Heygem - Heygen的开源平替产品【英文】

介绍

Heygem是一款专为Windows系统设计的全离线视频合成工具，它能够精确克隆您的外貌和声音，让您的形象数字化。您可以通过文字和语音驱动虚拟形象，进行视频制作。无需联网，保护隐私的同时，也能享受到便捷和高效的数字体验。

核心功能
- 精确外貌与声音克隆：运用先进的 AI 算法，高精度捕捉真人外貌特征，包括五官形状、面部轮廓等，构建逼真虚拟模型。同时，能精准克隆声音，捕捉并还原人声的细微特征，支持多种声音参数设置，可创造与原声高度相似的克隆效果。
- 文字和语音驱动虚拟形象：通过自然语言处理技术理解文本内容，将文字转换为自然流畅的语音，实现文字驱动虚拟形象。也可直接使用语音输入，让虚拟形象根据语音的节奏、语调等进行相应的动作和表情变化，使虚拟形象的表现更加自然、生动。
- 高效视频合成：将数字人的视频画面与声音高度同步，实现自然流畅的口型匹配，智能优化音视频同步效果。
- 多语言：脚本支持八种语言，英语、日语、韩语、中文、法语、德语、阿拉伯语和西班牙语。
显著优势
- 全离线操作：无需联网即可使用，有效保护用户隐私，让用户在安全、独立的环境中进行创作，避免数据在网络传输过程中可能存在的泄露风险。
- 简单易用：操作界面简洁直观，即使是没有任何技术背景的小白也能轻松上手，快速掌握软件的使用方法，轻松开启数字人创作之旅。
- 多模型支持：支持导入多个模型，并通过一键启动包进行管理，方便用户根据不同的创作需求和应用场景选择合适的模型。
技术支持
- 声音克隆技术：利用人工智能等先进技术，根据给定的声音样本生成与之相似或相同声音的技术，涵盖语音中的语境、语调、语速等。
- 自动语音识别：一种能将人类语音中的词汇内容转换为计算机可读输入，也就是转换为文本格式的技术，让计算机能够 “听懂” 人们说的话。
- 计算机视觉技术：用于视频合成中的视觉处理，包括面部识别、口型分析等，确保虚拟形象的口型与声音和文字内容相匹配。

依赖

Nodejs 18
Docker Image
- docker pull guiji2025/fun-asr:1.0.1
- docker pull guiji2025/fish-speech-ziming:1.0.39
- docker pull guiji2025/heygem.ai:0.0.7_sdk_slim

如何安装

前置条件

必须有 D 盘：主要用于后续数字人、作品等数据存储
- 空闲空间要求：大于30G
C 盘：用于存储服务镜像文件
- 空闲空间要求：大于 100G
- 如果不足 100G，可以在安装完成docker后，在下图的位置重新选一个剩余空间大于 100G 的磁盘文件夹。
系统要求：
- 目前支持 Windows 10 19042.1526 或更高版本
推荐配置：
- CPU：第13代英特尔酷睿 i5-13400F
- 内存：32G
- 显卡：rtx-4070
确保有英伟达显卡，并正确安装显卡驱动

英伟达驱动下载地址 https://www.nvidia.cn/drivers/lookup/

安装 Windows Docker

用wsl --list --verbose命令可以查看本机有没有安装过wsl，如下图就是已经安装过，无需再安装
- 安装wsl的命令：wsl --install
- 由于网络原因，可能失败，多试几次
- 安装过程中需要设置新的用户名和密码，设置并记住
用wsl --update更新wsl。
下载 Docker Windows 版，根据机器 CPU 架构选择不同的安装包。
出现这个界面表示安装成功。
运行 Docker
首次运行接受协议和跳过登录

安装服务端

采用Docker方式安装，docker-compose如下：

docker-compose.yml文件在/deploy目录下。
在/deploy目录执行docker-compose up -d
耐心等待一段时间（半小时左右，速度取决于网速），下载会消耗70G左右流量，注意连WIFI
看到Dokcer 中出现三个服务，表示成功了

客户端

构建脚本npm run build:win，执行后会在dist目录下产生HeyGem-1.0.0-setup.exe
双击HeyGem-1.0.0-setup.exe即可安装

开放 API

我们开放了模特训练和视频合成的API，Docker 启动后会在本地暴露几个端口，通过http://127.0.0.1可以调用。

具体代码可以参考

src/main/service/model.js
src/main/service/video.js
src/main/service/voice.js

模特训练

将视频分离为静音视频 + 音频
音频放到D:\heygem_data\voice\data下

D:\heygem_data\voice\data是与guiji2025/fish-speech-ziming服务约定的，可以在docker-compose中修改

调用http://127.0.0.1:18180/v1/preprocess_and_tran接口

参数示例：


{
  "format": ".wav",
  "reference_audio": "xxxxxx/xxxxx.wav",
  "lang": "zh"
}

返回示例：


{
  "asr_format_audio_url": "xxxx/x/xxx/xxx.wav",
  "reference_audio_text": "xxxxxxxxxxxx"
}

记录下返回结果后续音频合成需要用到

音频合成

接口：http://127.0.0.1:18180/v1/invoke


  // 请求参数
  {
    "speaker": "{uuid}", // 一个UUID保持唯一即可
    "text":"xxxxxxxxxx", // 需要合成的文本内容
    "format": "wav", // 固定传参
    "topP": 0.7, // 固定传参
    "max_new_tokens": 1024, // 固定传参
    "chunk_length": 100, // 固定传参
    "repetition_penalty": 1.2, // 固定传
    "temperature": 0.7, // 固定传参
    "need_asr": false, // 固定传参
    "streaming": false, // 固定传参
    "is_fixed_seed": 0, // 固定传参
    "is_norm": 0, // 固定传参
    "reference_audio": "{voice.asr_format_audio_url}", // 上一步“模特训练”的返回值
    "reference_text": "{voice.reference_audio_text}" // 上一步“模特训练”的返回值
  }

视频合成

合成接口：http://127.0.0.1:8383/easy/submit


// 请求参数
{
  "audio_url": "{audioPath}", // 音频路径
  "video_url": "{videoPath}", // 音频路径
  "code": "{uuid}", // 唯一key
  "chaofen": 0, // 固定值
  "watermark_switch": 0, // 固定值
  "pn": 1 // 固定值
}