企业官网建设流程全解析

SadTalker 音频驱动说话人：按硬件分流的安装部署手册，30秒跑通出片

【免费下载链接】SadTalker[CVPR 2023] SadTalker：Learning Realistic 3D Motion Coefficients for Stylized Audio-Driven Single Image Talking Face Animation项目地址: https://gitcode.com/GitHub_Trending/sa/SadTalker

SadTalker（CVPR 2023）只做一件事：给一张图和一段音频，输出图中人物跟着音频说话、嘴型与面部动作都由真实感 3D 运动系数驱动的视频。你手里有张 N 卡，想在本地部署一套音频驱动的面部动画管线，就看这篇。这里把安装、配置、跑通的全链路直接捋一遍：按硬件选哪条安装路线、模型文件往哪放、报错怎么快速定位。

先确认你的显卡档位

开始敲命令之前，先花 30 秒定路线，免得装错框架最后炸。你只需要跑一次nvidia-smi，看有没有 N 卡、显存多大：

• 显存 8GB 以上 → 走路线 A
• 显存 4-6GB → 走路线 B
• 没有 N 卡 → 走路线 C
• 本机跑不动 → 路线 D（云端 GPU）

注意：路线 A/B 要求 CUDA 11.3（最低 10.2+）。系统内存 16GB（CPU 路线建议 32GB），磁盘预留 10GB 以上，其中模型文件约占 5GB。Windows 10 / Ubuntu 18.04+ / macOS 10.15+ 都能装，Windows 上 FFmpeg 必须进 PATH。

分路线装环境

四条路线挑一条，从建环境到验证一气呵成，中间不要换路线。

路线 A：高端 GPU，CUDA 11.3 这条走

# 1. 克隆仓库 git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker # 2. Python 必须锁 3.8 conda create -n sadtalker python=3.8 conda activate sadtalker # 3. 装 CUDA 11.3 版 PyTorch pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113 # 4. FFmpeg + 其余依赖 conda install ffmpeg pip install -r requirements.txt

⚠️ Python 必须锁 3.8，上 3.9 会炸。为什么：requirements.txt 里的版本（numpy==1.23.4、face_alignment==1.3.5、scipy==1.10.1、basicsr==1.4.2、kornia==0.6.8 等）都是在 3.8 环境验证过的，Python 一高，face_alignment、librosa 这类包要么装不上，要么 import 就报错。

验证，三条全过才算装完：

python --version # 应输出 Python 3.8.x python -c "import torch; print(f'PyTorch版本: {torch.__version__}')" python -c "import torch; print(f'CUDA可用: {torch.cuda.is_available()}')" # 期望 True python -c "import numpy, librosa, face_alignment; print('核心依赖加载成功')" ffmpeg -version

路线 B：入门 GPU（4-6GB 显存）

环境和 PyTorch 与路线 A 完全相同（第 1-4 步命令照抄），要提前定死的是降档参数：

⚠️ 别碰--size 512，--batch_size保持 1。为什么：facerender 的显存占用随分辨率和 batch 一起涨，6G 的卡上 512 + batch 4 会直接 OOM。

# 推理前先设这个环境变量压一下显存分配（Windows 用 set PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128） export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

验证命令同路线 A；之后每条推理命令都带上--size 256 --batch_size 1。

路线 C：纯 CPU

conda create -n sadtalker python=3.8 conda activate sadtalker pip install torch==1.12.1+cpu torchvision==0.13.1+cpu torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cpu conda install ffmpeg pip install -r requirements.txt

macOS 用户补一句pip install dlib（人脸检测靠它）。用python -c "import torch; print(torch.cuda.is_available())"验证，期望 False。之后每次运行记得带--cpu，并准备好分钟级的耐心。

