企业官网建设流程全解析

SadTalker：一张照片+一段音频生成说话视频

【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

跑通 SadTalker 的完整使用流程后，你得到的是一条命令产出的说话视频：丢一张照片和一段语音进去，它输出口型、表情与语音对得上的 mp4。SadTalker 是 CVPR 2023 的语音驱动人脸动画项目，第一次部署几乎人人会卡在模型文件和环境这两处，下面就按这两个节点展开，每步只给必须执行的命令。

🎬 先看成品：这条视频就是你马上要跑出来的

上图从左到右：输入照片、生成结果、提供动作的参考视频。成品是一个 mp4，默认存在 results/ 下的时间戳目录里。要得到它，需要三样东西：一段驱动音频、一张人脸照片、一组预训练模型。前两个仓库 examples/ 目录里现成有，第三个不会自动出现，它就是下面的第一个节点。

🔐 第一个节点：把模型文件放进 checkpoints/

多数 ModuleNotFoundError、FileNotFoundError 都不是代码问题，而是模型文件没下载或没放对位置。在你机器上克隆仓库并执行下载脚本，一步完成两件事：

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

脚本会把 mapping 网络、256 和 512 两档生成器权重下到 checkpoints/，把人脸检测和增强权重下到 gfpgan/weights/。

⚠️脚本只能在 Linux/macOS 上跑，Windows 用户按 README 的下载清单手动取同样的文件放进对应目录。

下载完用这条命令核对文件是否齐全：

ls checkpoints gfpgan/weights

checkpoints/ 里应有 mapping_00109-model.pth.tar、mapping_00229-model.pth.tar、SadTalker_V0.0.2_256.safetensors、SadTalker_V0.0.2_512.safetensors 四个文件，gfpgan/weights/ 里有 4 个 .pth。中途断了也没关系，脚本用的是 wget -nc，重跑只会补缺失的部分。

🔧 第二个节点：用一组命令备好 Python 环境

代码基于 torch 1.12 编写，依赖里也锁了不少旧版本，所以环境要按官方版本建，别自己换新的。在你机器上执行：

conda create -n sadtalker python=3.8 conda activate sadtalker 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 conda install ffmpeg pip install -r requirements.txt

ffmpeg 负责解码输入音频和编码输出视频，缺了它推理会直接报 not recognized。Windows、macOS 的安装差异见 README 安装一节。

⚠️没有 GPU 也能跑：后面的运行命令末尾加 --cpu，速度慢但流程一样。

▶️ 跑第一条会说话的视频：inference.py 完整命令

环境就绪后，在你机器上执行，下面用的是仓库自带的示例素材，零配置：

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

屏幕上先打印 3DMM Extraction for source image，然后是渲染进度条，最后给出 The generated video is named: …，视频就在那个时间戳目录里。

⚠️模型只支持写实人像或真人照片，动漫脸会生成扭曲的结果。

加 --verbose 可以保留中间产物（裁剪的人脸、3D 系数文件），排查问题时有用。

🎛 调出你要的效果：三个最实用的开关

全身人物：--preprocess full 配 --still

默认 crop 模式只输出裁剪到人脸的小视频。要动整张全身图，用 full 模式：先在人脸区域做动画，再贴回原图；--still 把头姿固定成原图角度，全身效果最自然：

python inference.py --driven_audio examples/driven_audio/chinese_poem1.wav \ --source_image examples/source_image/full_body_1.png \ --preprocess full --still --enhancer gfpgan --result_dir results_full

--enhancer gfpgan 会用 GFPGAN（一个专门修复人脸模糊的模型）提升面部清晰度。另外 resize 模式只适合证件照式半身特写，全身图用它效果差。

表情和转头：--expression_scale 与 --input_yaw

--expression_scale 1.5 让表情幅度变强，1.0 是默认值。--input_yaw -20 30 10 表示头先左转 20 度、再转到右转 30 度、最后停在 10 度，一张照片就能得到不同视角的说话视频：

借参考视频的动作：--ref_pose 与 --ref_eyeblink

只有单图时，头部动作全靠模型自己生成，容易显得漂浮。给一段参考视频，它会借用视频里的头姿和眨眼节奏；参考视频比音频短时会自动循环。在你机器上执行：

python inference.py --driven_audio examples/driven_audio/chinese_poem1.wav \ --source_image examples/source_image/people_0.png \ --ref_pose examples/ref_video/WDA_AlexandriaOcasioCortez_000.mp4

🛠 修不跑的错：四类报错与对应动作

• ffmpeg is not recognized：没装 ffmpeg 或不在 PATH 里，conda install ffmpeg 即可（macOS 用 brew install ffmpeg）。
• CUDA out of memory：显存碎片化导致，设置环境变量后重跑：

export PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128 python inference.py ...

Windows 把 export 换成 set 即可。

• FileNotFoundError，提示找不到 checkpoints 下的文件：模型缺失或目录不对，重跑下载脚本；若报 unexpected EOF, expected xxx more bytes，说明文件下载中断损坏，删掉重新下。
• Error while decoding stream：音频格式不支持，只收 wav 和 mp3，其他格式先用 ffmpeg 转换。

更多问题见 docs/FAQ.md，参数细节查 best practice 文档。

下一步你可以：

• 固定一段音频，把 --expression_scale 从 0.5 到 2.0 跑三遍，直观感受表情强度的变化。
• 执行 bash webui.sh 启动本地 Gradio 页面（Windows 双击 webui.bat），用网页上传自己的照片和音频。
• 给第一次生成的素材配上 --ref_pose 参考视频再跑一遍，对比动作自然度的差异。

【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