跳到主要内容

概述

Runtime MetaHuman Lip Sync 文档

Runtime MetaHuman Lip Sync 是一个插件，可为 MetaHuman 和自定义角色实现实时、离线和跨平台的唇形同步。它允许您根据来自各种来源的音频输入来驱动角色的嘴唇动画，包括：

该插件内部根据音频输入生成视位素（音素的视觉表示）。由于它直接处理音频数据而非文本，该插件支持多语言输入，包括但不限于英语、西班牙语、法语、德语、日语、中文、韩语、俄语、意大利语、葡萄牙语、阿拉伯语和印地语。实际上支持任何语言，因为唇形同步是从音频音素生成的，而非依赖于特定语言的文本处理。

标准模型 产生 14 个视位素，并使用预定义的姿势资产执行唇形同步动画。相比之下，真实感模型（专用于 MetaHuman 角色）生成 81 个面部控制变化，不依赖预定义的姿势资产，从而产生显著更真实的面部动画。

角色兼容性​

尽管名为 Runtime MetaHuman Lip Sync，但它适用于远不止 MetaHuman 的广泛角色范围：

流行的商业角色系统​

  • Daz Genesis 8/9 角色
  • Reallusion Character Creator 3/4 (CC3/CC4) 角色
  • Mixamo 角色
  • ReadyPlayerMe 虚拟形象

支持的动画标准​

  • 基于 FACS 的混合变形系统
  • Apple ARKit 混合变形标准
  • Preston Blair 音素集
  • 3ds Max 音素系统
  • 任何具有用于面部表情的自定义变形目标的角色

有关将插件与非 MetaHuman 角色一起使用的详细说明，请参阅自定义角色设置指南。

动画预览​

查看这些简短的动画，了解插件在不同角色类型和模型上产生的唇形同步动画质量：

Realistic Lip Sync Example
使用MetaHuman角色的逼真模型
Standard Lip Sync Example
标准模型与MetaHuman角色
Custom Character Lip Sync Example
标准模型与自定义角色
Custom Character Lip Sync Example
标准模型搭配自定义角色

主要特性​

  • 基于麦克风输入的实时口型同步
  • 支持离线音频处理
  • 跨平台兼容性，提供特定于模型的平台支持
  • 支持多种角色系统和动画标准
  • 灵活的自定义角色视位映射
  • 通用语言支持 - 通过音频分析适用于任何口语
  • 情绪感知的面部动画，增强表现力
  • 可配置的输出类型（全脸或仅嘴部控制）

口型同步模型​

该插件提供多种口型同步模型，以适应不同的项目需求：

标准口型同步模型提供高效、跨平台的性能，并具有广泛的角色兼容性：

  • 适用于 MetaHumans 和所有自定义角色类型
  • 针对实时性能优化
  • 资源需求较低
  • 与本地 TTS（Runtime Text To Speech 插件）完全兼容
  • 平台支持：Windows, Android, 基于 Android 的平台（包括 Meta Quest）
需要扩展插件

要使用标准模型，您需要安装一个额外的扩展插件。请参阅先决条件部分获取安装说明。

您可以根据项目在性能、角色兼容性、视觉质量、目标平台和功能需求方面的要求，选择合适的模型。

TTS 兼容性说明

虽然所有模型都支持各种音频输入方法，但常规的真实感模型由于 ONNX 运行时冲突，与本地 TTS 的兼容性有限。然而，情绪感知真实感模型与本地 TTS 完全兼容。对于文本转语音功能：

  • 标准模型：兼容所有 TTS 选项（本地和外部）
  • 真实感模型：推荐使用外部 TTS 服务（OpenAI, ElevenLabs）
  • 情绪感知真实感模型：兼容所有 TTS 选项（本地和外部）

工作原理​

该插件按以下方式处理音频输入：

  1. 音频数据以浮点 PCM 格式接收，并指定声道数和采样率
  2. 插件处理音频以生成面部控制数据或视位，具体取决于模型
  3. 对于情绪感知模型，情感上下文会应用于面部动画
  4. 动画数据实时驱动角色的面部运动

性能架构​

Runtime MetaHuman Lip Sync 使用仅 CPU 推理来提供适用于实时应用的一致、低延迟口型同步结果。默认情况下，插件每10 毫秒执行一次口型同步处理（可调整 - 参见插件配置了解所有可用设置，包括处理块大小、线程数和其他性能参数）。

模型架构概述​

口型同步模型使用紧凑的基于 Transformer 的神经网络，通过梅尔频谱图分析处理音频。这种轻量级架构专门为实时性能设计，具有高效的 CPU 推理和最小的内存占用。

为什么使用 CPU 推理？​

对于像实时口型同步这样的小型、频繁的推理操作，CPU 处理比 GPU 具有更好的延迟特性。在批处理大小为 1、推理间隔为 10-100 毫秒的情况下，PCIe 传输和内核启动的 GPU 开销通常超过实际计算时间。此外，在游戏引擎中，GPU 已经饱和于渲染、着色器和物理计算，这会产生资源争用，导致不可预测的延迟峰值。

硬件兼容性​

该插件在大多数中端及更高端的 CPU 上都能高效运行，无需专用图形硬件，可在桌面、移动和 VR 平台上提供实时性能。对于较弱的硬件，您可以将模型类型调整为半优化或高度优化，或者增加**处理块大小**，以保持实时性能，同时略微降低响应速度。

快速开始​

以下是为您的角色启用口型同步的基本设置：

  1. 对于 MetaHuman 角色，请遵循设置指南
  2. 对于自定义角色，请遵循自定义角色设置指南
  3. 选择并配置您偏好的口型同步模型
  4. 在您的 Blueprint 中设置音频输入处理
  5. 在 Animation Blueprint 中连接相应的口型同步节点
  6. 播放音频，观看您的角色带着情感说话！

其他资源​

📦 下载与链接​

🎥 视频教程​

特色演示：​

真实感模型（高质量）教程：​

标准模型教程：​

通用设置：​

💬 支持​