Konfiguracja Wtyczki

Konfiguracja Modelu

Standardowa Konfiguracja Modelu

Węzeł Create Runtime Viseme Generator używa domyślnych ustawień, które sprawdzają się dobrze w większości scenariuszy. Konfiguracja jest obsługiwana poprzez właściwości węzła mieszania w Animation Blueprint.

Aby poznać opcje konfiguracji Animation Blueprint, zobacz sekcję Konfiguracja Synchronizacji Warg poniżej.

Konfiguracja Realistycznego Modelu

Węzeł Create Realistic MetaHuman Lip Sync Generator akceptuje opcjonalny parametr Configuration, który pozwala dostosować zachowanie generatora:

Typ Modelu

Ustawienie Model Type określa, której wersji realistycznego modelu użyć:

Typ Modelu	Wydajność	Jakość Wizualna	Obsługa Szumu	Zalecane Zastosowania
Wysoko Zoptymalizowany (Domyślny)	Najwyższa wydajność, najniższe użycie CPU	Dobra jakość	Może pokazywać zauważalne ruchy ust przy szumie tła lub dźwiękach innych niż głos	Czyste środowiska audio, scenariusze krytyczne pod względem wydajności
Częściowo Zoptymalizowany	Dobra wydajność, umiarkowane użycie CPU	Wysoka jakość	Lepsza stabilność z zaszumionym audio	Zrównoważona wydajność i jakość, mieszane warunki audio
Oryginalny	Nadaje się do użycia w czasie rzeczywistym na nowoczesnych CPU	Najwyższa jakość	Najbardziej stabilny z szumem tła i dźwiękami innymi niż głos	Produkcje wysokiej jakości, zaszumione środowiska audio, gdy potrzebna jest maksymalna dokładność

Ustawienia Wydajności

Intra Op Threads: Kontroluje liczbę wątków używanych do wewnętrznych operacji przetwarzania modelu.

• 0 (Domyślne/Automatyczne): Używa automatycznego wykrywania (zazwyczaj 1/4 dostępnych rdzeni CPU, maksymalnie 4)
• 1-16: Ręczne określenie liczby wątków. Wyższe wartości mogą poprawić wydajność na systemach wielordzeniowych, ale zużywają więcej CPU

Inter Op Threads: Kontroluje liczbę wątków używanych do równoległego wykonywania różnych operacji modelu.

• 0 (Domyślne/Automatyczne): Używa automatycznego wykrywania (zazwyczaj 1/8 dostępnych rdzeni CPU, maksymalnie 2)
• 1-8: Ręczne określenie liczby wątków. Zwykle utrzymywane niskie dla przetwarzania w czasie rzeczywistym

Rozmiar Porcji Przetwarzania

Processing Chunk Size określa, ile próbek jest przetwarzanych w każdym kroku wnioskowania. Wartość domyślna to 160 próbek (10ms audio przy 16kHz):

• Mniejsze wartości zapewniają częstsze aktualizacje, ale zwiększają użycie CPU
• Większe wartości zmniejszają obciążenie CPU, ale mogą zmniejszyć responsywność synchronizacji warg
• Zaleca się używanie wielokrotności 160 dla optymalnego wyrównania

Konfiguracja Modelu z Obsługą Nastroju

Węzeł Create Realistic MetaHuman Lip Sync With Mood Generator zapewnia dodatkowe opcje konfiguracji poza podstawowym modelem realistycznym:

Podstawowa Konfiguracja

Lookahead Ms: Czas wyprzedzenia w milisekundach dla poprawionej dokładności synchronizacji warg.

• Domyślne: 80ms
• Zakres: 20ms do 200ms (musi być podzielne przez 20)
• Wyższe wartości zapewniają lepszą synchronizację, ale zwiększają opóźnienie

Output Type: Kontroluje, które kontrolki twarzy są generowane.

• Full Face: Wszystkie 81 kontrolek twarzy (brwi, oczy, nos, usta, szczęka, język)
• Mouth Only: Tylko kontrolki związane z ustami, szczęką i językiem

Performance Settings: Używa tych samych ustawień Intra Op Threads i Inter Op Threads co zwykły model realistyczny.

