企业官网建设流程全解析

SadTalker新手保姆级教程：3步让一张照片开口说话，附完整避坑指南

【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 CVPR 2023 获奖的开源语音驱动人脸动画模型——上传一张人像照片加一段音频，就能自动输出口型同步的说话头部视频。本文带你走完环境搭建、模型下载、生成第一个视频的完整流程，文末还有参数速查表和避坑清单，新手 30 分钟内即可跑通。

先认识 SadTalker 能做什么

SadTalker 的输入输出非常简单：

• 输入：一张正脸人像照片（PNG/JPG）+ 一段音频（WAV 等格式）
• 输出：一段说话头部视频（MP4），人物嘴型随语音开合，头部还会自然摆动

原理上可以粗略拆成三步：先把音频"听"成表情系数和头部姿态系数，再把人脸"捏"出 3D 结构，最后逐帧渲染成视频。核心代码分别在音频转表情模型、音频转姿态模型和人脸渲染模块，进阶后可以按图索骥去翻这几个目录。

⚠️ SadTalker 只适合"接近真人"的照片。动漫、卡通风格的脸部目前不建议使用。

第一步：准备环境并克隆项目

开工前先备好两样基础软件：Python 3.8和ffmpeg（负责读写视频文件的工具，没有它视频会没有声音）。如果还没装过 conda，先安装 Anaconda 即可。

# 1. 克隆项目 git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker # 2. 创建独立虚拟环境（避免依赖污染其他项目） conda create -n sadtalker python=3.8 -y conda activate sadtalker # 3. 安装 PyTorch（有 CUDA 显卡的用户请选用对应驱动版本） pip install torch torchvision torchaudio # 4. 安装 ffmpeg conda install ffmpeg # 5. 安装项目依赖 pip install -r requirements.txt

几个提醒：

• 强烈建议用虚拟环境。SadTalker 的部分依赖版本较老，独立环境能避免把别的项目搞崩。
• Windows 用户：先安装 Python 3.8 并勾选"Add to PATH"，ffmpeg 直接用 conda 装最省事。
• macOS 用户：依赖装完后需要额外执行pip install dlib，详见安装文档。

第二步：一条命令下载模型权重

SadTalker 的模型权重（可以理解为模型的"大脑"）没有打包在代码仓库里，需要单独下载。好消息是项目提供了官方一键脚本：

bash scripts/download_models.sh

跑完后会生成两个目录，各司其职：

模型下载防超时技巧：脚本里的下载命令都带了-nc（断点续传）参数，中途断网或超时的话，重新执行一遍同样的脚本即可，它会自动跳过已下载完成的部分，不用从头再来。下载结束后确认checkpoints/下至少有SadTalker_V0.0.2_256.safetensors、SadTalker_V0.0.2_512.safetensors和两个mapping_*.pth.tar文件。

第三步：跑通第一个说话视频

万事俱备，直接试！项目在examples/目录里备好了示例音频和照片，拿来即用。

基础模式：人像照片 + 音频

python inference.py --driven_audio examples/driven_audio/chinese_news.wav \ --source_image examples/source_image/art_9.png \ --result_dir ./results

结束后打开results/目录，里面会多出一个以时间戳命名的 MP4 文件。如果人物嘴型和语音对得上，你就已经成功了 🎉

全身模式：加两个参数防变形

如果照片里人物没有占满画面（比如全身照、半身照），请补上--still和--preprocess full：

python inference.py --driven_audio examples/driven_audio/chinese_news.wav \ --source_image examples/source_image/art_17.png \ --result_dir ./results \ --still --preprocess full --enhancer gfpgan

• --preprocess full：对整张图做动画再贴回原构图，保留人物与背景
• --still：头部保持照片里的原始姿态，减少乱晃，全身图必加
• --enhancer gfpgan：用 GFPGAN 模型锐化人脸，成片观感明显更干净

想用鼠标点？打开 WebUI 界面

不习惯敲命令的话，SadTalker 自带一个 Gradio 网页界面，拖拽上传音频和图片就能生成：

# Linux / macOS bash webui.sh # 或者直接运行 python app_sadtalker.py

Windows 用户直接双击webui.bat即可，它会自动装好依赖并打开页面。如果想让网页里"文本转语音"，先额外安装 TTS 组件：pip install TTS。

常用参数速查表

跑通第一个视频后，你可能会想微调效果。最常用的一行参数汇总如下（完整说明见最佳实践文档）：

显存吃紧（8G 以下显卡）的降载技巧：

1. 加上--batch_size 1，让显卡一次少干点活
2. --size保持默认256，非必要不开--enhancer

避坑速查

遇到更冷门的问题，可以先翻项目的 FAQ，里面覆盖了报错处理和 Docker、WSL 等环境的细节。

进阶玩家去哪儿

跑通之后，下一步是看懂它"为什么这么动"，几个值得逛的路径：

• docs/best_practice.md：官方参数详解 + 各模式效果对比图，调参前必读
• src/audio2exp_models/：把音频变成表情的模型
• src/audio2pose_models/：把音频变成头部姿态的模型
• src/facerender/：人脸渲染网络，最终画质的核心
• docs/face3d.md：3D 人脸可视化模式（需额外安装requirements3d.txt中的依赖）
• scripts/extension.py：Stable Diffusion WebUI 扩展的接入参考

小结

回头看整个流程其实只有三步：建环境 → 下模型 → 跑inference.py。真正决定效果好坏的，是根据输入照片类型选对--preprocess模式和--still参数，剩下的交给模型即可。现在就去挑一张正脸照、录一段自己的语音，让它"开口说话"吧。

【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