企业官网建设流程全解析

SadTalker 四步跑通：从环境配置到第一次生成说话人脸视频的完整实操

【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 是一个发表于 CVPR 2023 的说话人脸视频生成工具：给它一张人像图片和一段音频，就能生成口型、表情与头部姿态同步说话的动画视频。本文面向会基本命令行操作、但没有接触过该项目的读者，带你完成环境配置、下载预训练模型并在本机生成第一段视频，随后讲解结果确认方法与常用参数调整。

安装前检查

开始之前，请逐项核对以下条件：

• 系统：Linux、macOS 或 Windows（Windows 需先安装 Python 3.8 与 git）
• Python：建议使用 conda 创建 3.8 虚拟环境，避免依赖冲突
• PyTorch：官方推荐 1.12.1（cu113）版本；无独立显卡的机器可以加--cpu参数在 CPU 上运行，速度较慢
• ffmpeg：必须安装，用于音频解码与视频编码
• 磁盘：为预训练模型文件与生成结果预留足够空间

快速上手：四步生成第一段视频

第一步：克隆仓库并创建虚拟环境

拉取代码，并建立隔离的 Python 3.8 环境。

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker conda create -n sadtalker python=3.8 conda activate sadtalker

第二步：安装依赖

安装 PyTorch、ffmpeg 以及项目依赖清单。若上面安装的 PyTorch 版本与你的显卡驱动不匹配，按 README 安装章节给出的版本命令重装。

pip install torch torchvision torchaudio conda install ffmpeg pip install -r requirements.txt

第三步：下载预训练模型

执行官方下载脚本，一次性获取人脸渲染、音频到表情/姿态、人脸增强等模型，分别存放在checkpoints/与gfpgan/目录。

bash scripts/download_models.sh

Windows 上可改为手动下载，按 README「Download Models」一节列出的清单把文件放到相同目录结构。

第四步：首次运行

使用仓库自带的音频与人像完成第一次生成。默认是crop模式，只动画人脸裁剪区域，输出保存在results/下。

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

整个过程依次完成音频特征提取、3D 运动系数生成、逐帧人脸渲染合成三个阶段，全程离线。

确认生成结果

1. 查看终端输出：成功时最后一行打印The generated video is named:并给出完整视频路径。
2. 打开results/目录下带时间戳子目录的 mp4 文件，播放确认人像口型与音频内容同步。

注意：不追加--verbose参数时，中间文件会在生成结束后自动清理，目录中只保留最终视频。

常用参数与进阶场景

以下三个参数来自 docs/best_practice.md，覆盖了多数使用场景。

全身图片动画

--preprocess full让动画作用于整张图片，配合--still保持原始头部姿态，适合全身人像素材。

python inference.py --driven_audio examples/driven_audio/chinese_poem1.wav \ --source_image examples/source_image/full_body_2.png \ --preprocess full --still --result_dir results_full

人脸增强

--enhancer gfpgan在生成后执行人脸修复，可提升面部细节质量。

python inference.py --driven_audio examples/driven_audio/imagine.wav \ --source_image examples/source_image/art_2.png \ --enhancer gfpgan --result_dir results_enhanced

调整表情幅度

--expression_scale是表情强度倍数，取值大于 1 时动画幅度更明显。

python inference.py --driven_audio examples/driven_audio/bus_chinese.wav \ --source_image examples/source_image/art_3.png \ --expression_scale 1.5 --result_dir results_expressive

SadTalker 常见报错与处理

后续探索

更完整的参数说明（参考视频--ref_pose、--ref_eyeblink，自由视角--input_yaw等）见 docs/best_practice.md，更多问题可查 docs/FAQ.md；examples/ 目录提供了更多驱动音频与人像素材，可替换为自己的素材继续尝试。如果偏好图形界面，先执行pip install TTS，再运行python app_sadtalker.py即可启动本地 gradio 演示。建议先跑通参考视频模式，观察姿态控制对成片自然度的影响。

【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