Ustawienia Nastroju

Dostępne Nastroje:

• Neutralny, Szczęśliwy, Smutny, Odraza, Gniew, Zaskoczenie, Strach
• Pewny siebie, Podekscytowany, Znudzony, Zabawowy, Zdezorientowany

Intensywność Nastroju: Kontroluje, jak mocno nastrój wpływa na animację (0.0 do 1.0)

Kontrola Nastroju w Czasie Rzeczywistym

Możesz dostosować ustawienia nastroju podczas działania za pomocą następujących funkcji:

• Set Mood: Zmień aktualny typ nastroju
• Set Mood Intensity: Dostosuj, jak mocno nastrój wpływa na animację (0.0 do 1.0)
• Set Lookahead Ms: Zmodyfikuj czas wyprzedzenia dla synchronizacji
• Set Output Type: Przełącz między kontrolkami Full Face i Mouth Only

Przewodnik Wyboru Nastroju

Wybierz odpowiednie nastroje na podstawie treści:

Nastrój	Najlepszy dla	Typowy Zakres Intensywności
Neutralny	Ogólna rozmowa, narracja, stan domyślny	0.5 - 1.0
Szczęśliwy	Pozytywne treści, radosny dialog, świętowanie	0.6 - 1.0
Smutny	Melancholijne treści, emocjonalne sceny, ponure momenty	0.5 - 0.9
Odraza	Negatywne reakcje, treści niesmaczne, odrzucenie	0.4 - 0.8
Gniew	Agresywny dialog, konfrontacyjne sceny, frustracja	0.6 - 1.0
Zaskoczenie	Nieoczekiwane wydarzenia, objawienia, reakcje szoku	0.7 - 1.0
Strach	Groźne sytuacje, niepokój, nerwowy dialog	0.5 - 0.9
Pewny siebie	Prezentacje zawodowe, dialog przywódczy, asertywna mowa	0.7 - 1.0
Podekscytowany	Energetyczne treści, ogłoszenia, entuzjastyczny dialog	0.8 - 1.0
Znudzony	Monotonne treści, niezainteresowany dialog, zmęczona mowa	0.3 - 0.7
Zabawowy	Swobodna rozmowa, humor, lekkie interakcje	0.6 - 0.9
Zdezorientowany	Dialog z wieloma pytaniami, niepewność, oszołomienie	0.4 - 0.8

Konfiguracja Animation Blueprint

Konfiguracja Synchronizacji Warg

Standard Model

Węzeł Blend Runtime MetaHuman Lip Sync ma opcje konfiguracji w panelu właściwości:

Właściwość	Domyślne	Opis
Interpolation Speed	25	Kontroluje, jak szybko ruchy warg przechodzą między wizemami. Wyższe wartości skutkują szybszymi, bardziej nagłymi przejściami.
Reset Time	0.2	Czas w sekundach, po którym synchronizacja warg jest resetowana. Przydatne, aby zapobiec kontynuacji synchronizacji warg po zatrzymaniu audio.

Animacja Śmiechu

Możesz również dodać animacje śmiechu, które będą dynamicznie reagować na śmiech wykryty w audio:

1. Dodaj węzeł Blend Runtime MetaHuman Laughter
2. Podłącz swoją zmienną RuntimeVisemeGenerator do pinu Viseme Generator
3. Jeśli już używasz synchronizacji warg:
   • Podłącz wyjście z węzła Blend Runtime MetaHuman Lip Sync do Source Pose węzła Blend Runtime MetaHuman Laughter
   • Podłącz wyjście węzła Blend Runtime MetaHuman Laughter do pinu Result w Output Pose
4. Jeśli używasz tylko śmiechu bez synchronizacji warg:
   • Podłącz swoją pozę źródłową bezpośrednio do Source Pose węzła Blend Runtime MetaHuman Laughter
   • Podłącz wyjście do pinu Result

Gdy śmiech zostanie wykryty w audio, twoja postać będzie dynamicznie animowana odpowiednio:

Konfiguracja Śmiechu

Węzeł Blend Runtime MetaHuman Laughter ma własne opcje konfiguracji:

Właściwość	Domyślne	Opis
Interpolation Speed	25	Kontroluje, jak szybko ruchy warg przechodzą między animacjami śmiechu. Wyższe wartości skutkują szybszymi, bardziej nagłymi przejściami.
Reset Time	0.2	Czas w sekundach, po którym śmiech jest resetowany. Przydatne, aby zapobiec kontynuacji śmiechu po zatrzymaniu audio.
Max Laughter Weight	0.7	Skaluje maksymalną intensywność animacji śmiechu (0.0 - 1.0).

