SadTalker 数字人制作教程：一张照片加一段音频，生成会说话的头像视频-育师

SadTalker 数字人制作教程：一张照片加一段音频，生成会说话的头像视频

【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 是一个基于 CVPR 2023 论文的开源项目，做法很直接：给它一张肖像图（或半身照）和一段音频，它就输出一段"这张脸在说话"的视频。对内容创作者、做课件的老师、想给静态头像加上口型的个人来说，它把原本需要建模、绑定的活变成了三条命令，而且支持本地离线跑，不上传任何素材。

部署前先看这 3 件事 📌

装之前花 1 分钟确认环境，能避开后面一大半报错：

Python 版本：推荐用 Anaconda 建一个 Python 3.8 的独立环境，避免和系统里其他包的依赖打架。
ffmpeg 是否可用：项目用 ffmpeg 来读音频、拼帧。终端里敲ffmpeg -version，没有就先装上（Linux 可conda install ffmpeg）。
GPU 可选但有用：有 CUDA 显卡时生成明显更快；纯 CPU 也能跑，只是慢。显存不够时可以把--size调小或关掉增强。

确认这三点后再动手，比装到一半报错再回查要省事。

从零开始：安装、拉模型、第一次出片

整个上手分三步，全部在本地完成。

1. 克隆仓库并装依赖

git clone https://gitcode.com/GitHub_Trending/sa/SadTalker cd SadTalker conda create -n sadtalker python=3.8 -y conda activate sadtalker pip install -r requirements.txt

2. 下载模型权重

模型分两部分：渲染用的权重进checkpoints/，人脸增强用的进gfpgan/weights/。一条脚本全下完：

bash scripts/download_models.sh

网络不顺利时，脚本里的每个wget地址都可以单独重跑（wget -nc支持断点续传），下完解压到对应目录即可。

3. 跑第一张图

不用打开界面，命令行直接出片：

python inference.py \ --source_image examples/source_image/full_body_1.png \ --driven_audio examples/driven_audio/chinese_news.wav \ --enhancer gfpgan

生成结果会按时间戳存到results/下，找到最新的文件夹里的.mp4就是成片。想边调边看的话，也可以起 Web 界面：

python app_sadtalker.py

Windows 下直接双击webui.bat，Linux/macOS 用bash webui.sh，依赖会自动装好。

预处理模式没选对，效果差一半 ⚙️

--preprocess决定图片在动画前怎么处理，是新手最该先定的参数。按"场景 → 怎么选 → 为什么"来看：

只露脸、背景不重要 →crop（默认）：自动裁出人脸区域再动画，嘴部对齐最稳，绝大多数头像照选它没错。
证件照、大头照、想要一张"会说话的证件照" →resize：整图等比缩放到目标分辨率，人脸位置基本不动。注意它对全身照效果差，别用在长图里。
半身、全身照，想保留衣服和构图 →full搭配--still：只动画脸部区域，再贴回原图，配合--still固定头部姿态，身体不会乱晃。
还想要更紧或更松的裁切，可试extcrop/extfull。

一句话：先按图的构图类型定模式，再去调别的参数。

口型或表情不自然时，优先调这几个参数

模式选对了之后，效果微调主要就这几个旋钮，改动成本都很小：

--expression_scale（默认 1.0）：控制表情幅度。偏木讷就加到 1.2~1.5，动作过头就压到 0.5 左右。
--still：锁住头部朝向。全身/半身动画时加上它，头不会乱转。
--ref_eyeblink：给一段带自然眨眼的参考视频，借它的眨眼动作，能明显减少"假人感"。仓库里examples/ref_video/就备了现成的参考片。
--ref_pose：同理，借参考视频的头部动作，让姿态更生动。
--enhancer gfpgan：生成后对脸部做一次增强，清晰度更高；显存紧张时可以先关掉出预览，满意了再开。

建议一次只动一个参数、对比一次成片，否则分不清是哪一项起了作用。

不同素材对应不同玩法 🎨

同样是"照片 + 音频"，输入图类型不同，出片策略就不一样：

写实人像：crop+gfpgan，走默认路线最稳。
油画、插画等艺术风格：用full+--still保构图，动画时风格特征（笔触、色调）会被保留，嘴部照样能跟上节奏。
全身或半身照：full+--still，重点看衣服和姿势是否被完整保留。
证件照：resize，适合做"会说话的证件照"这类固定角度内容。

新手最容易卡住的几个报错

提示 ffmpeg 找不到：环境里缺 ffmpeg。Linux/macOS 用conda install ffmpeg或系统包管理器装；Windows 手动装好后重开终端。
报错说模型/权重不存在：多半是scripts/download_models.sh没跑完，检查checkpoints/和gfpgan/weights/两个目录是否齐了。
生成很慢或显存不足：先不加--enhancer、把--size从 512 降到 256，或调小--batch_size；预览通过后再上高质量参数。
口型和音频对不上：先确认音频清晰（清晰的 WAV 比嘈杂录音好很多），再试着调--expression_scale，别急着怀疑模型本身。

更完整的排查清单在 docs/FAQ.md。

按阶段查这些资料就够用了

装环境、下模型遇到问题：安装文档、模型下载脚本
调参、看推荐组合：最佳实践与配置说明（出片前值得先读一遍）
3D 人脸重建相关：face3d 文档
想接进 Stable Diffusion WebUI：WebUI 扩展说明
想自己翻代码：音频→表情模块在 src/audio2exp_models/，面部渲染在 src/facerender/，3D 人脸在 src/face3d/
想换素材试效果：现成音频在 examples/driven_audio/，示例图和参考视频在 examples/source_image/、examples/ref_video/