输入中提供很多很多的细节提示，控制Omost制作出我们想要的图像。
这张图上给出了很多细节，可以看到这些细节描述都被呈现在了输出结果图上。Omost允许LLM通过描述图像的不同部分来生成图像，全局描述用于描述整个图像的主题和背景，局部描述用于描述图像中的特定部分或对象。二者结合，我们可以高度精细化控制生成细节。
当前，项目提供三种模型以及它们的量化版本：
- omost-llama-3-8b
- omost-dolphin-2.9-llama3-8b
- omost-phi-3-mini-128k
项目在本地可以直接部署：
1 2 3 4 5 | git clone https://github.com/lllyasviel/Omost.git cd Omostconda create -n omost python=3.10 conda activate omost pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txtpython gradio_app.py |
不过，作者团队还说到，在部分GPU使用的情况下，项目可能会出现问题，而遇到这种情况，可以直接使用 Huggingface 在线体验。
在线体验地址：
https://huggingface.co/spaces/lllyasviel/Omost
项目地址：
https://github.com/lllyasviel/Omost
三、MusePose
看到这个名字是不是倍感熟悉？Muse 开源系列的最后一个模块，终于来了！
MusePose 是一个姿态驱动的图像到视频生成框架，专注于虚拟人类的生成，能够在给定的姿态序列下，生成参考图像中的人类角色的舞蹈视频。配合上MuseV和MuseTalk，可以实现端到端的虚拟人类生成，包括全身运动和互动能力。
这个项目测重于Pose，那我们就来谈谈姿态引导吧。
姿态引导是 MusePose 的关键技术之一，通过给定的姿态序列，模型能够生成参考图像中的人物在这些姿态下的动画。具体实现方式包括：
姿态对齐算法 (Pose Alignment Algorithm)：该算法将任意舞蹈视频的姿态与任意参考图像对齐，确保生成的视频中的人物动作与输入姿态序列一致。
姿态序列生成：通过姿态对齐算法，生成参考图像人物在不同时间步的姿态序列，这些姿态序列用作生成视频的输入。
Muse系列的框架我们先前也有介绍过，作为这一系列的收官之作，我们已经可以通过几个框架的配合使用，生成效果非常棒的虚拟人视频了。感兴趣的小伙伴，可以体验看看。
项目地址：
https://github.com/TMElyralab/MusePose
好了，本期的内容就是这么多，我们下期再见！