Uwaga: Wykrywanie śmiechu jest obecnie dostępne tylko z Modelem Standardowym.

Realistic Models

Węzeł Blend Realistic MetaHuman Lip Sync ma opcje konfiguracji w panelu właściwości:

Właściwość	Domyślne	Opis
Interpolation Speed	30	Kontroluje, jak szybko mimika twarzy przechodzi podczas aktywnej mowy. Wyższe wartości skutkują szybszymi, bardziej nagłymi przejściami.
Idle Interpolation Speed	15	Kontroluje, jak szybko mimika twarzy wraca do stanu bezczynnego/neutralnego. Niższe wartości tworzą gładsze, bardziej stopniowe powroty do pozy spoczynkowej.
Reset Time	0.2	Czas w sekundach, po którym synchronizacja warg resetuje się do stanu bezczynnego. Przydatne, aby zapobiec kontynuacji wyrazów po zatrzymaniu audio.
Preserve Idle State	false	Po włączeniu, zachowuje ostatni stan emocjonalny podczas okresów bezczynności zamiast resetować do neutralnego.
Preserve Eye Expressions	true	Kontroluje, czy kontrolki twarzy związane z oczami są zachowywane podczas stanu bezczynnego. Skuteczne tylko gdy Preserve Idle State jest włączone.
Preserve Brow Expressions	true	Kontroluje, czy kontrolki twarzy związane z brwiami są zachowywane podczas stanu bezczynnego. Skuteczne tylko gdy Preserve Idle State jest włączone.
Preserve Mouth Shape	false	Kontroluje, czy kontrolki kształtu ust (z wyłączeniem ruchów specyficznych dla mowy jak język i szczęka) są zachowywane podczas stanu bezczynnego. Skuteczne tylko gdy Preserve Idle State jest włączone.

Zachowanie Stanu Bezczynnego

Funkcja Preserve Idle State rozwiązuje kwestię, jak model Realistyczny obsługuje okresy ciszy. W przeciwieństwie do modelu Standardowego, który używa dyskretnych wizemów i konsekwentnie wraca do wartości zerowych podczas ciszy, sieć neuronowa modelu Realistycznego może utrzymywać subtelne pozycjonowanie twarzy różniące się od domyślnej pozy spoczynkowej MetaHumana.

Kiedy włączyć:

• Utrzymywanie wyrazów emocjonalnych między segmentami mowy
• Zachowanie cech osobowości postaci
• Zapewnienie ciągłości wizualnej w sekwencjach filmowych

Opcje Kontroli Regionalnej:

• Wyrazy Oczu: Zachowuje mrużenie, rozszerzanie oczu i pozycjonowanie powiek
• Wyrazy Brwi: Utrzymuje pozycjonowanie brwi i czoła
• Kształt Ust: Zachowuje ogólne zakrzywienie ust, pozwalając ruchom mowy (język, szczęka) na reset

Łączenie z Istniejącymi Animacjami

Aby zastosować synchronizację warg i śmiech wraz z istniejącymi animacjami ciała i niestandardowymi animacjami twarzy bez ich nadpisywania:

1. Dodaj węzeł Layered blend per bone między animacjami ciała a końcowym wyjściem. Upewnij się, że Use Attached Parent jest ustawione na true.
2. Skonfiguruj ustawienia warstw:
   • Dodaj 1 element do tablicy Layer Setup
   • Dodaj 3 elementy do Branch Filters dla warstwy, z następującymi Bone Name:
     • FACIAL_C_FacialRoot
     • FACIAL_C_Neck2Root
     • FACIAL_C_Neck1Root
3. Ważne dla niestandardowych animacji twarzy: W Curve Blend Option wybierz "Use Max Value". Pozwala to na prawidłowe nakładanie niestandardowych animacji twarzy (wyrazy, emocje itp.) na synchronizację warg.
4. Wykonaj połączenia:
   • Istniejące animacje (takie jak BodyPose) → wejście Base Pose
   • Wyjście animacji twarzy (z węzłów synchronizacji warg i/lub śmiechu) → wejście Blend Poses 0
   • Węzeł warstwowego mieszania → końcowa poza Result

Wybór Zestawu Morph Target

Standard Model

Model Standardowy używa zasobów poz, które z natury wspierają dowolną konwencję nazewnictwa morph target poprzez konfigurację niestandardowego zasobu pozy. Nie jest potrzebna dodatkowa konfiguracja.