路线 D：云端 GPU

租一台 8GB+ 显存的云机器，照着路线 A 从头走到尾即可，本地什么都不用配。

模型资产就位

这里回答两个问题：每类模型在推理管线里干什么活、文件该放哪。读完对着目录树核对一遍。

管线分四个阶段，每组模型各管一段：

主渲染模型：负责逐帧生成说话面部

• checkpoints/SadTalker_V0.0.2_256.safetensors（~1.2GB）—— 256 分辨率
• checkpoints/SadTalker_V0.0.2_512.safetensors（~1.2GB）—— 512 分辨率

代码按--size自动挑对应文件，src/utils/init_path.py的逻辑就一句话：

# 伪代码：checkpoints 目录里有 .safetensors 时 checkpoint = 'SadTalker_V0.0.2_' + str(size) + '.safetensors'

所以两个分辨率可以都提前放好，加载哪个由参数决定。

音频驱动映射：把音频变成姿态/表情系数

• checkpoints/mapping_00229-model.pth.tar（~200MB）—— 标准 crop 模式用
• checkpoints/mapping_00109-model.pth.tar（~200MB）—— 仅--preprocess为 full（全身）时用

# 伪代码：preprocess 决定加载哪个 mapping mappingnet = 'mapping_00109' if 'full' in preprocess else 'mapping_00229'

画质增强：只有传 --enhancer gfpgan 才加载

四个文件都放gfpgan/weights/下，单个 50-300MB 不等：

• alignment_WFLW_4HG.pth—— 人脸对齐
• detection_Resnet50_Final.pth—— 人脸检测
• GFPGANv1.4.pth—— 人脸修复主体（GFPGANv1.4）
• parsing_parsenet.pth—— 人脸解析

文件放哪、怎么拉

# 一键拉取，自动建目录、已存在的文件跳过 bash scripts/download_models.sh # 脚本不工作时手动来 mkdir -p ./checkpoints ./gfpgan/weights # 从项目 Releases 页把上面 8 个文件下到对应目录，断线用 wget -c 续传

下完对着目录树核对：

checkpoints/ ├── SadTalker_V0.0.2_256.safetensors ├── SadTalker_V0.0.2_512.safetensors ├── mapping_00109-model.pth.tar └── mapping_00229-model.pth.tar gfpgan/ └── weights/ ├── alignment_WFLW_4HG.pth ├── detection_Resnet50_Final.pth ├── GFPGANv1.4.pth └── parsing_parsenet.pth

30秒跑通最小验证

这条命令出视频，就说明全链路通了。音频和图都用仓库自带的示例素材，不用你准备任何东西。

python inference.py \ --driven_audio ./examples/driven_audio/deyu.wav \ --source_image ./examples/source_image/full_body_1.png \ --size 256 --batch_size 1

预期：终端打印The generated video is named: results/xxx.mp4，该文件能正常播放。高端 GPU 上几十秒到 1 分钟；CPU 上 3-8 分钟，这就是 CPU 模式的代价。

上面这种单张人像就是官方示例输入的水平，换成你自己的照片同样能跑。

按场景调参数

参数不用记全，记住这三组组合，其余保持默认即可。

纯 CPU 就按快速预览跑，加上--cpu --batch_size 1 --size 256 --enhancer none，gfpgan 别碰。

示例输入里既有真人照片，也有这种风格化插画，最高质量场景可以拿这类图试试效果。

报错速查：你看到了什么 → 原因 → 修复

出问题时别慌，拿终端里打印的原文来查这张表，直接照着修。

跑通之后去哪

出片只是起点：下一步用--ref_eyeblink和--ref_pose挂一段参考视频，给说话人加眨眼和姿态；或者跑app_sadtalker.py、webui.sh起 Web 界面玩。再往深里的问题，去仓库 issues 页翻，踩过的坑基本都有人留了脚印。

【免费下载链接】SadTalker[CVPR 2023] SadTalker：Learning Realistic 3D Motion Coefficients for Stylized Audio-Driven Single Image Talking Face Animation项目地址: https://gitcode.com/GitHub_Trending/sa/SadTalker