Guía de Procesamiento de Audio

Esta guía cubre cómo configurar diferentes métodos de entrada de audio para alimentar datos de audio a tus generadores de sincronización labial. Asegúrate de haber completado la Guía de Configuración antes de continuar.

Procesamiento de Entrada de Audio

Necesitas configurar un método para procesar la entrada de audio. Hay varias formas de hacer esto dependiendo de tu fuente de audio.

Micrófono (Tiempo real)

Este enfoque realiza la sincronización labial en tiempo real mientras se habla al micrófono:

Modelo Estándar

1. Crea una Capturable Sound Wave usando Runtime Audio Importer
2. Antes de comenzar a capturar audio, vincúlate al delegado OnPopulateAudioData
3. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator
4. Comienza a capturar audio desde el micrófono

Nodos copiables.

Modelo Realista

El Modelo Realista utiliza el mismo flujo de trabajo de procesamiento de audio que el Modelo Estándar, pero con la variable RealisticLipSyncGenerator en lugar de VisemeGenerator.

Nodos copiables.

Modelo Realista con Estado de Ánimo

El Modelo con Estado de Ánimo utiliza el mismo flujo de trabajo de procesamiento de audio, pero con la variable MoodMetaHumanLipSyncGenerator y capacidades adicionales de configuración de estado de ánimo.

Nodos copiables.

Micrófono (Reproducción)

Este enfoque captura audio de un micrófono, luego lo reproduce con sincronización de labios:

Modelo Estándar

1. Crea una Capturable Sound Wave usando Runtime Audio Importer
2. Inicia la captura de audio desde el micrófono
3. Antes de reproducir la capturable sound wave, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator

Nodos copiables.

Modelo Realista

El Modelo Realista utiliza el mismo flujo de trabajo de procesamiento de audio que el Modelo Estándar, pero con la variable RealisticLipSyncGenerator en lugar de VisemeGenerator.

Nodos copiables.

Modelo Realista con Estado de Ánimo

El Modelo con Estado de Ánimo utiliza el mismo flujo de trabajo de procesamiento de audio, pero con la variable MoodMetaHumanLipSyncGenerator y capacidades adicionales de configuración de estado de ánimo.

Nodos copiables.

Text-to-Speech (Local)

Regular

Este enfoque sintetiza voz a partir de texto usando TTS local y realiza sincronización labial:

Standard Model

1. Usa Runtime Text To Speech para generar voz a partir de texto
2. Usa Runtime Audio Importer para importar el audio sintetizado
3. Antes de reproducir la onda de sonido importada, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator

Nodos copiables.

Realistic Model

Compatibilidad con TTS Local

El TTS local proporcionado por el plugin Runtime Text To Speech actualmente no es compatible con el modelo Realistic regular debido a conflictos del tiempo de ejecución ONNX. Para text-to-speech con el modelo Realistic regular, considera:

• Usar servicios TTS externos (ElevenLabs, OpenAI, etc.)
• Usar soluciones TTS locales externas (TTS basado en Python, APIs TTS del sistema, u otras soluciones locales no ONNX)
• Usar el Standard Model o Mood-Enabled Realistic Model en su lugar, que sí soportan el plugin Runtime Text To Speech

Mood-Enabled Realistic Model

1. Usa Runtime Text To Speech para generar voz a partir de texto
2. Usa Runtime Audio Importer para importar el audio sintetizado
3. Antes de reproducir la onda de sonido importada, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Mood-Enabled Lip Sync Generator
5. Configura los ajustes de estado de ánimo basados en el contenido del texto o la expresión emocional deseada

Nodos copiables.

TTS con Integración de Estado de Ánimo:

• Establece estados de ánimo apropiados antes o durante la generación TTS
• Ajusta la intensidad del estado de ánimo para que coincida con el tono emocional del texto
• Usa diferentes estados de ánimo para diferentes secciones de contenido de texto más largo

Streaming

Este enfoque utiliza síntesis de texto a voz en streaming con sincronización labial en tiempo real:

Standard Model

1. Usa Runtime Text To Speech para generar voz en streaming desde texto
2. Usa Runtime Audio Importer para importar el audio sintetizado
3. Antes de reproducir la onda de sonido en streaming, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator

Nodos copiables.

Realistic Model

Compatibilidad con TTS Local

El TTS local proporcionado por el plugin Runtime Text To Speech actualmente no es compatible con el modelo Realistic regular debido a conflictos con el tiempo de ejecución ONNX. Para texto a voz con el modelo Realistic regular, considera:

• Usar servicios TTS externos (ElevenLabs, OpenAI, etc.)
• Usar soluciones TTS locales externas (TTS basado en Python, APIs TTS del sistema, u otras soluciones locales que no sean ONNX)
• Usar el Standard Model o Mood-Enabled Realistic Model en su lugar, que sí son compatibles con el plugin Runtime Text To Speech

Mood-Enabled Realistic Model

1. Usa Runtime Text To Speech para generar voz en streaming desde texto
2. Usa Runtime Audio Importer para importar el audio sintetizado
3. Antes de reproducir la onda de sonido en streaming, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Mood-Enabled Lip Sync Generator
5. Ajusta la configuración de estado de ánimo dinámicamente durante el streaming si es necesario

Nodos copiables.