Realistic Models

Węzeł Blend Realistic MetaHuman Lip Sync zawiera właściwość Morph Target Set, która określa, której konwencji nazewnictwa morph target używać do animacji twarzy:

Zestaw Morph Target	Opis	Zastosowania
MetaHuman (Domyślny)	Standardowe nazwy morph target MetaHumana (np. CTRL_expressions_jawOpen)	Postacie MetaHuman
ARKit	Nazwy zgodne z Apple ARKit (np. JawOpen, MouthSmileLeft)	Postacie oparte na ARKit

Precyzyjne Dostrajanie Zachowania Synchronizacji Warg

Kontrola Wysuwania Języka

W standardowym modelu synchronizacji warg możesz zauważyć nadmierne wysuwanie języka do przodu podczas niektórych fonemów. Aby kontrolować wysuwanie języka:

1. Po węźle mieszania synchronizacji warg dodaj węzeł Modify Curve
2. Kliknij prawym przyciskiem myszy na węźle Modify Curve i wybierz Add Curve Pin
3. Dodaj pin krzywej z nazwą CTRL_expressions_tongueOut
4. Ustaw właściwość Apply Mode węzła na Scale
5. Dostosuj parametr Value, aby kontrolować wysunięcie języka (np. 0.8, aby zmniejszyć wysunięcie o 20%)

Kontrola Otwarcia Szczęki

Realistyczna synchronizacja warg może generować nadmiernie responsywne ruchy szczęki w zależności od treści audio i wymagań wizualnych. Aby dostosować intensywność otwarcia szczęki:

1. Po węźle mieszania synchronizacji warg dodaj węzeł Modify Curve
2. Kliknij prawym przyciskiem myszy na węźle Modify Curve i wybierz Add Curve Pin
3. Dodaj pin krzywej z nazwą CTRL_expressions_jawOpen
4. Ustaw właściwość Apply Mode węzła na Scale
5. Dostosuj parametr Value, aby kontrolować zakres otwarcia szczęki (np. 0.9, aby zmniejszyć ruch szczęki o 10%)

Precyzyjne Dostrajanie Specyficzne dla Nastroju

Dla modeli z obsługą nastroju możesz precyzyjnie dostroić specyficzne wyrazy emocjonalne:

Kontrola Brwi:

• CTRL_expressions_browRaiseInL / CTRL_expressions_browRaiseInR - Podnoszenie wewnętrznej części brwi
• CTRL_expressions_browRaiseOuterL / CTRL_expressions_browRaiseOuterR - Podnoszenie zewnętrznej części brwi
• CTRL_expressions_browDownL / CTRL_expressions_browDownR - Opuszczanie brwi

Kontrola Wyrazu Oczu:

• CTRL_expressions_eyeSquintInnerL / CTRL_expressions_eyeSquintInnerR - Mrużenie oczu
• CTRL_expressions_eyeCheekRaiseL / CTRL_expressions_eyeCheekRaiseR - Podnoszenie policzków

Porównanie i Wybór Modelu

Wybór Między Modelami

Decydując, którego modelu synchronizacji warg użyć w swoim projekcie, rozważ te czynniki:

Rozważanie	Model Standardowy	Model Realistyczny	Model Realistyczny z Obsługą Nastroju
Kompatybilność z Postaciami	MetaHumans i wszystkie typy niestandardowych postaci	Tylko MetaHumans	Tylko MetaHumans
Jakość Wizualna	Dobra synchronizacja warg z wydajną wydajnością	Zwiększony realizm z bardziej naturalnymi ruchami ust	Zwiększony realizm z wyrażeniami emocjonalnymi
Wydajność	Zoptymalizowany dla wszystkich platform, w tym mobilnych/VR	Wyższe wymagania zasobowe	Wyższe wymagania zasobowe
Funkcje	14 wizemów, wykrywanie śmiechu	81 kontrolek twarzy, 3 poziomy optymalizacji	81 kontrolek twarzy, 12 nastrojów, konfigurowalne wyjście
Wsparcie Platform	Windows, Android, Quest	Windows, Mac, iOS, Linux, Android, Quest	Windows, Mac, iOS, Linux, Android, Quest
Zastosowania	Aplikacje ogólne, gry, VR/AR, mobilne	Doświadczenia filmowe, interakcje z bliska	Opowiadanie emocjonalne, zaawansowana interakcja z postaciami

