企业官网建设流程全解析

SadTalker 说话头视频生成入门指南：一张照片配一段音频做出说话视频

【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 是一款音频驱动的说话头视频生成开源工具：输入一张人像照片和一段音频，输出人物开口说话、头部带自然运动的视频。全程本地离线运行，适合内容创作者、教育者和没有编程背景的新手。

项目定位：三个值得知道的点

SadTalker 是 CVPR 2023 论文项目，由西安交通大学与腾讯 AI Lab 联合发布，采用 Apache 2.0 许可，可免费商用。核心流程就是：单张肖像 + 音频 = 说话头视频。

• 用音频驱动 3D 运动系数，口型、头姿、表情由音频推算，运动比直接生成更稳定
• 支持 512x512 分辨率面部渲染，可叠加 gfpgan / RestoreFormer 修复面部细节
• 提供 crop / resize / full 三种预处理模式，还能从参考视频借用眨眼与头姿

🚀 3 步跑起本地 WebUI

环境准备一句话带过：装好 Python 3.8、git、ffmpeg 即可。

1. 获取代码：

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker

2. 下载模型。Linux/Mac 在仓库目录执行bash scripts/download_models.sh一键完成；Windows 用户可改从 Releases 页面手动下载后放到对应目录。
3. 启动 WebUI：
   • Windows：双击webui.bat，依赖会自动安装，完成后浏览器直接打开
   • Linux/Mac：执行bash webui.sh

在页面里上传图片和音频、选择模式、点生成即可。习惯命令行的话，一条命令就够：

python inference.py --driven_audio <audio.wav> --source_image <portrait.png> --enhancer gfpgan

结果保存在results/下带时间戳的文件夹里。

⚙️ 速查影响效果的几个参数

🖼️ 让效果更好的两处选择

选图

• 优先正面、光线均匀、分辨率高的人像；证件照式图片用 resize 模式
• 官方提供的示例人像长这样：

• 目前只支持真人或写实风格人像，动漫脸暂不支持，官方文档中有说明

选音频与参考视频

• 音频只支持 wav / mp3，底噪越小口型越准
• 默认生成的眨眼和头部动作偏少，可用--ref_eyeblink指定一段视频借动作，效果对比如下：

适合谁用

• 教育工作者：把静态讲师照片变成课程讲解视频，或做语言发音演示
• 内容创作者：数字人口播、动漫角色配音视频
• 开发者：完全离线本地推理，也可通过 Stable Diffusion WebUI 扩展接入现有工作流

排查清单：遇到问题按序检查

• 提示ffmpeg不是内部命令：安装 ffmpeg 并加入 PATH
• 找不到模型文件（如 BFM、.mat缺失）：重新执行模型下载脚本，确认下载完整
• ModuleNotFoundError: No module named 'ai'：epoch_20.pth模型损坏，重新下载
• Mac M1 报 Illegal Hardware：单独执行pip install dlib重装
• CUDA 显存不足：运行前设置环境变量PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128
• 音频解码报错：输入音频不是 wav / mp3，先转换格式

完整问答见 docs/FAQ.md。

查阅更多文档

各模式的官方推荐配置、--ref_pose头姿借用等进阶用法，见最佳实践与配置指南；3D 面部渲染与自由视角生成在 docs/face3d.md 中有专门说明。

【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