Text-to-Speech (External APIs)

Regular

Este enfoque utiliza el plugin Runtime AI Chatbot Integrator para generar voz sintetizada desde servicios de IA (OpenAI o ElevenLabs) y realizar sincronización labial:

Standard Model

1. Usa Runtime AI Chatbot Integrator para generar voz desde texto usando APIs externas (OpenAI, ElevenLabs, etc.)
2. Usa Runtime Audio Importer para importar los datos de audio sintetizados
3. Antes de reproducir la onda sonora importada, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator

Nodos copiables.

Realistic Model

El Realistic Model utiliza el mismo flujo de trabajo de procesamiento de audio que el Standard Model, pero con la variable RealisticLipSyncGenerator en lugar de VisemeGenerator.

Nodos copiables.

Mood-Enabled Realistic Model

El Mood-Enabled Model utiliza el mismo flujo de trabajo de procesamiento de audio, pero con la variable MoodMetaHumanLipSyncGenerator y capacidades adicionales de configuración de estado de ánimo.

Nodos copiables.

Streaming

Este enfoque utiliza el complemento Runtime AI Chatbot Integrator para generar habla sintetizada en streaming desde servicios de IA (OpenAI o ElevenLabs) y realizar sincronización labial:

Standard Model

1. Usa Runtime AI Chatbot Integrator para conectarte a APIs de TTS en streaming (como la API de Streaming de ElevenLabs)
2. Usa Runtime Audio Importer para importar los datos de audio sintetizados
3. Antes de reproducir la onda sonora en streaming, vincúlate a su delegado OnGeneratePCMData
4. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator

Nodos copiables.

Realistic Model

El Modelo Realista utiliza el mismo flujo de trabajo de procesamiento de audio que el Modelo Estándar, pero con la variable RealisticLipSyncGenerator en lugar de VisemeGenerator.

Nodos copiables.

Mood-Enabled Realistic Model

El Modelo Habilitado para Estados de Ánimo utiliza el mismo flujo de trabajo de procesamiento de audio, pero con la variable MoodMetaHumanLipSyncGenerator y capacidades adicionales de configuración de estados de ánimo.

Nodos copiables.

Desde Archivo/Búfer de Audio

Este enfoque utiliza archivos de audio pregrabados o búferes de audio para la sincronización labial:

Modelo Estándar

1. Usa Runtime Audio Importer para importar un archivo de audio desde el disco o la memoria
2. Antes de reproducir la onda sonora importada, vincúlate a su delegado OnGeneratePCMData
3. En la función vinculada, llama a ProcessAudioData desde tu Runtime Viseme Generator
4. Reproduce la onda sonora importada y observa la animación de sincronización labial

Nodos copiables.

Modelo Realista

El Modelo Realista utiliza el mismo flujo de trabajo de procesamiento de audio que el Modelo Estándar, pero con la variable RealisticLipSyncGenerator en lugar de VisemeGenerator.

Nodos copiables.

Modelo Realista con Estado de Ánimo

El Modelo con Estado de Ánimo utiliza el mismo flujo de trabajo de procesamiento de audio, pero con la variable MoodMetaHumanLipSyncGenerator y capacidades adicionales de configuración del estado de ánimo.

Nodos copiables.

Búfer de Audio en Streaming

Para datos de audio en streaming desde un búfer, necesitas:

Modelo Estándar

1. Datos de audio en formato PCM float (un array de muestras de punto flotante) disponibles desde tu fuente de streaming (o usa Runtime Audio Importer para soportar más formatos)
2. La frecuencia de muestreo y el número de canales
3. Llama a ProcessAudioData desde tu Runtime Viseme Generator con estos parámetros a medida que los fragmentos de audio estén disponibles

Nodos copiables.

Modelo Realista

El Modelo Realista utiliza el mismo flujo de trabajo de procesamiento de audio que el Modelo Estándar, pero con la variable RealisticLipSyncGenerator en lugar de VisemeGenerator.

Nodos copiables.

Modelo Realista con Estados de Ánimo

El Modelo con Estados de Ánimo utiliza el mismo flujo de trabajo de procesamiento de audio, pero con la variable MoodMetaHumanLipSyncGenerator y capacidades adicionales de configuración de estados de ánimo.

Nodos copiables.

Nota: Al utilizar fuentes de audio en streaming, asegúrate de gestionar el tiempo de reproducción de audio adecuadamente para evitar una reproducción distorsionada. Consulta la documentación de Streaming Sound Wave para obtener más información.

Consejos de Rendimiento de Procesamiento

• Tamaño del Fragmento: Si deseas procesar datos de audio en fragmentos más pequeños para una sincronización labial más receptiva, ajusta el cálculo en la función SetNumSamplesPerChunk. Por ejemplo, dividir la frecuencia de muestreo por 150 (streaming cada ~6.67 ms) en lugar de 100 (streaming cada 10 ms) proporcionará actualizaciones de sincronización labial más frecuentes.

• Gestión del Búfer: El modelo con estados de ánimo procesa audio en tramas de 320 muestras (20ms a 16kHz). Asegúrate de que la temporización de tu entrada de audio se alinee con esto para un rendimiento óptimo.

• Recreación del Generador: Para una operación confiable con los modelos Realistas, recrea el generador cada vez que desees alimentar nuevos datos de audio después de un período de inactividad.

Próximos Pasos

Una vez que tengas configurado el procesamiento de audio, es posible que desees:

• Aprender sobre las opciones de Configuración para ajustar el comportamiento de tu sincronización labial
• Añadir animación de risa para una mayor expresividad
• Combinar la sincronización labial con animaciones faciales existentes utilizando las técnicas de superposición descritas en la guía de Configuración