Kompatybilność z Wersją Silnika

Problem z Kompatybilnością UE 5.2

Jeśli używasz Unreal Engine 5.2, modele Realistyczne mogą nie działać poprawnie z powodu błędu w bibliotece próbkowania UE. Dla użytkowników UE 5.2, którzy potrzebują niezawodnej funkcjonalności synchronizacji warg, proszę używać Modelu Standardowego zamiast tego.

Ten problem jest specyficzny dla UE 5.2 i nie dotyczy innych wersji silnika.

Zalecenia Wydajnościowe

• Dla większości projektów Model Standardowy zapewnia doskonałą równowagę jakości i wydajności
• Użyj Modelu Realistycznego, gdy potrzebujesz najwyższej wierności wizualnej dla postaci MetaHuman
• Użyj Modelu Realistycznego z Obsługą Nastroju, gdy kontrola wyrażania emocji jest ważna dla twojej aplikacji
• Rozważ możliwości wydajnościowe platformy docelowej przy wyborze między modelami
• Przetestuj różne poziomy optymalizacji, aby znaleźć najlepszą równowagę dla swojego konkretnego przypadku użycia

Kompatybilność z TTS

Typ Modelu	Wsparcie Lokalnego TTS (poprzez Runtime Text To Speech)	Wsparcie Zewnętrznego TTS	Uwagi
Model Standardowy	✅ Pełne wsparcie	✅ Pełne wsparcie	Kompatybilny ze wszystkimi opcjami TTS
Model Realistyczny	❌ Ograniczone wsparcie	✅ Pełne wsparcie	Konflikty środowiska wykonawczego ONNX z lokalnym TTS
Model Realistyczny z Obsługą Nastroju	✅ Pełne wsparcie	✅ Pełne wsparcie	Kompatybilny ze wszystkimi opcjami TTS

Rozwiązywanie Problemów

Typowe Problemy

Ponowne Tworzenie Generatora dla Modeli Realistycznych: Dla niezawodnej i spójnej pracy z Modelami Realistycznymi zaleca się ponowne tworzenie generatora za każdym razem, gdy chcesz przekazać nowe dane audio po okresie bezczynności. Wynika to z zachowania środowiska wykonawczego ONNX, które może spowodować zatrzymanie działania synchronizacji warg przy ponownym używaniu generatorów po okresach ciszy.

Kompatybilność z Lokalnym TTS: Lokalny TTS dostarczany przez wtyczkę Runtime Text To Speech nie jest obecnie obsługiwany z regularnym modelem Realistycznym z powodu konfliktów środowiska wykonawczego ONNX. Jednak jest w pełni kompatybilny zarówno z modelem Standardowym, jak i modelem Realistycznym z Obsługą Nastroju. Użyj zewnętrznych usług TTS, jeśli konkretnie potrzebujesz regularnego modelu Realistycznego z funkcjonalnością TTS.

Obniżona Responsywność Synchronizacji Warg: Jeśli doświadczasz, że synchronizacja warg staje się mniej responsywna w czasie przy użyciu Streaming Sound Wave lub Capturable Sound Wave, może to być spowodowane akumulacją pamięci. Domyślnie pamięć jest realokowana za każdym razem, gdy nowe audio jest dołączane. Aby zapobiec temu problemowi, wywołaj funkcję ReleaseMemory okresowo, aby zwolnić zgromadzoną pamięć, na przykład co 30 sekund lub podobnie.

Optymalizacja Wydajności:

• Dostosuj Processing Chunk Size dla modeli Realistycznych na podstawie wymagań wydajnościowych
• Używaj odpowiednich liczby wątków dla docelowego sprzętu
• Rozważ użycie typu wyjścia Mouth Only dla modeli z obsługą nastroju, gdy pełna animacja twarzy nie jest potrzebna