企业官网建设流程全解析

SadTalker 零基础完整教程：1 张照片 + 1 段音频，快速做出音频驱动人脸动画

【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 是一个音频驱动人脸动画的开源项目（CVPR 2023）：输入一张人脸照片加一段音频，就能合成会"说话"的人脸视频。下面这份 SadTalker 教程按"先出片、再配置、再调优"的顺序展开，覆盖 SadTalker 安装、模型下载、推理命令与排错，帮你把第一个作品跑出来。

🎬 先看效果：一张静态照片怎么"开口说话"

下面这张写实人像来自官方素材 examples/source_image/，就是可以直接喂给 SadTalker 的输入图。配上驱动音频后，人脸会跟着语音做出口型和表情变化，输出一个可播放的 mp4：

原理可以压缩成三句话：

• 音频侧：驱动音频先被提取特征，再生成两串参数——表情系数（脸怎么动）和姿态系数（头怎么转）；
• 图像侧：源图片经过人脸关键点检测，完成 3D 运动建模；
• 合成侧：两路系数送进渲染器，逐帧合成出最终动画。

🧰 SadTalker 安装：代码、环境与模型一次备齐

在终端里把拿代码、隔离环境、下模型三件事一次做完：

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker conda create -n sadtalker python=3.8 conda activate sadtalker pip install torch torchvision torchaudio pip install -r requirements.txt bash scripts/download_models.sh

预期结果：

• git clone执行完会生成 SadTalker 目录，后续所有命令都在这个目录里执行；
• 两条pip install正常跑完且不出现ERROR，依赖清单见 requirements.txt；
• scripts/download_models.sh 结束后，checkpoints/目录里会出现SadTalker_V0.0.2_256.safetensors、mapping_00109-model.pth.tar等预训练权重，gfpgan/weights/目录里出现面部增强所需权重。

用独立 conda 环境（python=3.8）是为了避免依赖和你系统里其他项目互相打架；下载脚本走wget -nc，中断后重跑只会补缺，不会重复下载已完成文件。

🏁 SadTalker 上手：一条命令生成第一个说话视频

装完环境后，先用两条小命令确认地基是牢的：

python -c "import torch; print('PyTorch版本:', torch.__version__)" ffmpeg -version

前一条应打印出 PyTorch 版本号，后一条应打印出 ffmpeg 的版本信息——合成视频依赖 ffmpeg，缺了它推理会直接卡住。

然后进入 SadTalker 推理环节，跑最小命令集：

python inference.py --driven_audio examples/driven_audio/chinese_news.wav --source_image examples/source_image/full_body_1.png --result_dir results

预期输出：终端最后会打印The generated video is named:加上一行 mp4 路径，视频落在results/目录下按时间戳命名的子文件夹里。打开这个 mp4 能正常播放、口型随音频在动，就说明安装与推理全部跑通了。

📈 SadTalker 推理进阶：提升动画质量的三个开关

姿态控制：--ref_video 借用参考视频的头动

给--ref_video指定一段参考视频，人头的运动节奏会借鉴这段视频，头部动作比纯音频驱动更自然：

python inference.py --driven_audio examples/driven_audio/chinese_poem1.wav --source_image examples/source_image/art_0.png --ref_video examples/ref_video/WDA_AlexandriaOcasioCortez_000.mp4 --result_dir results_with_ref

预期结果：results_with_ref/下同样生成时间戳子目录和 mp4，头部姿态变化与参考视频一致，可用 examples/ref_video/ 里的素材做试验。

面部增强：--enhancer gfpgan 提升画质

加上--enhancer gfpgan后，会由 GFPGAN 修复网络重建面部细节，输出视频的面部质量明显提升：

python inference.py --driven_audio examples/driven_audio/imagine.wav --source_image examples/source_image/happy.png --enhancer gfpgan --result_dir results_enhanced

预期结果：成片落在results_enhanced/下，面部比默认输出更清晰；此模式依赖gfpgan/weights/下的增强权重，前面的下载脚本已一并拉取。

输入素材：挑一张接近真人的清晰肖像

模型只对"接近真人"的肖像效果好，数字艺术、柔和光影、写实人像都能驱动，优先挑面部清晰、正脸或四分之三侧脸的照片，examples/source_image/ 里可直接借用：

🩺 SadTalker 排错：三个高频故障自查表

另外两个隐性坑：输入音频只支持 wav 或 mp3 格式；若ffmpeg -version没有输出，先执行conda install ffmpeg（macOS 可用brew install ffmpeg）。

下一步

拿手边一张清晰的人脸照片和任意一段 wav 音频，把最小命令集里的两个参数换掉再跑一遍，你的第一个 SadTalker 作品就出来了；更多输入组合可以直接翻 examples/ 目录，遇到报错优先对照项目自带的 docs/FAQ.md。

【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