企业官网建设流程全解析

SadTalker 说话视频生成指南：一张照片加一段音频，让肖像开口说话

【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

配音录好了，成片里却只有一张不会动的照片。SadTalker 是音频驱动的说话视频生成工具：给它一张肖像照片和一段音频，它会生成口型同步的说话头部视频，渲染分辨率由--size控制，默认 256，也可指定 512 使用新版 512x512 面部模型。项目由西安交通大学与腾讯 AI Lab 联合开发，方法发表于 CVPR 2023，代码以 Apache 2.0 协议开源。

🧩 最短路径：装环境、下模型

整条链路只依赖三样东西：Python 3.8、Git、FFmpeg。装好之后，剩下的都能交给脚本：

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker bash scripts/download_models.sh bash webui.sh

• Linux/macOS 依次执行上面三行：克隆仓库、把全部模型文件自动下载到checkpoints/和gfpgan/weights/，再运行webui.sh自动创建 venv、安装依赖，浏览器会直接打开 Gradio 界面。macOS 若报 dlib 相关错误，补一句pip install dlib即可。
• Windows 装好三样前置后，在仓库目录双击webui.bat，脚本会自动装依赖并启动界面；模型文件需要手动下载，分别放入checkpoints/和gfpgan/weights/两个目录。

WebUI 和命令行共用同一套模型，哪边顺手动哪边。

🎬 三条命令出第一条说话视频

不用自己准备素材，仓库自带示例音频和肖像，替换成自己的文件后一条命令就能跑：

python inference.py --driven_audio examples/driven_audio/bus_chinese.wav \ --source_image examples/source_image/art_0.png \ --enhancer gfpgan

前两个参数分别是音频和图片，--enhancer gfpgan打开面部增强。跑完后成片输出到results/<时间戳>/<时间戳>.mp4，终端会打印最终文件名。不想敲命令的话，在 Gradio 界面里上传照片和音频、点生成，效果一致。

🎚 三个参数决定成片效果

完整参数表在官方文档 docs/best_practice.md。对成片影响最大的三个，按重要度排：

1.--preprocess：先决定素材怎么裁

默认crop：自动检测面部关键点，裁出面部特写再生成，头部运动和表情都最稳定。素材是全身或半身照时，改用full并加上--still固定头部姿态，可以得到自然的全身说话视频。resize会把整图缩放到目标分辨率再渲染，适合证件照这类头像素材；官方文档明确提示全身照用它会效果不佳。

2.--enhancer：面部细节增强

--enhancer gfpgan（或RestoreFormer）会在成片上跑人脸修复网络，提升面部细节；想连背景一起增强，再加--background_enhancer realesrgan。成片脸部发糊时，这是第一个该打开的开关。

3.--expression_scale：表情强度

默认 1.0，数值越大，面部表情动作越强。成片表情过于夸张、和语气不搭时，把这个值调低一档再重新生成。

另有一个可选项：--ref_eyeblink和--ref_pose可以从另一段参考视频里借用眨眼和头部姿态，成片的眼睛活动会更自然。

🖼 输入素材这样选

图片

• 正面、面部清晰：系统要先检出面部关键点才能裁剪，人脸占比太小或角度太偏时无法定位。
• 光线均匀，避免强烈侧光和重阴影。
• 只支持真人或接近真人的肖像，官方文档明确说明动漫等风格化图像不适用。

音频

• 只支持 wav 和 mp3，其他格式会报解码错误，官方 FAQ 有说明。
• 录音尽量干净，少带环境噪音：音频负责驱动口型和表情，素材越噪，结果越不稳。
• 仓库examples/driven_audio/自带 14 段示例音频，覆盖中文、英文、日文，不用录音也能马上生成。

📚 三类具体用法

课程与培训视频

讲师的正面肖像加上录好的课程音频，得到的说话视频可以直接放在课程首页或作为试看片段。内容更新时只换音频，不用重新拍摄。

外语教学素材

示例音频里有英文（如RD_Radio31_000.wav）和日文（japanese.wav），配上固定肖像就能做出"真人语音加静态图"的发音演示素材。语言课里更换语段、更新讲义的成本很低。

纪念与个人创作

老照片、个人照片用--preprocess full --still生成全身说话视频，头像是默认crop模式即可。想让眼神更自然，加--ref_eyeblink从一段实拍视频里借用眨眼。

❓ 卡住了先看这三条

更多问题见官方 docs/FAQ.md。最常遇到的是这三条：

1. 提示ffmpeg is not recognized或找不到命令：先装 ffmpeg。Linux 用conda install ffmpeg，macOS 用brew install ffmpeg，Windows 需要把 ffmpeg 加入 PATH。
2. 报checkpoints\BFM_Fitting\...等文件不存在：模型没下全或放错位置。重新执行scripts/download_models.sh，确认checkpoints/与gfpgan/weights/两个目录完整。
3. Mac M1 报 Illegal Hardware Error：dlib 的编译版本不兼容，单独执行pip install dlib重装。

适合手里有现成照片和音频、又不想学剪辑和动画的人，教学、课程、纪念类内容都能直接套用。下一步可以先用仓库里的示例素材跑通流程，再换成自己的素材，按--preprocess、--enhancer、--expression_scale的顺序逐项调整。

【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